امتیاز کاربران: 

پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند

word
139
6 MB
31426
1390
کارشناسی ارشد
قیمت: ۱۳,۹۰۰ تومان
دانلود مقاله
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند

    پایان نامه کارشناسی ارشد

    چکیده

    ضرورت داشتن محیط سالم و بالا بردن سطح سلامت جامعه، نیاز به داشتن برنامه ریزی صحیح جهت کاهش منابع تولید آلاینده‌های هوا و نیز پیش‌بینی این آلاینده‌ها برای جلوگیری از اثرات مضر آن را اجتناب ناپذیر می‌نماید. پیش‌بینی آلاینده‌ها می‌تواند در مدیریت و کنترل آلودگی هوا مفید واقع شود. در این تحقیق، آلایندۀ O3 بدلیل اثرات مضر آن‌ بر سلامتی انسان و نیز آلایندۀ CO بدلیل استفاده از خودروهای غیراستاندارد و مشکل احتراق ناقص سوخت‌ در خودروها در شهر تهران مورد توجه قرار گرفته‌اند.

    در این میان استفاده از شبکه‌های عصبی به دلیل توانایی مناسبشان در مدل سازی سیستم‌های با رفتار غیرخطی، می­توانند جهت پیش‌بینی تغییرات آلاینده‌های هوا مفید واقع گردند. با چنین رویکردی در این پایان­نامه پیش بینی و مدل سازی تغییرات غلظت ساعتی دو آلایندۀ CO و O3 با استفاده ازشبکه‌های عصبی MLP و المن و رگرسیون بیز مورد بررسی قرار گرفته است. به منظور پیش پردازش داده‌ها قبل از ورود به شبکه عصبی، از تحلیل مؤلفه‌های اصلی کمک گرفته شده است. در این حالت استفاده از مؤلفه‌های بدست آمده از روش تحلیل مؤلفه‌های اصلی، منجر به کاهش تعداد ویژگی‌ها، افزایش درجۀ آزادی و کاهش زمان آموزش شبکه شده است.

    پیش‌بینی دو آلایندۀ CO و O3 با استفاده از رگرسیون بیز و برآورد پارامترهای آن توسط روش زنجیره‌های مارکف مونت کارلو نیز مورد توجه قرار گرفته است.

    نتایج پیاده­سازی دو نوع شبکه عصبی و رگرسیون بیز، نشان می‌دهد که شبکه MLP با داشتن ضریب تعیین (R2 ) برابر 6307/0 برای پیش‌بینی CO  و شبکه المن با ضریب تعیین برابر 6186/‌0 برای پیش بینی O3  بهترین دقت را دارا می‌باشند. لذا نتایج تحقیق مؤید برتری شبکه‌های عصبی پیشنهادی نسبت به رگرسیون بیز می‌باشد.

    کلید واژگان: شبکه­عصبی، تحلیل مؤلفه‌های اصلی، رگرسیون بیز، زنجیره‌های مارکف مونت‌کارلو 

    فصل 1         : مقدمه

    1-1-     مقدمه

    آلودگی هوا پدیده جدیدی نیست که امروزه به صورت یک معضل در آمده باشد و ذهن انسانها را برای پیش‌بینی کردن آن به دغدغه انداخته باشد. متأسفانه فعالیت‌های روز افزون انسانها مخصوصاً پس از انقلاب صنعتی باعث ایجاد آلودگی هوا در مقیاس‌های بزرگ شده است.

    واضح است که شناخت رفتارهای زیستی در تولید آلاینده‌های هوا کمکی در مدیریت و کنترل کیفیت هوا و در نتیجه آن بالا بردن سطح سلامت اجتماعی و کاهش اثرات سوء آلودگی هوا می‌تواند داشته باشد؛ چرا که با داشتن این شناخت می‌توان برنامه‌ریزی لازم جهت کاهش منابع تولید آلودگی هوا و در ادامه آن داشتن محیطی سالم را در فکر پروراند.

    مؤسسه حفاظت از محیط زیست آمریکا EPA، شش آلاینده اصلی را به عنوان معیار برای بررسی میزان آلودگی هوا انتخاب نموده و آن ها را به دو دسته اولیه و ثانویه تقسیم کرده است. آلاینده‌های اولیه موادی هستند که از منابع مستقیماً به هوای محیط وارد می‌شوند و شامل پنج آلاینده منواکسیدکربنCO، دی‌اکسیدنیتروژن NO2، دی‌اکسیدگوگرد SO2، ذرات معلق با قطر کمتر از 10 میکرون PM10 و هیدروکربن‌های فرار VOCs می‌باشند. آلاینده‌های ثانویه به موادی اطلاق می‌شود که در اثر فعل و انفعالات موجود در هوای اطراف زمین بوجود می‌آید و در این گروه می‌توان از ازن O3 نام برد.

