مقاله مدل سازی غلظت ساعتی مونوکسیدکربن با استفاده از رگرسیون مؤلفه های اصلی و شبکه عصبی بهینه شده با الگوریتم رقابت استعماری

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

 مقاله مدل سازی غلظت ساعتی مونوکسیدکربن با استفاده از رگرسیون مؤلفه های اصلی و شبکه عصبی بهینه شده با الگوریتم رقابت استعماری دارای ۲۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله مدل سازی غلظت ساعتی مونوکسیدکربن با استفاده از رگرسیون مؤلفه های اصلی و شبکه عصبی بهینه شده با الگوریتم رقابت استعماری  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 مقاله مدل سازی غلظت ساعتی مونوکسیدکربن با استفاده از رگرسیون مؤلفه های اصلی و شبکه عصبی بهینه شده با الگوریتم رقابت استعماری،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله مدل سازی غلظت ساعتی مونوکسیدکربن با استفاده از رگرسیون مؤلفه های اصلی و شبکه عصبی بهینه شده با الگوریتم رقابت استعماری :

تعداد صفحات :۲۴

مونوکسیدکربن یکی از عوامل عمده آلودگی هوای کلان‌شهر تهران است. هدف اصلی این تحقیق، شبیه‌سازی غلظت میانگین ساعتی مونوکسیدکربن در هوای شهر تهران با استفاده از دو مدل رگرسیون مؤلفه‌های اصلی و شبکه عصبی بهینه شده با الگوریتم رقابت استعماری است. از روش تحلیل مؤلفه‌های اصلی برای از بین بردن همبستگی بین متغیرهای ورودی و تفسیر بهتر نتایج مدل رگرسیونی استفاده شد. همچنین با استفاده از یک شبکه عصبی پس‌انتشار با یک لایه پنهان و استفاده از الگوریتم رقابت استعماری به عنوان الگوریتم آموزش نیز مدلی مناسب برای این امر ایجاد شد. برای شبیه‌سازی غلظت مونوکسیدکربن از داده‌های ساعتی سال‌های ۱۳۸۶ و ۱۳۸۷ ایستگاه تجریش واقع در شمال تهران استفاده شد. برای ارزیابی نتایج مدل‌های مذکور، ریشه میانگین مربعات خطا (RMSE)، میانگین مطلق خطا (MAE)، میانگین مربعات خطا (MSE) و ضریب همبستگی (R) در مدل شبکه عصبی برای مرحله آزمون به ترتیب ۰۵۰/۰ ، ۰۳۴۶/۰ ، ۰۰۲۵/۰ و ۷۴۶/۰ به‌دست آمده که در مقایسه با مدل رگرسیون مؤلفه‌های اصلی (۰۸۵۶/0RMSE=، ۰۶۱۹/0MAE=، ۰۰۷۵/0MSE= و ۵۰۱/0R=) حاکی از برتری مطلق نتایج شبکه عصبی بهینه شده با الگوریتم رقابت استعماری نسبت به مدل رگرسیون مؤلفه‌های اصلی است.