ارزیابی توانایی سیستم استنتاج عصبی - فازی تطبیق پذیرANFIS درپیش بینی میزان تولید پسماند شهری و روستایی استان فارس
Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 797
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICECS01_304
تاریخ نمایه سازی: 23 خرداد 1392
Abstract:
نبود سیستم مدیریتپسماند کارامد رشد سریع جمعیت و به تبع آن افزایش روزافزون پسماندها سبب شده است که پسماندهای جامد امروزه به یکی ازمهمترین معضلات زیست محیطی تبدیل شود یکی ازپارامترهای تاثیر گذار دربرنامه ریزی طراحی و اجرای سیستم های مدیریت پسماند اگاهی ازکمیت پسماند تولیدی می باشد امروزه بکارگیری سیستم های فازی درپیش بینی موردتوجه بسیاری از محققان قرارگرفته است بنباد منطق فازی برشالوده نظریه مجموعه های فازی استوار است و عضویت درجه بندی شده را مطرح می کند روش شبکه های عصبی فازی دراین میان با اتکا به ترکیب قدرت یادیگری شبکه های عصبی و عملکرد منطقی سیستمهای فازی تبدیل به ابزار بسیار قدرتمندی شده است که هم اکنوندرکاربردهای گوناگونی مورد استفاده مختلفی دارد درشرایط کنونی امکان اندازه گیری مستمر میزان پسماند تولیدی دربیشتر مناطق شهری و روستایی به دلیل نبود امکانات وهزینه های ناشی ازآن میسر نمی باشد برای رفع این مشکل ازداده های مربوط به مناطق شهری و روستایی استان فارس درسال 89 استفاده شد با توجه به اینکه عواملی مثل جمعیت ارتفاع ازسطح دریا و تناوب جمع آوری پسماند پارامترهایی هستند که دربرارود سرانه پسماند تاثیر گذار هستند بدین جهت امار جمعیت تناوب جمع اوری و اطلاعات جغرافیایی شهرها و روستاهای استان فارس درسال 89 جمع اوری و بهعنوان ورودی مورد استفاده قرارگرفت و توانایی سیستم استنتاج فازی عصبی تطبیقی ANFIS و روش رگرسیون چندمتغیره خطی MLR درپیش بینی پسماند این مناطق بررسی و مقایسه شد.
Keywords:
پیش بینی میزان تولید پسماند , سیستم استنتاج عصبی - فازی تطبیقی ANFIS , رگرسیون چندمتغیره خطی MLR
Authors
سماء آزادی
دانشجوی دکتری مهندسی عمران
ایوب کریمی جشنی
استادیاردانشگاه شیراز
مسعود طهماسبی
کارشناسان دفترمدیریت شهری استانداری فارس
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 :