     در این تحقیق از میان آلاینده‌های نام برده پیش‌بینی دو آلایندۀ CO و O3 مبنای کار قرار گرفته است. ضرورت پیش‌بینی ازن را به دلیل اثرات منفی آن بر سلامتی انسان، حیوانات و گیاهان می‌دانیم و اینکه با مدلسازی ازن می‌توان اقدام به هشدار سریع در مکان‌هایی که غلظت آن بالا می‌رود، کرد. همچنین از آنجائیکه منبع اصلی تولید گاز مونو کسید کربن اتومبیل‌ها هستند بنابراین به دلیل حجم ترافیکی سنگین ناشی از ترابری در شهر تهران، استفاده از خودروهای غیراستاندارد و مشکل احتراق ناقص سوخت‌های مورد استفاده در خودروها، پیش‌بینی CO را مورد توجه قرار داده‌ایم. با توجه به اثرات مهلکی که مونوکسید کربن می‌تواند بر سلامتی انسان داشته باشد، اتخاذ تصمیمات لازم برای برنامه ریزی صحیح در مقابله با این معضل ضروری به نظر می‌رسد.

    همان طور که نیاز است بایستی برای داشتن تصمیمی مناسب در آینده، اطلاعات مناسبی از رفتار سیستم خود بدست آوریم تا بتوانیم با مدلسازی رفتار سیستم، چگونگی عملکرد آن را در دیگر زمان‌ها بررسی کنیم. در چنین مسیری پس از مدلسازی مناسب از سیستم می‌توانیم، پیش‌بینی مناسبی از رفتار آن در آینده و در نتیجه تصمیمات بهینه‌تری برای جلوگیری از حوادث نا‌خواسته ایجاد نمائیم. در مسیر مدلسازی سیستم‌ها، شناخت پارامتر‌های اثر‌گذار در سیستم، ارتباط این پارامترها و نوع اثر گذاری هر یک در سیستم از جمله اصلی‌ترین بحث در تحلیل و شناسایی سیستم می‌باشد.

    با این رویکرد ما در این تحقیق به دنبال تحلیلی مناسب از محیط هستیم تا بتوانیم رفتار آن را پیش‌بینی کرده و ترسیم دقیق‌تری از آینده را برای خود داشته باشیم. برای مدلسازی رفتار آلاینده‌های هوا غالبا روش‌های شبکه‌های عصبی، منطق فازی، رگرسیون‌ها و روش‌های آماری مورد استفاده قرار می‌گیرند. در این تحقیق ما بدنبال این هستیم که با استفاده از روش شبکه‌های عصبی و رگرسیون‌های خطی به مدلسازی و پیش‌بینی دو آلایندۀ CO و O3 بپردازیم.

    شبکه­ های عصبی از توانایی بالایی در استخراج الگوها از میان داده­ها و همچنین حل مسائل پیچیده با ماهیت طبیعی برخوردار هستند. دقت اجرای این شبکه­ها در حالت وابستگی پارامترهای ورودی و حتی وجود نویز در داده­ها مناسب بوده و با امکان آموزش­پذیری مجدد در هنگام ورود داده‌های جدید، از انعطاف­پذیری بالایی برخوردار هستند. در این تحقیق از میان معماری‌های مختلف شبکه‌های عصبی، از دو شبکۀ عصبی پرسپترون چند لایه[1] و شبکه عصبی المن[2] به منظور پیش‌بینی دو آلایندۀ CO و O3 استفاده شده است. شبکۀ عصبی پرسپترون چند لایه علی رغم کلاسیک بودن آن در مدلسازی‌ سیستم‌های هوشمند، بدلیل انعطاف پذیری زیاد آن در مدلسازی فرایندها و نیز کاربرد فراوان آن در بحث پیش‌بینی آلاینده‌های هوا انتخاب شده است. همچنین در این تحقیق از شبکه عصبی المن بدلیل ماهیت ساختاری و کاربردی این شبکه در مدلسازی سری‌های زمانی بهره گرفته‌ایم. 

    در روش‌های رگرسیون لزوم تخمین دقیق نتایج و بدست آوردن روابط بین پارامترها و متغیرهای مؤثر در نتایج، طیف وسیعی از این روش‌ها را بوجود آورده است که از جمله این روش‌های رگرسیون می‌توان از روش رگرسیون بیز[3] نام برد. در این تحقیق برای تعیین توزیع پسین برآورد بیز از روش زنجیره­­های مارکف مونت کارلو استفاده می‌کنیم. 

    در این تحقیق برآنیم که با مدلسازی فرایند دو آلایندۀ CO و O3 با استفاده از دو روش شبکۀ عصبی و رگرسیون بیز، به بررسی دقت حاصله از روش شبکه عصبی، بعنوان یک روش غیرخطی هوشمند و رگرسیون بیز، بعنوان یک روش خطی کلاسیک پرداخته و میزان کارایی و انعطاف پذیری روش‌های بکارگرفته را در مدلسازی دو آلایندۀ CO و O3 مورد بررسی قرار دهیم. همچنین با پیاده سازی شبکه‌های عصبی MLP و المن به منظور پیش‌بینی دو آلایندۀ CO و O3، دقت این دو شبکه را برای مدلسازی مقایسه می‌کنیم.

