مقاله پیش بینی غلظت ذرات معلقPM 10در هوای تهران توسط مدلهای شبکه عصبی و مقایسه آن با مدل های رگراسیون چند متغیره

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

  مقاله پیش بینی غلظت ذرات معلقPM 10در هوای تهران توسط مدلهای شبکه عصبی و مقایسه آن با مدل های رگراسیون چند متغیره دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی غلظت ذرات معلقPM 10در هوای تهران توسط مدلهای شبکه عصبی و مقایسه آن با مدل های رگراسیون چند متغیره  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 پیش بینی غلظت ذرات معلقPM 10در هوای تهران توسط مدلهای شبکه عصبی و مقایسه آن با مدل های رگراسیون چند متغیره،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی غلظت ذرات معلقPM 10در هوای تهران توسط مدلهای شبکه عصبی و مقایسه آن با مدل های رگراسیون چند متغیره :

تعداد صفحات:۸
چکیده:
ذرات معلق تأثیرات مخربی روی سلامتی انسان دارند. تهران تحت تأثیر دلایل زیادی که یکی از آنها موقعیت جغرافیایی اش می باشد از نظر آلودگی هوا شرایط بسیار بدی دارد و ، به همین دلیل توسعه روشهای پیشبینی و سیستمهای هشدار در مورد کیفیت هوا از جملهنیازهای روزافزون شهروندان تهرانی میباشد. هدف از این تحقیق توانایی پیش بینی غلظت ذرات معلق با اندازه ی زیر ۱۰ میکرون PM10) برای تهران است،که به این منظور اطلاعات مربوط به سه پایگاه نمونهبرداری متفاوت که عبارتند از ایستگاههای بازار، فاطمی واقدسیه درنظر گرفته شدهاند. شبکه عصبی بهکار گرفته شده در این تحقیق پرسپترون چندلایهMLP است. سپس جوابهای حاصل از این مدل با مقادیر حاصله از مدل رگرسیون چند متغیره مقایسه میشود و مشاهده شده که ضریب همبستگی در مدل شبکه عصبی به میزان۰/۷۶۱میرسد و برتری قطعی روش پرسپترون چندلایه را به مدلهای رگرسیون چندمتغیره مشخص میشود. نتایج مدل برای دورههای زمانی کوتاهتر یعنی یکساله بهتر از دوساله و سه ساله است و این امر به نوسانهای زیاد دادهها در دوره های طولانی که بر عملکرد شبکه تأثیر سوء میگذارد، برمیگردد. کیفیت دادههای ورودی در جوابهای شبکه نقش مؤثری دارند و نیز اثر دادههایی که ثبت نشدهاند بر جوابهای شبکه منفی میباشد.