راهبردی نوین جهت پیشبینی میزان آلاینده کلانشهر اراک با استفاده ازشبکه عصبی و الگوریتم فرا ابتکاری علفهای هرز
Publish place: اولین کنفرانس بین المللی مخاطرات طبیعی و بحران های زیست محیطی ایران، راهکارها و چالش ها
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,196
This Paper With 18 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICINH01_516
تاریخ نمایه سازی: 5 بهمن 1395
Abstract:
امروزه پیشبینی پارامترهای کیفیت هوا از موضوعات مهم و محبوب در علوم محیطزیست و اتمسفریک است زیرا رابطه مستقیم با سلامتی بشر دارد لذا نیاز به مدلهای دقیق برای پیشبینی آلودگی هوا احساس میشود. آلودگی روزافزون هوا در شهرهای بزرگ، رشد بیرویه جمعیت در نزدیکی نواحی صنعتی از جمله مواردی است که امروزه ذهن متخصصان محیطزیست را به خود مشغول نموده است. بنابراین استفاده از ابزار و روشهای پیشبینی اثرات نامطلوب آلودگی هوا ناشی از عوامل گوناگون آلاینده ضروری میباشد. در این تحقیق با استفاده از تکنیک شبکه عصبی مصنوعی و ترکیب آن با الگوریتم فرا ابتکاری علف هرز و همچنین الگوریتم ژنتیک جهت برآورد و پیشبینی غلظت گازهای آلایندههوای کلانشهر اراک بهکار رفته است. سپس با استفاده از نرمافزار متلب مدل ترکیبی پیشنهادی شبیه سازی که در نهایت معیارهای ارزیابی عملکرد RMSE و MAPE و R2 و MSE و MAE برای هرکدام از الگوریتمهای فوق استخراجشده است که نتیجه حاکی از برتری الگوریتم علف های هرز در 5 معیار ارزیابی الگوریتم نسبت به الگوریتم ژنتیک میباشد.
Keywords:
داده کاوی , پیش بینی آلودگی هوا , کلانشهر اراک , الگوریتم شبکه عصبی مصنوعی , الگوریتم فرا ابتکاری علف های هرز
Authors
مهسا ابوالحسنی
دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی، واحد اراک
عباس کریمی
دانشگاه آزاد اسلامی، واحد اراک، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، اراک ، ایران
کیارش آقاخانی
دانشگاه آزاد اسلامی، واحد اراک، باشگاه پژوهشگران جوان و نخبگان، اراک، ایران
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 :