    1-2-     زمینه‌ها و اهداف پایان نامه

    استفاده از شبکه­های عصبی و رگرسیون بیز به­ منظور پیش‌بینی دو آلایندۀ CO و O3 هدف اصلی این پایان‌نامه می­باشد. با توجه به تعدد ساختارهای شبکه­عصبی، مقایسه کارآیی دو نوع شبکه ‌عصبی MLP و المن در پیش‌بینی آلودگی هوا و همچنین مقایسۀ دقت آن‌ها با روش رگرسیون بیز اهداف دیگر این پایان­نامه را تشکیل می­دهد.

    با توجه به مطالب ذکرشده اهداف فرعی این پایان­نامه به شرح زیر می­باشند:

    معرفی شبکه­های عصبی به­ عنوان یک روش کارآمد در پیش‌بینی آلاینده‌های هوا.

    بررسی رابطۀ بین مقادیر آلاینده‌ها و خطای حاصل از پیش‌بینی آن‌ها توسط شبکه­های عصبی.

    بررسی و تحلیل تغییر پذیری مکانی و زمانی دو آلاینده CO و O3.

    1-3-      مروری بر تحقیقات انجام شده

    تحقیقات انجام شده در زمینه پیش‌بینی آلاینده‌های هوا در وجوه مختلفی گسترش یافته‌اند. در این تحقیقات پیش‌بینی آلاینده‌های هواشناسی عمدتاً از جنبۀ داده‌های به کارگرفته شده برای پیش‌بینی هر آلاینده، پیش پردازش‌های انجام شده بر روی داده‌های ورودی به سیستم پیش‌بینی کننده، ساختار مدل به کار گرفته شده برای پیش بینی و دقتی که از این مدل‌ها ایجاد می‌نماید، به چالش گذاشته شده است.

    در مسیر پیش‌بینی آلاینده‌های هوا استفاده از داده‌های مختلفی برای ورود به شبکه عصبی پیشنهاد شده است. در برخی از تحقیقات انجام شده با توجه به ارتباط بین آلاینده‌های مورد نظر و پارامترهای هواشناسی، استفاده از پارامترهای هواشناسی برای پیش‌بینی آلاینده مورد نظر پیشنهاد شده است [1]، [2]و [3]. به عنوان نمونه استفاده از داده‌های هواشناسی شامل: سرعت باد، رطوبت نسبی، جهت باد، درجه حرارت، بارندگی، فشار هوا، مقدار تابش و مقدار تبخیر به منظور پیش‌بینی ساعتی غلظت O3 پیشنهاد شده است [1]. پیش بینی 3 آلایندۀ PM10 ،SO2  و CO در زمان‌های 24، 48 و 72 ساعت آینده، با استفاده از پارامترهای هواشناسی شامل: جهت باد، فشار هوا، دمای روز، دمای شب، رطوبت نسبی و سرعت باد نیز پیشنهاد شده است [2]. در پژوهشی دیگر پیش بینی غلظت ازن با استفاده از پارامترهای هواشناسی دما، رطوبت، سرعت باد و تابش خورشید پیشنهاد شده است [3].

    در پاره‌ای دیگر از تحقیقات، استفاده از اطلاعات مربوط به خود آلاینده، علاوه بر اطلاعات پارامترهای هواشناسی موثر بر آلاینده به عنوان ورودی شبکه عصبی پیشنهاد گردیده است [4]، [5]، [6]، [7]، [8] و [9]. به عنوان نمونه برای پیش بینی ماکزیمم مقدار ازن در محدوده 8 ساعته برای روزهای t و t+1 و t+2، استفاده از ماکزیمم مقدار غلظت ازن در بازه‌های  8 ساعته روز t-1، ماکزیمم غلظت ازن در نیم روز ابتدایی روز t و متوسط دمای پیش‌بینی شدۀ روزهای t و t+1 و t+2 پشنهاد شده است [8]. همچنین در [8] با استفاده از شبکه‌های عصبی ماکزیمم مقدار ازن در محدوده 8 ساعته برای روزهای t و t+1 و t+2، برای 23 ایستگاه پیش‌بینی شده است و با استفاده از روش درون یابی مکانی Co-Kriging ماکزیمم مقدار ازن در محدوده 8 ساعته برای روزهای t و t+1 و t+2، برای محدودۀ موردنظر محاسبه شده و نهایتاً منجر به تولید نقشه پراکندگی توزیع ماکزیمم غلظت ازن برای سه روز آینده شده است.

