مقایسه کارایی مدلهای شبکه عصبی مصنوعی و رگرسیون خطی در پیش بینی غلظت روزانه منواکسیدکربن بر اساس پارامترهای هواشناسی
Publish place: Air Flow and Pollution national conference
Publish Year: 1391
Type: Conference paper
Language: Persian
View: 1,608
This Paper With 7 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
AFP01_069
Index date: 31 January 2013
مقایسه کارایی مدلهای شبکه عصبی مصنوعی و رگرسیون خطی در پیش بینی غلظت روزانه منواکسیدکربن بر اساس پارامترهای هواشناسی abstract
یکی از مشکلات زیست محیطی بسیاری از شهرهای بزرگ از جمله کلان شهر مشهد، آلودگی هوا و تولید حجم زیادی از آلایندههای مختلف از جمله منواکسیدکربن میباشد. در این تحقیق با استفاده از دو روش رگرسیونخطی و شبکه عصبی مصنوعی، میانگین غلظت روزانه منواکسیدکربن در شهر مشهد بر اساس پارامترهای هواشناسی مورد تجزیه و تحلیل و پیشبینی قرار گرفت. نتایج حاصل از اجرای دو مدل فوق نشان داد که مدلشبکه عصبی مصنوعی توانایی بیشتری را نسبت به روش رگرسیون خطی در پیشبینی غلظت منواکسیدکربن دارد. بهطوریکه ضریب همبستگیR)و میانگین مجموع مربعات خطاRMSE) در شبکه عصبی به ترتیب برابر0/81و0/069و برای مدل رگرسیونی به ترتیب 0/61و0/1 بدست آمد براساس نتایج حاصل از این تحقیق، مهمترین عوامل هواشناسی موثر بر غلظت منواکسیدکربن در شهر مشهد به ترتیب سرعت باد، دمای هوا، تشعشع و رطوبت نسبی میباشند
مقایسه کارایی مدلهای شبکه عصبی مصنوعی و رگرسیون خطی در پیش بینی غلظت روزانه منواکسیدکربن بر اساس پارامترهای هواشناسی Keywords:
آلودگی هوا - منواکسیدکربن - شبکه عصبی- رگرسیون خطی
مقایسه کارایی مدلهای شبکه عصبی مصنوعی و رگرسیون خطی در پیش بینی غلظت روزانه منواکسیدکربن بر اساس پارامترهای هواشناسی authors
هدی تقوی
دانشجوی کارشناسی ارشد عمران- محیط زیست دانشگاه فردوسی مشهد
شهناز دانش
دانشیار دانشکده مهندسی دانشگاه فردوسی مشهد
ابوالفضل مساعدی
دانشیار دانشکده منابع طبیعی و محیط زیست دانشگاه فردوسی مشهد
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :