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

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.

کلیدواژه ها:

داده های خام ، داده های نرمالیزه شده ، گرد و غبار ، شبکه عصبی مصنوعی ، تهران