    پیش‌بینی میانگین روزانه PM10 با استفاده از میانگین PM10 در 9 ساعت اول روز قبل و همچنین پارامترهای هواشناسی پیش‌بینی شده شامل سرعت باد، جهت باد و دمای همان روز از دیگر ایده‌های مطرح شده برای ورودی سیستم پیش‌بینی‌کننده می‌باشد [7]. به منظور پیش‌بینی مقادیر SO2 و PM10 در زمان مورد نظر، استفاده از مقادیر ساعتی این دو آلاینده در24 ساعت قبل از زمان پیش‌بینی و به کارگیری پارامترهای هواشناسی شامل دمای هوا، جهت و سرعت باد، فشار هوا، بارندگی و رطوبت نسبی در 24 ساعت پیش از زمان پیش‌بینی و همچنین مقادیر پیش بینی شدۀ این پارامترها در همان روز پیشنهاد شده است [6].

    گاهی در برخی از تحقیقات بدون در نظر گرفتن پارمترهای هواشناسی، تنها از اطلاعات خود آلاینده و گاهاً آلاینده‌هایی که ارتباط معناداری با یکدیگر دارند، استفاده شده است [10]، [11]، [12]و [13]. به عنوان نمونه در تحقیقی، برای پیش‌بینی هر یک از آلاینده‌های هوا، استفاده از سری زمانی خود آلاینده به منظور پیش‌بینی و تحلیل یک گام زمانی جلوتر آلاینده پیشنهاد شده است [10]. در پژوهشی دیگر استفاده از داده‌های ساعتی پنج آلاینده NO2، O3، CO، NO و SO2 از یازده ایستگاه به منظور پیش بینی ماکزیمم غلظت روزانه NO2 و O3 تشریح شده است [11]. استفاده از داده‌های متنوع روزانۀ CO در بین سال‌های 2002 و 2005 و از ایستگاه‌های مختلف به منظور پیش‌بینی روزانه CO پیشنهادیست که تنها از اطلاعات گذشته خود آلاینده برای پیش‌بینی همان آلاینده بهره می‌گیرد [4]. استفاده ازدادهای روزانه CO و NO به منظور پیش بینی روزانه PM10 پیشنهادی است که از اطلاعات گذشته دیگر آلاینده‌ها برای پیش‌بینی آلاینده مورد نظر استفاده می نماید و اطلاعات مربوط به گذشته خود آلاینده را در ورودی سیستم پیش‌بینی کننده دخیل نمی‌کند [13].

    پس از مطالعه ورودی‌های به کار گرفته شده به عنوان اطلاعات مورد نیاز در پیش بینی آلاینده‌ها، نحوه به‌کارگیری اطلاعات در سیستم پیش بینی کننده از جمله زمینه‌هایست که در پژوهش‌های مختلف به آن اشاره شده است. به عبارت دیگر پیش پردازش بر روی داده‌های ورودی به سیستم پیش‌بینی کننده با رویکرد آسان شدن تجسم و فهم داده‌ها، کاهش حجم ذخیره سازی داده‌ها، کاهش زمان مدلسازی و افزایش کارایی کلاسه بندی داده‌ها زمینه‌ای است که در مطالعات انجام شده برای پیش‌بینی سیستم‌ها مطرح شده است [9].

    در راستای پیش پردازش داده‌ها قبل از ورود به شبکه عصبی، تحقیقات صورت گرفته اکثراً به منظور استخراج ویژگی‌های مناسب برای بهینه کردن مدل می‌باشد. از جمله روشهای بکار گرفته شده به منظور استخراج ویژگی، می توان به استفاده از الگوریتم ژنتیک اشاره کرد [11]، [12] و [3].  به عنوان نمونه در پژوهشی از الگوریتم ژنتیک به عنوان وسیله‌ای برای کاهش خطای کلاسه بندی ویژگی‌ها و همچنین وسیله ای برای پی بردن به روابط پنهان زمانی و مکانی بین ویژگی‌ها استفاده شده است [11]. در پژوهشی دیگر از الگوریتم ژنتیک به منظور انتخاب مناسب وزن‌های شبکه استفاده شده است [12]. ترکیب الگوریتم پس انتشار خطا با الگوریتم ژنتیک برای رسیدن به استحکام بیشتر در پیش‌بینی پیشنهادیست که [3] به تشریح آن پرداخته است.

    Evaluation Monte Carlo And Neural Network For Predicting Air Pollution In Temporal GIS

    Abstract

    To have a healthy environment and to promote the public health, we need to reduce sources of air pollutants. Prediction of air pollutants is also required for prevention of their harmful effects.

    In this study, O3 and Co pollutants have been considered, because O3 pollutant have harmful effects on human health. Because of the use of non-standard vehicles and problems of incomplete combustion of fuel in vehicles in Tehran, pollution by CO is a serious problem.

    The use of neural networks in systems modeling with nonlinear behavior can be useful for prediction of the air pollutants. In this thesis, Multi Linear perceptron and Elman neural networks and Bayesian regression has been used for forecasting and modeling changes in hourly concentrations of CO and O3 in part of Tehran urban areas.

