تحلیل مدل های مناسب جهت پیش بینی آلودگی هوا با تأکید بر روش شبکه عصبی
Publish place: اولین کنفرانس بین المللی مخاطرات طبیعی و بحران های زیست محیطی ایران، راهکارها و چالش ها
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 1,417
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:
ICINH01_538
Index date: 24 January 2017
تحلیل مدل های مناسب جهت پیش بینی آلودگی هوا با تأکید بر روش شبکه عصبی abstract
در سالهای اخیر هوش مصنوعی بهجای روشهای سنتی علمی قبلی جایگزین شده است. شبکههای عصبی مصنوعی یکی از محبوبترین روشهای هوش مصنوعی محسوب میشود که مدلهای ریاضی مغز انسان را بهصورت ساده بهعنوان یک سیستم استفاده میکند.شبکههای عصبی عموماً با دادههای آموزشی آموزش داده میشوند. آنها قادرند ارتباطات جدید، توابع جدید و یا الگوهای جدید را کشفکنند و به دلیل ویژگیهای فوق کاربرد وسیعی پیداکردهاند، بهویژه استفاده از شبکه پرسپترون چندلایه که برای پیشبینی در امر کیفیت هوا در دهه اخیر، مطالعات زیادی انجامیافته است. امروزه پیشبینی پارامترهای کیفیت هوا از موضوعات مهم و محبوب در علوممحیطزیست و اتمسفریک است زیرا رابطه مستقیم با سلامتی بشر دارد.تحقیق حاضر با هدف تحلیل شبکه عصبی و بررسی توان ها و کمبودهای این روش در پیش بینی آلودگی هوا با روش توصیفی تحلیلی و مطالعه کتابخانه ای انجام گرفته است. نتایج نشان داد؛ با پیشبینی میزان آلاینده با استفاده از شبکه عصبی مصنوعی و الگوریتم فرا مکاشفهای علفهای هرز میتوان خطای برآورد را نسبت به سایر روشها کاهش داد
تحلیل مدل های مناسب جهت پیش بینی آلودگی هوا با تأکید بر روش شبکه عصبی Keywords:
تحلیل مدل های مناسب جهت پیش بینی آلودگی هوا با تأکید بر روش شبکه عصبی authors
عباس کریمی
استادیار گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد اراک
عمادالدین هزاوه ای
استادیار گروه مهندسی صنایع ، دانشگاه آزاد اسلامی واحد اراک
مهسا ابوالحسنی
کارشناس ارشد رشته کامپیوتر ، دانشگاه آزاد اسلامی واحد اراک
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 :