پیش بینی پارامترهای کیفی (NO3 DO) رودخانه کرج با استفاده از مدل های MLR ،ANN و تلفیق شبکه عصبی-موجکی بر پایه نویززدایی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 پیش بینی پارامترهای کیفی (NO3 DO) رودخانه کرج با استفاده از مدل های MLR ،ANN و تلفیق شبکه عصبی-موجکی بر پایه نویززدایی دارای ۲۵ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد پیش بینی پارامترهای کیفی (NO3 DO) رودخانه کرج با استفاده از مدل های MLR ،ANN و تلفیق شبکه عصبی-موجکی بر پایه نویززدایی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی پیش بینی پارامترهای کیفی (NO3 DO) رودخانه کرج با استفاده از مدل های MLR ،ANN و تلفیق شبکه عصبی-موجکی بر پایه نویززدایی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن پیش بینی پارامترهای کیفی (NO3 DO) رودخانه کرج با استفاده از مدل های MLR ،ANN و تلفیق شبکه عصبی-موجکی بر پایه نویززدایی :

نام کنفرانس، همایش یا نشریه : سلامت و محیط زیست

تعداد صفحات :۲۵

زمینه و هدف: پیش بینی و کنترل کیفیت آب رودخانه کرج، به عنوان یکی از مهم ترین منابع تامین کننده آب مورد نیاز شهر تهران، از اهمیت بسزایی برخوردار است. در این تحقیق، عملکرد مدل های شبکه عصبی (ANN)، مدل ترکیبی شبکه عصبی – موجک (WANN) و رگرسیون خطی چند متغیره (MLR)، برای پیش بینی یک ماه آینده یون نیترات و اکسیژن محلول ایستگاه پل خواب واقع در رودخانه کرج، مورد ارزیابی قرار گرفت.روش بررسی: از یک دوره آماری ۱۱ ساله جهت ورودی مدل ها استفاده شد. در مدل ترکیبی WANN سری های زمانی واقعی دبی و پارامتر کیفی مورد نظر (نیترات و اکسیژن محلول) توسط آنالیز موجک تجزیه شدند؛ سپس مجموع سری های زمانی موثر آنها به عنوان ورودی ANN به کار گرفته شد. در ادامه، توانایی هر سه مدل، برای پیش بینی نقاط پیک سری زمانی که دارای اهمیت بسزایی هستند، بررسی شد. کارایی مدل ها با ضریب تببین یا نش(E) و ریشه میانگین خطای مربع (RMSE) ارزیابی شدند.یافته ها: نتایج، حاکی از دقت و توانایی بالای مدل هیبرید شبکه عصبی- موجکی با رویکرد حذف نویزهای سری زمانی نسبت به دو مدل دیگر بوده است؛ بطوریکه مدل ترکیبی شبکه عصبی– موجکی قادر بود میزان RMSE را برای یون نیترات در مقایسه با مدل شبکه عصبی و رگرسیون خطی چند متغیره به ترتیب به مقدار% ۳۵.۶۰ و %۷۵.۹۳ و برای یون اکسیژن محلول، به اندازه %۴۰.۵۷ و %۶۰.۱۳ بهبود بخشد.نتیجه گیری: به لحاظ قابلیت بالای شبکه عصبی موجکی و حذف نویزهای سری های زمانی در پیش بینی پارامترهای کیفی آب رودخانه، این مدل می تواند، راهکاری مناسب و سریع در مدیریت برتر کیفیت منابع آب و اطمینان از نتایج پایش کیفی و کاهش هزینه های آن مطرح شود.

کلید واژه: رودخانه کرج، شبکه عصبی، تبدیل موجک، یون نیترات و اکسیژن محلول، نویززدایی