    Preprocessing of data before the input to neural networks, has been performed by the principle component analysis. The use of components obtained from the principle component analysis has resulted in reduction of the number of features and neural network training time and considerable increase of the degrees of freedom.

    Also CO and O3 has been predicted by using the Bayesian regression, where Markov chain Monte Carlo has been used for estimation of its parameters.

    Results of prediction by two types of neural networks and Bayesian regression, shows that the MLP and Elman networks with a coefficients of determination (R2) equal to 0.6307 and 0.6186 for prediction of CO and O3 respectively have better accuracies. So, the results confirm the superiority of neural networks for prediction of CO and O3 pollutants.

    Keywords: Neural networks, Principle component analysis, Bayesian regression, Markov chain Monte Carlo

     

  • فهرست و منابع پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند

    فهرست:

    فصل 1 : مقدمه.. 1

    1-1-   مقدمه. 2

    1-2-   زمینه‌ها و اهداف پایان نامه. 5

    1-3-   مروری بر تحقیقات انجام شده 5

    1-4-   روش تحقیق.. 10

    1-5-   ساختار پایان نامه. 12

    فصل 2 : مبانی نظری... 13

    2-1-   آلودگی هوا چیست؟ 14

    2-1-1-  انواع آلاینده ها 14

                ذرات آلوده یا مواد معلق در هوا ( PM10 ) 15

                منوکسید کربن.. 15

                اکسید های سولفور 16

                اکسیدهای نیتروژن.. 17

                ازن         ...............................................................................................................................................18

                هیدروکربن‌های فرار (VOCs) 19

    2-1-2-  شاخص استاندارد آلودگی هوا 19

                تعریف ppm و ppb. 21

    2-2-   پارامترهای هواشناسی و اثرات آنها در عوامل آلوده کنندۀ هوا 21

    2-3-   سیستم اطلاعات مکانی زمانمند. 26

    2-4-   سری‌های زمانی.. 28

    فصل 3:مواد و روش‌های مورد استفاده در تحقیق... 30

    3-1-   معرفی ایستگاه‌ها و داده‌ها 31

    3-2-   بررسی قابلیت پیش بینی داده‌ها 33

    3-2-1-  آزمون تحلیل تغییر مبنای حوزۀ تغییرات (تحلیلR/S ) 34

    3-3-   استفاده از تحلیل مؤلفه های اصلی  و تحلیل عامل اصلی به منظور بررسی داده های اثر گذار بر CO و  O3  برای ورود به یک سیستم پیش بینی کنندۀ CO و  O3 36

    3-3-1-  تحلیل مؤلفه های اصلی و تحلیل عامل اصلی.. 36

    3-4-   تحلیل سری زمانی داده ها به منظور استخراج تأخیرهای زمانی مؤثر هر سری داده در پیش بینی O3 و CO     .......................................................................................................................................................................................39

    3-4-1-  استفاده از توابع خود همبستگی (ACF) و خود همبستگی جزئی (PACF) به منظور پیدا کردن الگوی مناسب برای سری زمانی   40

                تابع خود همبستگی.. 40

                تابع خود همبستگی جزئی.. 41

                فرایندهای اتورگرسیو. 41

                فرایندهای میانگین متحرک... 42

                فرایندهای اتورگرسیو میانگین متحرک... 42

                فرآیندهای ایستا 43

                تبدیل فرایندهای غیر ایستا به فرایندهای ایستا 44

    3-5-   معماری‌های شبکه عصبی.. 45

    3-5-1-  مدل یک نورون مصنوعی.. 47

    3-6-   شبکه عصبی پرسپترون چند لایه. 48

    3-6-1-  ساختار شبکه های عصبی پرسپترون چندلایه. 49

    3-6-2-  الگوریتم پس انتشار خطا در شبکه های پرسپترون چندلایه. 51

    3-7-   شبکه المن.. 52

    3-7-1-  آموزش شبکه Elaman. 54

    3-8-   رگرسیون‌ خطی.. 55

    3-9-   مدل‌های خطی تعمیم یافته. 55

    3-10- مدل های خطی تعمیم یافته بیز. 59

    3-11- زنجیره‌‌های مارکف مونت‌کارلو. 60

    فصل 4: ارزیابی شبکه‌های عصبی و رگرسیون بیز با رویکرد مونت کارلو در پیش‌بینی دو آلایندۀ CO و O3.    ......................................................................................................................................................62

    4-1-   مقدمه. 63

    4-2-   بررسی تغییرات مکانی دو آلایندۀ CO و O3 65

    4-3-   بررسی قابلیت پیش بینی داده ها 67

    4-4-   بررسی نتایج حاصل از تحلیل مؤلفه‌های اصلی و تحلیل عامل اصلی به منظور بررسی داده‌های اثر گذار بر دو آلایندۀ CO و  O3 69

    4-5-   بررسی هر یک از سری‌های زمانی به منظور تعیین تأخیرهای زمانی مؤثر برای پیش‌بینی یک گام زمانی جلوتر   73

