ترجمه مقاله استفاده ترکیبی از شبکه های عصبی و الگوریتم ژنتیک برای پیش بینی کیفیت آب – سال 2014
مشخصات مقاله:
عنوان فارسی مقاله:
استفاده ترکیبی از شبکه های عصبی و الگوریتم ژنتیک برای پیش بینی کیفیت آب
عنوان انگلیسی مقاله:
The Use of Combined Neural Networks and Genetic Algorithms for Prediction of River Water Quality
کلمات کلیدی مقاله:
انتشار بازگشتی (انتشارخطای) شبکه های عصبی، الگوریتم ژنتیک، تحلیل مولفه های اصلی، پیش بینی کیفیت آب
مناسب برای رشته های دانشگاهی زیر:
مهندسی کامپیوتر
مناسب برای گرایش های دانشگاهی زیر:
هوش مصنوعی، مهندسی الگوریتم ها و محاسبات
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1- مقدمه
2- مواد و روش ها
2-1 مجموعه داده
2-2 تحلیل مولفه های اصلی مرکب PCA.
2.3 بهینه سازی روش انتشار بازگشتی شبکه های عصبی (BPNN) با استفاده از الگوریتم ژنتیک
4-2 مدل ترکیبی از PCA، BPNN و الگوریتم ژنتیک
5-2 بررسی و آزمایش مدل ترکیبی
3- نتایچ و بحث و بررسی
1-3 تحلیل نمونه های اصلی
2-3 عملکرد مدل ترکیبی
3-3 مقایسه عملکرد شبکه BPNN با استفاده از الگوریتم ژنتیک و بدون آن.
4- نتایج
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
To effectively control and treat river water pollution, it is very critical to establish a water quality prediction system. Combined Principal Component Analysis (PCA), Genetic Algorithm (GA) and Back Propagation Neural Network (BPNN), a hybrid intelligent algorithm is designed to predict river water quality. Firstly, PCA is used to reduce data dimensionality. 23 water quality index factors can be compressed into 15 aggregative indices. PCA improved effectively the training speed of follow-up algorithms. Then, GA optimizes the parameters of BPNN. The average prediction rates of non-polluted and polluted water quality are 88.9% and 93.1% respectively, the global prediction rate is approximately 91%. The water quality prediction system based on the combination of Neural Networks and Genetic Algorithms can accurately predict water quality and provide useful support for realtime early warning systems.
1. Introduction
Rapid economic growth inevitably causes water pollution. To effectively control water pollution, automatic water quality monitoring stations are built in many important districts. Accurate water quality prediction methods are very important to monitor and control water pollution timely. Therefore, a powerful water quality prediction methods are vital when automatic water quality monitoring systems are established.
چکیده
برای کنترل و درمان موثر آلودگی آب رودخانه ها، ضروری است که یک سیستم پیش بینی کیفیت آب تاسیس شود. تحلیل مولفه های اصلی مرکب (PCA )، الگوریتم ژنتیک GA، انتشار بازگشتی( انتشارخطای) شبکه های عصبی BPNN، الگوریتم هوشمند هیبریدی برای پیش بینی کیفیت آب رودخانه طراحی گردیده اند. نخست قابل ذکر است که تحلیل مولفه های اصلی مرکب برای کاهش بعدیت (حجم داده) به کار می رود. 23 فاکتور اندیس کیفیت آب می توانند در قالب 15 شاخص تجمعی فشرده گردند. PCA به طور موثری سرعت یادگیری سیستم برای پیگیری نمودن الگوریتم ها را بهبود می بخشد. همچنین الگوریتم ژنتیک پارامترهای مدل انتشار بازگشتی شبکه های عصبی را بهینه می کند. سرعت پیش بینی متوسط کیفیت آبهای غیر آلوده و آلوده به ترتیب 88.9 % و 93.1 درصدو سرعت پیش بینی کلی تقریبا 91 درصد است. سیستم تخمین کیفیت آب بر مبنای ترکیب شبکه های عصبی و الگوریتم ژنتیک می تواند کیفیت آب را دقیق تر پیش بینی کرده و نقطه اتکای موثری برای سیستم های هشدار دهنده ی بلادرنگ را فراهم کند
1 مقدمه
رشد سریع اقتصادی منجر به آلودگی غیر قابل اجتناب آب شد. برای کنترل موثر آلودگی آب، ایستگاه های سنجش کیفیت آب در بسیاری از مناطق مهم تاسیس شد. روشهای دقیق تخمین کیفیت آب جهت سنجش و کنترل به موقع آلودگی آب بسیار مهم می باشند.
