سید حامد معراجی

محدودیت سنسورهای سخت افزاری برای اندازه گیری برخی مشخصه های کیفی آب مانند اکسیژن خواهی بیوشیمیایی 5 روزه (BOD5) که از لحاظ زمانی هزینه بر هستند، تلاش ها را به سمت استفاده از سنسورهای نرم افزای برای پیش بینی بهنگام BOD5 سوق داده است. هدف اصلی مقاله مذکور نیز توسعه سنسور نرم افزاری مناسب بر مبنای مدل های هوشمند شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) برای تخمین بهنگام BOD5 در رودخانه سفیدرود است. برای این منظور با قرار دادن BOD5 به عنوان تابعی از دیگر متغیرهای کیفیت آب، مدل های مناسبی برای این موضوع با استفاده از دو مدل ANN و SVM توسعه داده شد. در توسعه مدل ANN نقش توابع آموزش لونبرگ- مارکویت (LM)، پس انتشار ارتجاعی (RP) و گرادیان مزدوج مقیاس دار (SCG) در بهینه کردن مشخصه های ANN ارزیابی شد. همچنین برای بهینه کردن مشخصه های مدل SVM از الگوریتم بهینه سازی جستجوی شبکه دو مرحله ای استفاده شد. نتایج این تحقیق مبین عملکرد برتر مدل ANN با الگوریتم LM (مدلANN (LM) ‎) نسبت به دو الگوریتم دیگر بود. همچنین مدل SVM نیز از عملکرد مناسبی در تخمین BOD5 برخوردار بود، به طوری که مقدار ضریب همبستگی پیرسون برای این مدل در مرحله تست معادل 0.95 به دست آمد. در نهایت نیز بررسی های بیشتر برای ارزیابی یکی از دو مدل منتخب بر مبنای آماره نسبت تفاوت توسعه داده شده انجام پذیرفت که نتایج به دست آمده از این آماره حاکی از عملکرد برتر مدل SVM نسبت به (ANN (LM بود.