                بررسی سری زمانی رطوبت... 74

    4-6-   پیش پردازش داده‌ها برای ورود به شبکۀ عصبی.. 77

    4-7-   پیش‌بینی دو آلایندۀ CO و O3 با استفاده از شبکه‌های عصبی.. 79

    4-7-1-  پیش‌بینی به کمک شبکه‌های MLP. 80

                پیش‌بینی O3 81

                پیش‌بینی CO.. 84

    4-7-2-  پیش بینی به کمک شبکه المن.. 88

                پیش‌بینی O3 88

                پیش‌بینی CO.. 91

    4-8-   پیش‌بینی دو آلایندۀ CO و O3 با استفاده از رگرسیون بیز با رویکرد مونت‌کارلو. 94

    فصل 5: نتیجه‌گیری و پیشنهادات... 101

    5-1-   نتیجه گیری.. 102

    5-2-   پیشنهادات.. 107

    پیوست    108

    پیوست 1- نمودارهای نمای هرست برای پارامترهای هواشناسی وآلاینده‌های هوا. 109

    پیوست 2- نمودارهای توابع خودهمبستگی و خودهمبستگی جزئی پارامترهای هواشناسی وآلاینده‌های هوا و نیز نمودارهای این توابع برای باقیماندۀ مدل AR برازش داده شده. 112

    پیوست 3- نمونه ای از مؤلفه‌های بدست آمده از روش تحلیل مؤلفه‌های اصلی برای تأخیرهای زمانی مؤثر هر پارامتر. .......... 119 

    پیوست 4- فرمول محاسبۀ RMSE و R2 122

     

    منبع:

    [1] صدر موسوی، م.، رحیمی، ا.، (مقایسۀ نتایج شبکه های عصبی پرسپترون چند لایه با رگرسیون چندگانه در پیش بینی غلظت ازن در شهر تبریز)، پژوهش‌های جغرافیای طبیعی، شماره 71، بهار 1388.

     

    [2] A. Kurt, B. Gulbagci, F. Karaca, O. Alagha, " An online air pollution forecasting system using neural networks", Environment International , vol.34, pp.592-598, 2008.

     

    [3] Y. Feng, W. Zhang, D. Sun, L.Zhang, " Ozone concentration forecast method based on genetic algorithm optimized back propagation neural networks and support vector machine data classification ", Environment International , vol.45, pp.1979-1985, 2011.

     

    [4] P. Perez, J. reyes, "An integrated neural network model for PM10 forecasting ", Atmospheric Enviroment, vol.40, pp.2845-2851, 2006.

     

    [5] S. Wei Lin, C. Hong Sun, C. Han Chen, " Temporal data mining using genetic algorithm and neural network – A case study of air pollutant forecasts", IEEE transaction, vol.2, no.6, pp.568-576, 1991.

     

    [6] L. Osrodka, M. Wojtylac, E. Krajny, "Forecasting of high-level air pollution in urban-industrial agglomeration by means of numerical weather forecasting ", journal of Natural Resource Research, vol.8, pp.93-109, 2003.

     

    [7] H. Jef, M. Clemens, D. Gerwin, F. Frans, B. Olivier " A neural network forecast for daily average PM10 concentrations in belgium " ,Atmospheric Environment , vol.39, no.18, pp.3279-3289, 2005.

     

    [8] C. Carnevale, G. Finzi, E. Pisoni, V. Singh, M. Volta, "Neural networks and co-kriging techniques to forecast ozone concentrations in urban areas ", International Environmental Modelling and Sofware Society (iEMSs) , 2008.

     

    [9] E. Pasero, L. Mesin, " Artificial Neural Network to forecast air pollution " , journal of Remote Sensing, vol.24, no.5, pp.1151-1156, 2003.

     

    [10] علیاری، م.، (پیش‌بینی رفتار آلایند‌های هوای اراک با استفاده از شبکه‌های عصبی)، پایان نامه کارشناسی ارشد، دانشکده برق دانشگاه صنعتی خواجه نصیرالدین طوسی. 1382

     

    [11] E. Kalapanidas, N. Avouris, "Feature selection using a genetic algorithm applied on an air quality forecasting problem ",  Australian journal of earth science, vol.47, pp.757-770, 2000.

     

    [12] M. H. Gholizadeh, M. Darand, " Forecasting the air pollution with using artificial neural networks: The case study; Tehran city" , Journal of Applied Sciences, vol.9, No.21, pp.3882-3887, 2009.

     

    [13] H. K. Cigizoglu, K. Alp, M. Komurcu, "Two neural network methods in estimation of air pollution time" , Geoscience Canada, vol.17 (2), pp.79-89, 2006.

     

    [14] W. Zhen Lu,  W. Jian Wang,  X. Kang Wang,  S. Hang Yan,   J. C.  Lam, "Potential assessment of a neural network model with PCA/RBF approach for forecasting pollutant trends in Mong Kok urban air, Hong Kong" , Environmental Research, vol.96,  pp. 79–87, 2004.

