Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

مقایسه کارایی داده های خام و داده های نرمالیزه شده به منظور پیش بینی ذرات گرد و غبار هوای شهر تهران توسط شبکه عصبی مصنوعی

نخستین کنفرانس ملی آب و هوا شناسی
Year: 1392
COI: COLIMACONF01_127
Language: PersianView: 636
This Paper With 13 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 13 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

نفیسه زراعت زاده - دانشجوی کارشناسی ارشد زمین شناسی زیست محیطی،دانشگاه شهید باهنر کرمان،ایران
بهرام بختیاری - استادیار بخش مهندسی آب،دانشکده کشاورزی، دانشگاه شهید باهنر کرمان

Abstract:

دراین پژوهش از شبکه های عصبی مصنوعی (Artificial neural networks) به عنوان ابزاری توانمند درمدلسازی فرآیندهای غیرخطی ونامعین،به منظور پیش بینی میزان غلظت ذرات گرد و غبار شهر تهران استفاده شد.از نرم افزار MATLAB 7 و در شاخه Neural network برای پیش بینی کمک گرفته شد.ورودی های مدل ANN شامل داده های غلظت ذرات گرد و غبار،دمای هوا و سرعت باددر محدوده شهر تهران است که این داده ها بازه زمانی سال های 2006 تا 2010 را دربر می گیرند.اطلاعات چهار سال اول یعنی سال های 2006 تا 2009 برای آموزش مدل ها وداده های یک سال باقی مانده یعنی 2010 برای آزمایش آنها به کار رفته است.شبکه مورداستفاده ازنوع پرسپترون چندلایه )Multi- Layer Perceptron) با الگوریتم پس انتشار خطا (Back Propagation) و تکنیکهای یادگیری Traingdm و Trainlm است. در این راستا به منظور دست یابی به پیش بینی دقیق داده ها با سه روش نرمالیزه شدند. نتایج این تحقیق نشان می دهد که علاوه بر اینکه داده های نرمالیزه شده می تواند مقادیر مورد نظر و دقیق تری را ارائه دهد،استفاده از هرکدام از روش های نرمالیزه کردن نیز خصوصیات خود را دارا می باشد و نهایتا نرمالیزه کردن داده ها و همچنین انتخاب بهترین روش اهمیت به سزایی در افزایش میزان دقت پیش بینی دارد.

Keywords:

Paper COI Code

This Paper COI Code is COLIMACONF01_127. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/209306/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
زراعت زاده، نفیسه و بختیاری، بهرام،1392،مقایسه کارایی داده های خام و داده های نرمالیزه شده به منظور پیش بینی ذرات گرد و غبار هوای شهر تهران توسط شبکه عصبی مصنوعی،First National Conference on Climatology of Iran،Kerman،https://civilica.com/doc/209306

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 :

Research Info Management

Certificate | Report | من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:

اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

کدام مقالات به این منبع استناد نموده اند


بر اساس سیستم تحلیلی استنادات مقالات، تاکنون برای نگارش 1 Paper استفاده شده است.

Scientometrics

The specifications of the publisher center of this Paper are as follows:
Type of center: دانشگاه دولتی
Paper count: 18,108
In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

مقالات پیشنهادی مرتبط

New Papers

New Researchs

Share this page

More information about COI

COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

Support