پایان نامه بررسی و ارزیابی الگوریتم‌های مونتکارلو و شبکههای عصبی برای پیش‌بینی آلودگی هوا در محیط یک سیستم اطلاعات مکانی زمانمند
رشته : ارشد عمران – رشته نقشه برداری گرایش GIS
فرمت : word
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، می¬توانند جهت پیش‌بینی تغییرات آلاینده‌های هوا مفید واقع گردند. با چنین رویکردی در این پایان¬نامه 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 پیاده¬سازی دو نوع شبکه عصبی و رگرسیون بیز، نشان می‌دهد که شبکه MLP با داشتن ضریب تعیین (R2 ) برابر ۶۳۰۷/۰ برای پیش‌بینی CO و شبکه المن با ضریب تعیین برابر ۶۱۸۶/۰ برای پیش بینی O3 بهترین دقت را دارا می‌باشند. لذا نتایج تحقیق مؤید برتری شبکههای عصبی پیشنهادی نسبت به رگرسیون بیز می‌باشد.
کلید واژگان: شبکه عصبی، تحلیل مؤلفه‌های اصلی، رگرسیون بیز، زنجیرههای مارکف مونتکارلو
فهرست :
فصل ۱ : مقدمه ۱
۱-۱- مقدمه ۲
۱-۲- زمینه‌ها و اهداف پایان نامه ۵
۱-۳- مروری بر تحقیقات انجام شده ۵
۱-۴- روش تحقیق ۱۰
۱-۵- ساختار پایان نامه ۱۲
فصل ۲ : مبانی نظری ۱۳
۲-۱- آلودگی هوا چیست؟ ۱۴
۲-۱-۱- انواع آلاینده ها ۱۴
ذرات آلوده یا مواد معلق در هوا ( PM10 ) ۱۵
منوکسید کربن ۱۵
اکسید های سولفور ۱۶
اکسیدهای نیتروژن ۱۷
ازن ۱۸
هیدروکربن‌های فرار (VOCs) ۱۹
۲-۱-۲- شاخص استاندارد آلودگی هوا ۱۹
تعریف ppm و ppb ۲۱
۲-۲- پارامترهای هواشناسی و اثرات آنها در عوامل آلوده کنندۀ هوا ۲۱
۲-۳- سیستم اطلاعات مکانی زمانمند ۲۶
۲-۴- سری‌های زمانی ۲۸
فصل ۳:مواد و روش‌های مورد استفاده در تحقیق ۳۰
۳-۱- معرفی ایستگاه‌ها و دادهها ۳۱
۳-۲- بررسی قابلیت پیش بینی دادهها ۳۳
۳-۲-۱- آزمون تحلیل تغییر مبنای حوزۀ تغییرات (تحلیلR/S ) ۳۴
۳-۳- 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 ۳۶
۳-۳-۱- تحلیل مؤلفه های اصلی و تحلیل عامل اصلی ۳۶
۳-۴- تحلیل سری زمانی داده ها به منظور استخراج تأخیرهای زمانی مؤثر هر سری داده در پیش بینی O3 و CO ۳۹
۳-۴-۱- استفاده از توابع خود همبستگی (ACF) و خود همبستگی جزئی (PACF) به منظور پیدا کردن الگوی مناسب برای سری زمانی ۴۰
تابع خود همبستگی ۴۰
تابع خود همبستگی جزئی ۴۱
فرایندهای اتورگرسیو ۴۱
فرایندهای میانگین متحرک ۴۲
فرایندهای اتورگرسیو میانگین متحرک ۴۲
فرآیندهای ایستا ۴۳
تبدیل فرایندهای غیر ایستا به فرایندهای ایستا ۴۴
۳-۵- معماری‌های شبکه عصبی ۴۵
۳-۵-۱- مدل یک نورون مصنوعی ۴۷
۳-۶- شبکه عصبی پرسپترون چند لایه ۴۸
۳-۶-۱- ساختار شبکه های عصبی پرسپترون چندلایه ۴۹