     

    [15] S. I. V. Sousa, F. G. Martins, M. C. M. Alvim-Ferraz, M. C. Pereira, "Multiple linear regression and artificial neural networks based on principal components to predict ozone concentrations",

    Environmental Modelling & Software, vol. 22, pp. 97-103, 2007.

     

    [16] G. Soja,  A.M. Soja, "Ozone indices based on simple meteorological parameters: potentials and limitations of regression and neural network models",  Atmospheric Environment, vol. 33, pp. 4299-4307, 1999.

     

    [17] W.Z  Lu,  D. Wang,  "Ground-level ozone prediction by support vector machine approach with a cost-sensitive classification scheme"  Science of the Total Environment, vol. 395, pp. 109-116, 2008.

     

    [18] E.G. Ortiz-García,  S. Salcedo-Sanz, Á.M. Pérez-Bellido,  J.A. Portilla-Figueras,  L. Prieto, " Prediction of hourly O3 concentrations using support vector regression algorithms", Atmospheric Environment, vol. 44, pp. 4481-4488, 2010.

     

    [19] W. Lu, W. Wang, A. TiLeungl, "Air Pollutant Parameter Forecasting Using Support Vector Machines ", IEEE, pp. 630-635, 2002.

     

     [20] H. Jorquera,  R. Perez,  A. Cipriano, A. Sespejo, M.V. Letelier, G. Acuna, "Forecasting  ozone daily maximum levels at Santiago, chile",   Atmospheric Environment, Vol. 32, No. 20, pp. 3415-3424, 1998.

     

    [21] H. Jeong-Sook, K Dong-Sool, "A new method of ozone forecasting using fuzzy expert and neural network systems", Science of the Total Environment, vol. 325, pp. 221-237, 2004.

     

    [22] S. Yu, X. Guo, K. Zhu, J. Du, " A neuro-fuzzy GA-BP method of seismic reservoir fuzzy rules extraction",  Expert Systems with Applications, vol. 37,  pp. 2037–2042, 2010.

     

    [23] W. Wanga, W. Lub,  X.  Wangc, A.Y.T. Leung, " Prediction of maximum daily ozone level using combined neural network and statistical characteristics", Environment International, vol. 29, pp. 555– 562, 2003.

     

    [24] E. Salazar-Ruiz, J.B. Ordieres, E.P. Vergara, S.F. Capuz-Rizo,  " Development and comparative analysis of tropospheric ozone prediction models using linear and artificial intelligence-based models in Mexicali, Baja California (Mexico) and Calexico, California (US)", Environmental Modelling & Software, vol. 23, pp. 1056-1069, 2008.

     

    [25] G.I. Berastegi,  A. Elias,  A. Barona,  J. Saenz,  " From diagnosis to prognosis for forecasting air pollution using neural networks: Air pollution monitoring in Bilbao" ,   Environmental Modelling & Software, vol. 23, pp. 622-637, 2008.

     

    [26] S. K .  Sahu, K. V.  Mardia,  "A bayesian kriged-kalman model for short-term forecasting of air pollution levels", Journal of the Royal Statistical Society, Series C, vol. 54, pp. 223-244, 2005.

     

    [27] N. McMillan, S. M.  Bortnick,  M. E.  Irwin,  M. Berliner, "A hierarchical Bayesian model to estimate and forecast ozone through space and time",  Atmospheric Environment, vol.39, pp. 1373–1382, 2005.

     

    [28] Y. Liu, H. Guo, G. Mao, P. Yang, " A Bayesian hierarchical model for urban air quality prediction under uncertainty",  Atmospheric Environment, vol. 42, pp. 8464–8469, 2008.

     

    [29] http://www.epa.gov/ttn/caaa/t1/memoranda/rprtguid.pdf

     

    [30] B. Sportisse,  "A review of current issues in air pollution modeling and simulation",  Comput Geosci, vol.11, pp. 59–181, 2007.

     

    [31] R. Weron,  B. Przybylowicz, " Hurst analysis of electricity price dynamics ", Physica A, vol. 283, pp. 462-468 ,2000.

     

    [32] خالوزاده، ح.، خاکی صدیق، ع.، ( ارزیابی روش های پیش بینی پذیری قیمت سهام و تعیین میزان قابلیت پیش بینی در بازار بورس تهران)، مجله علمی– پژوهشی مدرس، دانشگاه تربیت مدرس، دوره 7، شماره 3، صفحات 87-61، پاییز 1382.

     

    [33] H. Camdevyren, N. Demyr, A. Kanik, S. Keskyn, "Use of principal component scores in multiple linear regression models for prediction of Chlorophyll-a in reservoirs",  Ecological Modelling, vol. 181, pp. 581-589, 2005.

     

    [34] C. W. Liu, K. H.. Lin, Y. M.  Kuo,  " Application of factor analysis in the assessment of groundwater quality in a blackfoot disease area in Taiwan", The Science of the Total Environment, vol. 313,  pp. 77- 89,  2003.

