|
Title
|
توسعة مدلي مناسب بر مبناي شبكة عصبي مصنوعي و ماشين بردار پشتيبان براي پيش بيني بهنگام اكسيژن خواهي بيوشيميايي 5 روزه
|
|
Type
|
Article
|
|
Keywords
|
Not Record
|
|
Abstract
|
محدوديت سنسورهاي سخت افزاري براي اندازه گيري برخي مشخصه هاي كيفي آب مانند اكسيژن خواهي بيوشيميايي 5 روزه (BOD5) كه از لحاظ زماني هزينه بر هستند، تلاش ها را به سمت استفاده از سنسورهاي نرم افزاي براي پيش بيني بهنگام BOD5 سوق داده است. هدف اصلي مقاله مذكور نيز توسعه سنسور نرم افزاري مناسب بر مبناي مدل هاي هوشمند شبكه عصبي مصنوعي (ANN) و ماشين بردار پشتيبان (SVM) براي تخمين بهنگام BOD5 در رودخانه سفيدرود است. براي اين منظور با قرار دادن BOD5 به عنوان تابعي از ديگر متغيرهاي كيفيت آب، مدل هاي مناسبي براي اين موضوع با استفاده از دو مدل ANN و SVM توسعه داده شد. در توسعه مدل ANN نقش توابع آموزش لونبرگ- ماركويت (LM)، پس انتشار ارتجاعي (RP) و گراديان مزدوج مقياس دار (SCG) در بهينه كردن مشخصه هاي ANN ارزيابي شد. همچنين براي بهينه كردن مشخصه هاي مدل SVM از الگوريتم بهينه سازي جستجوي شبكه دو مرحله اي استفاده شد. نتايج اين تحقيق مبين عملكرد برتر مدل ANN با الگوريتم LM (مدلANN (LM) ) نسبت به دو الگوريتم ديگر بود. همچنين مدل SVM نيز از عملكرد مناسبي در تخمين BOD5 برخوردار بود، به طوري كه مقدار ضريب همبستگي پيرسون براي اين مدل در مرحله تست معادل 0.95 به دست آمد. در نهايت نيز بررسي هاي بيشتر براي ارزيابي يكي از دو مدل منتخب بر مبناي آماره نسبت تفاوت توسعه داده شده انجام پذيرفت كه نتايج به دست آمده از اين آماره حاكي از عملكرد برتر مدل SVM نسبت به (ANN (LM بود.
|
|
Researchers
|
Seyed Hamed Meraji (Third researcher) ,
|