توسعه مدل ترکیبی برپایه شبکه عصبی جهت مدلسازی کیفیت هوای داخلی بازار تبریز به لحاظ ذرات معلق

پیام:
نوع مقاله:
مقاله پژوهشی/اصیل (دارای رتبه معتبر)
چکیده:

با توجه به سپری شدن ساعات متعددی از زندگی هر انسان در فضاهای بسته، بررسی کیفیت هوای داخلی اماکن بسیار ضروری است. آلاینده های مختلفی در فضاهای بسته وجود دارند که از بین آنها، ذرات معلق توجه زیادی را به علت تاثیرات فاجعه بار بر سیستم تنفسی و حتی سیستم گردش خون به خود جلب کرده است. در این تحقیق با جمع آوری داده های مورد نیاز از فضاهای داخلی بازار تبریز کیفیت هوای آن به لحاظ ذرات معلق برپایه مدلهای مختلف شبکه عصبی مورد بررسی قرار گرفت. طول معابر، عرض معابر، تراکم نسبی جمعیت، جنس کف، وجود یا عدم وجود تهویه، تنوع کاربری، فاصله از خیابان های مجاور، بلندی سقف، دما و رطوبت نسبی در 1081 موقعیت مختلف اخذ شد که 86 نقطه از آنها دارای داده مربوط به آلاینده های ذرات معلق بودند و به عنوان داده ورودی برای ساخت شبکه بکار رفتند. پس از مقایسه شبکه های مختلف با پارامترهای گوناگون شبکه بهینه ساخته شد. سپس جهت افزایش کارایی مدل پیشنهادی، شبکه ساخته شده با طبقه بند ترکیبی ادغام گردید. نتایج به دست آمده از مدل پیشنهادی تحقیق به صحت 97.67 درصد برای پیش بینی کلاس آلاینده ها رسیده است.

زبان:
فارسی
صفحات:
499 تا 512
لینک کوتاه:
magiran.com/p2090245 
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یک‌ساله به مبلغ 1,390,000ريال می‌توانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.
دسترسی سراسری کاربران دانشگاه پیام نور!
اعضای هیئت علمی و دانشجویان دانشگاه پیام نور در سراسر کشور، در صورت ثبت نام با ایمیل دانشگاهی، تا پایان فروردین ماه 1403 به مقالات سایت دسترسی خواهند داشت!
In order to view content subscription is required

Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!