به کارگیری RNN و ANFIS در پیش بینی شاخص غلظت NO2 و O3در تهران
- سال انتشار: 1392
- محل انتشار: اولین همایش ملی و نمایشگاه تخصصی محیط زیست، انرژی و صنعت پاک
- کد COI اختصاصی: EECICO01_138
- زبان مقاله: فارسی
- تعداد مشاهده: 1037
نویسندگان
دانشجوی کارشناسی ارشد مهندسی کامپیوتر- نرم افزار، دانشگاه آزاد اسلامی پردیس علوم و تحقیقات شاهرود، گروه کامپیوتر، شاهرود، ایران
چکیده
امروزه مشکل آلودگی های هوا یکی از مهم ترین مسائل شهرهای پرجمعیت جهان است و تعداد زیادی از شهرهای بزرگ ایران نیز از آن رنج می برند. غلظت بالای آلاینده ها باعث ایجاد مشکلات سلامتی، زیست محیطی و... می شود. بنابراین پیش بینی این آلودگی ها جهت کنترل و کاهش آن بسیار لازم به نظر می-رسد. در این تحقیق، جهت پیش بینی میزان شاخص غلظت آلاینده های NO2 و O3، مدل های شبکه عصبی بازگشتی RNN و عصبی- فازی ANFIS، را روی داده های ایستگاه ژئوفیزیک که به صورت روزانه بین سال های 1388 تا 1390 جمع آوری شده است به کار بردیم. این پژوهش با هدف بررسی کارایی شبکه عصبی بازگشتی و عصبی- فازی در پیش بینی میزان شاخص آلاینده های NO2 و O3انجام گرفت . نتایج به دست آمده از این تحقیق نشان می دهد که مدل های فوق قابلیت بسیار خوبی در پیش بینی میزان غلظت آلاینده های هوا دارند.کلیدواژه ها
آلودگی هوا، شبکه های عصبی مصنوعی بازگشتی(ANN-RNN)، مدل عصبی-فازیANFIS))، منواکسیدنیتروژن(NO2)، ازون(O3)مقالات مرتبط جدید
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.