این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
محاسبات نرم، جلد ۵، شماره ۲، صفحات ۴۸-۵۵
عنوان فارسی آموزش شبکه عصبی مصنوعی با نسخه آشوب‌گونه الگوریتم جستجوی گرانشی و کاربرد آن در پیش‌بینی آلاینده‌های هوا: مطالعه قیاسی
چکیده فارسی مقاله امروزه پیش‌بینی آلودگی هوا در نواحی شهری به دلیل تأثیر آن بر روی سلامتی انسان، یکی از موضوعات مهم در پژوهش‌های زیست‌محیطی است. با وجود اهمیت به‌سزای موضوع آلودگی هوا، داده‌های نقاط اندکی در دسترس بوده و اندازه‌گیری آن برای تمام نقاط مورد نظر ناممکن است. به‌همین ‌علت، تاکنون مدل‌های مختلفی برای پیش‌بینی آلودگی هوا معرفی شده‌اند. در این مقاله، 10 ویژگی‌ مهم از مجموع 20 ویژگی مربوط به داده­های سازمان هواشناسی و مؤثر در پیش­بینی آلودگی هوا توسط نسخه دودویی الگوریتم جستجوی گرانشی انتخاب شده­اند. در ادامه، با استفاده از نسخه آشوب‌گونه الگوریتم جستجوی گرانشی، یک شبکه عصبی به‌منظور پیش‌بینی آلاینده‌های هوای شهر تهران آموزش داده شده است. برای ارزیابی کارایی شبکه عصبی آموزش‌‌دیده، عملکرد آن در پیش‌بینی میزان آلاینده‌های هوای شهر تهران، در شرایط کاملا یکسان با پنج روش دیگر که در آن‌ها شبکه عصبی با الگوریتم‌های جستجوی گرانشی استاندارد، پس انتشار خطا، اجتماع زنبورها، ترکیب الگوریتم­های وراثتی با تبرید شبیه‌سازی‌شده، و بهینه‌سازی ازدحام ذرات آموزش دیده‌ است، مقایسه می‌شود. نتایج تجربی گویای برتری روش پیشنهادی در آموزش شبکه عصبی با هدف پیش­بینی آلودگی می‌باشد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Air Pollution Prediction Using an Artificial Neural Network Trained by Chaotic Gravitational Search Algorithm: A Comparative Study
چکیده انگلیسی مقاله Prediction of urban air pollution is an important subject in environmental studies. However, the required data for prediction is not available for every interested location. So, different models have been proposed for air pollution prediction. The feature selection (among 20 features given in Meteorology Organization data) was performed by binary gravitational search algorithm (BGSA) in this study and 10 features were selected. An artificial neural network (ANN) was used in this study for air pollution prediction. This ANN was trained using chaotic gravitational search algorithm (CGSA). In a comparative study, the performance evaluation of this neural predictor was performed when other methods were also used for ANN training. These methods were error back propagation, standard GSA, artificial bee colony, particle swarm optimization, and hybrid of genetic algorithm and simulated annealing. Experimental results showed the superior performance of the proposed BGSA-CGSA method used for feature selection and ANN training.
کلیدواژه‌های انگلیسی مقاله ANN training, feature selection, chaotic GSA, air pollution.
نویسندگان مقاله منصور شیخان |


زهرا جعفری نسب |


نشانی اینترنتی http://scj.kashanu.ac.ir/browse.php?a_code=A-10-235-3&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1052/article-1052-478986.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده تخصصی
نوع مقاله منتشر شده کاربردی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات