loading...
دانلود سرای دانشجویی

متن کامل پایان نامه مقطع کارشناسی ارشد رشته : نقشه برداری

گرایش :سیستم اطلاعات مکانی

عنوانبررسی و ارزیابی الگوریتم‌های مونت‌کارلو و شبکه‌های عصبی برای پیش‌بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند

تعداد صفحات:142

چکیده

ضرورت داشتن محیط سالم و بالا بردن سطح سلامت جامعه، نیاز به داشتن برنامه ریزی صحیح جهت کاهش منابع تولید آلاینده‌های هوا و نیز پیش‌بینی این آلاینده‌ها برای جلوگیری از اثرات مضر آن را اجتناب ناپذیر می‌نماید. پیش‌بینی آلاینده‌ها می‌تواند در مدیریت و کنترل آلودگی هوا مفید واقع شود. در این تحقیق، آلایندۀ O3 بدلیل اثرات مضر آن‌ بر سلامتی انسان و نیز آلایندۀ CO بدلیل استفاده از خودروهای غیراستاندارد و مشکل احتراق ناقص سوخت‌ در خودروها در شهر تهران مورد توجه قرار گرفته‌اند.

در این میان استفاده از شبکه‌های عصبی به دلیل توانایی مناسبشان در مدل سازی سیستم‌های با رفتار غیرخطی، می­توانند جهت پیش‌بینی تغییرات آلاینده‌های هوا مفید واقع گردند. با چنین رویکردی در این پایان نامه پیش بینی و مدل سازی تغییرات غلظت ساعتی دو آلایندۀ CO و O3 با استفاده ازشبکه‌های عصبی MLP و المن و رگرسیون بیز مورد بررسی قرار گرفته است. به منظور پیش پردازش داده‌ها قبل از ورود به شبکه عصبی، از تحلیل مؤلفه‌های اصلی کمک گرفته شده است. در این حالت استفاده از مؤلفه‌های بدست آمده از روش تحلیل مؤلفه‌های اصلی، منجر به کاهش تعداد ویژگی‌ها، افزایش درجۀ آزادی و کاهش زمان آموزش شبکه شده است.

پیش‌بینی دو آلایندۀ CO و O3 با استفاده از رگرسیون بیز و برآورد پارامترهای آن توسط روش زنجیره‌های مارکف مونت کارلو نیز مورد توجه قرار گرفته است.

نتایج پیاده­سازی دو نوع شبکه عصبی و رگرسیون بیز، نشان می‌دهد که شبکه MLP با داشتن ضریب تعیین (R2 ) برابر 6307/0 برای پیش‌بینی CO و شبکه المن با ضریب تعیین برابر 6186/‌0 برای پیش بینی O3 بهترین دقت را دارا می‌باشند. لذا نتایج تحقیق مؤید برتری شبکه‌های عصبی پیشنهادی نسبت به رگرسیون بیز می‌باشد.

 

اطلاعات کاربری
آمار سایت
  • کل مطالب : 4247
  • کل نظرات : 0
  • افراد آنلاین : 11
  • تعداد اعضا : 2927
  • آی پی امروز : 48
  • آی پی دیروز : 247
  • بازدید امروز : 185
  • باردید دیروز : 1,446
  • گوگل امروز : 0
  • گوگل دیروز : 24
  • بازدید هفته : 6,427
  • بازدید ماه : 34,325
  • بازدید سال : 249,704
  • بازدید کلی : 8,428,398
  • کدهای اختصاصی