۳-۶-۲- الگوریتم پس انتشار خطا در شبکه های پرسپترون چندلایه ۵۱
۳-۷- شبکه المن ۵۲
۳-۷-۱- آموزش شبکه Elaman ۵۴
۳-۸- رگرسیون خطی ۵۵
۳-۹- مدلهای خطی تعمیم یافته ۵۵
۳-۱۰- مدل های خطی تعمیم یافته بیز ۵۹
۳-۱۱- زنجیرههای مارکف مونتکارلو ۶۰
فصل ۴: ارزیابی شبکههای عصبی و رگرسیون بیز با رویکرد مونت کارلو در پیش‌بینی دو آلایندۀ CO و O3 ۶۲
۴-۱- مقدمه ۶۳
۴-۲- بررسی تغییرات مکانی دو آلایندۀ CO و O3 ۶۵
۴-۳- بررسی قابلیت پیش بینی داده ها ۶۷
۴-۴- بررسی نتایج حاصل از تحلیل مؤلفه‌های اصلی و تحلیل عامل اصلی به منظور بررسی دادههای اثر گذار بر دو آلایندۀ CO و O3 ۶۹
۴-۵- بررسی هر یک از سری‌های زمانی به منظور تعیین تأخیرهای زمانی مؤثر برای پیش‌بینی یک گام زمانی جلوتر ۷۳
بررسی سری زمانی رطوبت ۷۴
۴-۶- پیش پردازش دادهها برای ورود به شبکۀ عصبی ۷۷
۴-۷- پیش‌بینی دو آلایندۀ CO و O3 با استفاده از شبکههای عصبی ۷۹
۴-۷-۱- پیش‌بینی به کمک شبکههای MLP ۸۰
پیش‌بینی O3 ۸۱
پیش‌بینی CO ۸۴
۴-۷-۲- پیش بینی به کمک شبکه المن ۸۸
پیش‌بینی O3 ۸۸
پیش‌بینی CO ۹۱
۴-۸- پیش‌بینی دو آلایندۀ CO و O3 با استفاده از رگرسیون بیز با رویکرد مونتکارلو ۹۴
فصل ۵: نتیجهگیری و پیشنهادات ۱۰۱
۵-۱- نتیجه گیری ۱۰۲
۵-۲- پیشنهادات ۱۰۷
پیوست ۱۰۸
پیوست ۱- نمودارهای نمای هرست برای پارامترهای هواشناسی وآلاینده‌های هوا. ۱۰۹
پیوست ۲- نمودارهای توابع خودهمبستگی و خودهمبستگی جزئی پارامترهای هواشناسی وآلاینده‌های هوا و نیز نمودارهای این توابع برای باقیماندۀ مدل AR برازش داده شده. ۱۱۲
پیوست ۳- نمونه ای از مؤلفه‌های بدست آمده از روش تحلیل مؤلفه‌های اصلی برای تأخیرهای زمانی مؤثر هر پارامتر. ………. ۱۱۹
پیوست ۴- فرمول محاسبۀ RMSE و R2 ۱۲۲
این پروژه به عنوان کمک آموزشی و در راستای تکمیل مطالعات شما ، در وبسایت قرار گرفته است .
لطفا از این پروژه به عنوان پایان نامه و یا پروژه تخصصی استفاده ننمایید .
- فاقد لینک دانلود و فروش. این پروژه فقط جهت معرفی در سایت قرار گرفته است. [purchase_link id=”8488″ text=”اضافه‌کردن به سبدخرید” style=”button” color=”green”]
پیشنهاد:
بررسی و ارزیابی الگوریتم‌های مونتکارلو و شبکههای…- مدل پیش بینی مکانی ظرفیت باربری خاک با استفاده از…
- ارزیابی عملکرد مدلهای هوشمند نروفازی و شبکههای…
پروژه پیش بینی مدل وضعیت روسازی با استفاده از شبکه عصبی- ارزیابی چرخش محورهای اصلی تنش و کرنش و عدم هم محوری…
- پروژه تخصصی کاربرد و بررسی شبکه عصبی در پی های نواری…