پیش بینی ازن با استفاده از روش neuro-fuzzy در مناطق صنعتی

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,070

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NICEC12_765

تاریخ نمایه سازی: 30 شهریور 1387

چکیده مقاله:

این مقاله در نظر دارد تا با ارائه روش مدل سازی به پیش بینی ازن بپردازد . در این مقاله غلظت ازن به عنوان تابعی از دو گروه متغیرهای جغرافیایی ( سرعت و جهت باد ، دما ، رطوبت نسبی و انرژی خورشید ) و متغیرهای شیمیایی (غلظت متان ، هیدروکربن ها ، منو اکسید و دی اکسید کربن ، اکسید و دی اکسید نیتروژن و دی اکسید سلوفور و میزان غبار معلق در هوا ) در نظر گرفته شده است . به این منظور یک آزمایشگاه سیار ، در ناحیه مورد نظر ، داده ها را به مدت دوماه جمع آوری نمود . داده های جمع آوری شده به دو گروه جهت آموزش و آزمون تقسیم شدند . سپس یک مدل neuro-fuzzy با سیستم استنتاج فازی سوگنو و الگوریتم هیبرید ، که ترکیبی از روش گسترش معکوس و حداقل مربعات است ، طراحی و داده ها جهت آموزش و عمومی سازی به این مدل داده شد . در ضمن از روش طبقه بندی کاهشی نیز جهت طبقه بندی داده ها استفاده گردید تا به این ترتیب به ارائه موثر تر داده ها پرداخته شود . پس از مراحل ذکر شده مدل آموزش دیده دارای 240 گره و 320 پارامتر قابل تنظیم بود . در ضمن تعداد 8 عدد قاعده فازی نیز جهت بیان رفتار سیستم به دست آمد . در پایان داده های به دست آمده با این روش با داده های به دست آمده از شبکه عصبی مقایسه شد که حاصل ، پیش بینی بهتر روش neuro-fuzzy بود .

کلیدواژه ها:

ازن ، neuro-fuzzy ، سیستم استنتاج فازی سوگنو ، طبقه بندی کاهشی

نویسندگان

غلامرضا زاهدی

مرکز تحقیقات شبیه سازی و هوش مصنوعی ، گروه مهندسی شیمی ، دانشگاه رازی

سحر صبا

مرکز تحقیقات شبیه سازی و هوش مصنوعی ، گروه مهندسی شیمی ، دانشگاه رازی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • -L. Sebald, R. Treffeisen, E. Reimer, T.Hies. Spectral analysis of ...
  • . RI. Larsen, WF. McDonnell, DH. Horstman, . An air ...
  • . M. Lippmann, PJ. Liog, G. Leikuaf, KB. Green, D. ...
  • _ DM. Spector, GD. Hurston, J. He, D. Mao, C. ...
  • . A. Elkamel, _ S. Abdu I-Wahabb, W. Bouhamraa, E. ...
  • [L.T. Wong, K.W. Mui, K.Y. Law, P.S. Hui, . Epistemic ...
  • Y. Lin, W. G. Cobourn.. Fuzzy system models combined with ...
  • S.M. Robeson, D.G., Steyn. Evaluation and comparison of statistical forecast ...
  • M. Hubbard, G. Cobourn. Development of a regression model for ...
  • D. Wang, W. Z. , Lu. Ground-level OZOne prediction using ...
  • 1-J. Zabkara .R. D., Vladu si ca, D. C. emasc, ...
  • W. Wang, W. Lub, X. Wangc, A. Y. T. Leung, ...
  • G. I. Berastegi , A. Elias, A. Barona, J. Saenz, ...
  • A. L. Dutot, J. Rynkiewicz, F. E. Steiner, J. Rude. ...
  • N., Peton, G., Dray, D., Pearson, M., Mesbah, B., Vuillot, ...
  • B. Widrow, M. A. Lehr. 30 years of adaptive neural ...
  • L. A. Zadeh. Fuzzy sets. Information and Control. 8(1965), 338- ...
  • نمایش کامل مراجع