     

     

    [35] نوری، ر.، اشرفی، خ.، اژدرپور، ا.، (مقایسه کاربرد روش های شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره براساس تحلیل مؤلفه های اصلی برای پیش بینی غلظت میانگین روزانه کربن مونوکسید : بررسی موردی شهر تهران ) ، مجله فیزیک زمین و فضا، دوره34، شماره1، صفحه 152-135 ، 1387.

     

    [36] S. Shrestha, F. Kazama, "Assessment of surface water quality using multivariate statistical techniques: A case study of the Fuji river basin, Japan", Environmental Modelling Software, vol. 22, pp. 464- 475, 2007.

     

    [37] V. Simeonov,  J. A. Stratis,  C. Samara,  G. Zachariadis, D. Voutsa, A. Anthemidis,  M. Sofoniou,  Th.  Kouimtzis, " Assessment of the surface water quality in Northern Greece" ,  Water Research, vol. 37,  pp. 4119-4124, 2003.

     

    [38] Y. Ouyang, " Application of principal component and factor analysis to evaluate surface water quality monitoring network",  Water Research, vol. 39, pp. 2621-2635,  2005.

     

    [39] ناظم السادات،  س.م. ج.،  بیگی، ب .و.، امین، س .، ( پهنه بندی بارندگی زمستانه استانهای بوشهر، فارس و کهکیلویه و بویراحمد با استفاده از روش تحلیل مولفه‌های اصلی)،  مجله علوم و فنون کشاورزی و منابع طبیعی،  سال هفتم ، شماره اول، صفحات 71-60، 1382.

     

    [40] نیرومند، ح.ع.،  بزرگ نیا، ا.، (سری‌های زمانی)، انتشارات دانشگاه پیام نور،1384.

     

    [41] مهناج، م.ب.، (مبانی شبکه‌های عصبی)، مرکز نشر دانشگاه صنعتی امیرکبیر، 1381.

     

     

    [42]  M.  Kantardzic, "DATA MINING: Concepts, Models, Methods and algorithms" , IEEE Press,  2003.

     

    [43] ناظم السادات،  س.م. ج.،  بیگی، ب .و.، امین، س .، (ارزیابی و پایش شبکه ایستگاههای هواشناسی به روش تحلیل مولفه‌های اصلی و تحلیل عاملی مطالعه موردی: استان کرمان)،  نشریه آبیاری و زهکشی ایران، شماره اول، جلد5، صفحات 42-30، 1390.

     

    [44] ریموند اچ، م.، (الگوهای خطی تعمیم یافته با کاربرد های آن در مهندسی و علوم)، انتشارات دانشگاه فردوسی  مشهد، 1384.

     

    [45] B. Walsh, "Markov Chain Monte Carlo and Gibbs Sampling", Lecture Notes for EEB, vol. 581, 2004.

     

    [46] Y. Liu, P.j. Yang, C. Hu, H.C. Guo, " Water quality modeling for load reduction under uncertainty: a Bayesian approach " Water Research , vol. 42, No. 13,  pp. 3305-3314, 2008.       

     

    [47] J. Gill, "Bayesian Methods: a Social and Behavioral Sciences Approach", Chapman & Hall/CRC, Boca Raton, Florida, 2002.           

     

    [48] S.S. Qian, C.A. Stow, M.E. Borsuk, "On Monte Carlo methods for Bayesian inference", Ecological Modelling, vol. 159 no.(2–3), pp. 269–277, 2003.                          

     

    [49] D.J. Lunn, A. Thomas, N. Best, D. Spiegelhalter, "WinBUGS– a Bayesian modelling framework: concepts, structure, and extenibility", Statistics and Computing, vol. 10, pp. 325–337, 2000.

     

    [50]  D. Desonie, "Atmosphere", Chelsea House Press, 2007.

    [51] نادی، س.، (مدلسازی داده‌های زمانمند در سیستم‌های اطلاعات مکانی)، پایان نامه کارشناسی ارشد، دانشکده فنی دانشگاه تهران، 1383.

     

    [52] D. M. Hogweg, "Spatio-temporal Visualization and Analysis", MSc Thesis, University of Salford, UK, 2000.



تحقیق در مورد پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, مقاله در مورد پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, پروژه دانشجویی در مورد پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, پروپوزال در مورد پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, تز دکترا در مورد پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, تحقیقات دانشجویی درباره پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, مقالات دانشجویی درباره پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, پروژه درباره پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, گزارش سمینار در مورد پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, پروژه دانشجویی در مورد پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, تحقیق دانش آموزی در مورد پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, مقاله دانش آموزی در مورد پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند, رساله دکترا در مورد پایان نامه بررسی و ارزیابی الگوریتم های مونت کارلو و شبکه های عصبی برای پیش بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند

ثبت سفارش
تعداد
عنوان محصول
بانک دانلود پایان نامه رسا تسیس