دانشکده نقشه برداری گروه سیستم اطلاعات مکانی پایان نامه کارشناسی ارشد بررسی و ارزیابی الگوریتم‌های مونت‌کارلو و ...

شکل ۳-۳ نمونه ای از یک شبکه پسخور ۴۷
شکل ۳- ۴ مدل یک نورون مصنوعی ۴۷
شکل ۳- ۵ ساختار شبکه عصبی پرسپترون چند لایه. ۴۹
شکل ۳- ۶ ساختار شبکه المن یک لایه. ۵۳
شکل ۳- ۷ ساختار دو لایه یک شبکه Elaman. 53
شکل ۴-۱ نمودار میزان تغییرات CO در ایستگاه‌های مورد بررسی. ۶۵
شکل ۴-۲ نمودار میزان تغییرات O₃ در ایستگاه‌های مورد بررسی. ۶۶
شکل ۴-۳ نمودار نمای هرست برای سری زمانی O₃. 68
شکل ۴-۴ نمودار نمای هرست برای سری زمانی CO. 69
شکل ۴-۵ اندازه مقادیر ویژۀ مؤلفه‌ها برای انتخاب مؤلفه‌های اصلی. ۷۰
شکل۴-۶ نمودار میله‌ای مقادیر ویژۀ مؤلفه‌ها برای دو مؤلفه اصلی اول. ۷۲
شکل۴-۷ تابع خودهمبستگی سری زمانی رطوبت. ۷۴
شکل۴-۸ تابع خودهمبستگی جزئی سری زمانی رطوبت. ۷۵
شکل۴-۹ الف- تابع خودهمبستگی باقیمانده‌ها برای مدل AR از مرتبۀ ۲۴. ب- تابع خودهمبستگی جزئی باقیمانده‌ها برای مدل AR از مرتبۀ ۲۴. ۷۵
شکل۴-۱۰ الف- تابع خودهمبستگی باقیمانده‌ها برای مدل AR از مرتبۀ ۳۶. ب- تابع خودهمبستگی جزئی باقیمانده‌ها برای مدل AR از مرتبۀ ۳۶. ۷۶
شکل۴-۱۱ پیش‌بینی O₃ و خطای آن در مرحلۀ آموزش شبکه MLP. 82
شکل۴-۱۲ پیش‌بینی O₃ و خطای آن در مرحلۀ تست شبکه MLP. 82
شکل۴-۱۳ همبستگی بین داده‌های واقعی(o₃) و داده‌های پیش‌بینی شده در شبکهMLP. 83
شکل۴-۱۴ رابطۀ بین خطا و مقادیر واقعی (o₃) در شبکهMLP. 83
شکل۴-۱۵ پیش‌بینی CO و خطای آن در مرحلۀ آموزش شبکه MLP. 85
شکل۴-۱۶ پیش‌بینی CO و خطای آن در مرحلۀ تست شبکه MLP. 86
شکل۴-۱۷ همبستگی بین داده‌های واقعی (CO) و داده‌های پیش‌بینی شده در شبکهMLP. 86
شکل۴-۱۸ رابطۀ بین خطا و مقادیر واقعی (CO) در شبکهMLP. 87
شکل۴-۱۹ پیش‌بینی O₃ و خطای آن در مرحلۀ آموزش شبکه المن. ۸۸
شکل۴-۲۰ پیش‌بینی O₃ و خطای آن در مرحلۀ تست شبکه المن. ۸۹
شکل۴-۲۱ همبستگی بین داده‌های واقعی (O₃) و داده‌های پیش‌بینی شده در شبکه المن. ۸۹
شکل۴-۲۲ رابطۀ بین خطا و مقادیر واقعی (O₃) در شبکه المن. ۹۰
شکل۴-۲۳ پیش‌بینی CO و خطای آن در مرحلۀ آموزش شبکه المن ۹۱
شکل۴-۲۴ پیش‌بینی CO و خطای آن در مرحلۀ تست شبکه المن ۹۲
شکل۴-۲۵ همبستگی بین داده‌های واقعی(CO) و داده‌های پیش‌بینی شده در شبکه المن. ۹۲
شکل۴-۲۶ رابطۀ بین خطا و مقادیر واقعی(CO) در شبکه المن. ۹۳
شکل۴-۲۷ الف- هیستوگرم متغیر O₃. ب- هیستوگرام متغیر Ln O_3. 94
شکل۴-۲۸ الف- هیستوگرم متغیر CO. ب- هیستوگرام متغیر Ln CO_. 95
شکل۴-۲۹ پیش بینی CO و خطای آن با کمک مدل بیز. ۹۸
شکل۴-۳۰ همبستگی بین مقادیر واقعی (CO) و مقادیر پیش‌بینی شده در مدل بیز. ۹۹
شکل۴-۳۱ پیش‌بینی O₃ و خطای آن با کمک مدل بیز. ۹۹
شکل۴-۳۲
همبستگی بین مقادیر واقعی (O₃) و مقادیر پیش‌بینی شده در مدل بیز. ۱۰۰
شکل۵-۱ همبستگی بین مقادیر واقعی (O₃) و مقادیر پیش‌بینی شده در شبکه MLP بدون برهم زدن ترتیب داده‌ها. ۱۰۳
شکل۵-۲ همبستگی
بین مقادیر واقعی (CO) و مقادیر پیش‌بینی شده در شبکه MLP بدون برهم زدن ترتیب داده‌ها. ۱۰۳
شکل۵-۳ سری زمانی CO 105
شکل۵-۴ سری زمانی SO₂ 105
شکل۵-۵ سری زمانی PM₁₀ 106
شکل۵-۶ سری زمانی فشار ۱۰۶
شکل۵-۷سری زمانی NO₂ 106
نمودار نمای هرست برای سری زمانی PM₁₀ . 109
نمودار نمای هرست برای سری زمانی NO₂. 109
نمودار نمای هرست برای سری زمانیSO₂ . 110
نمودار نمای هرست برای سری زمانی دما. ۱۱۰
نمودار نمای هرست برای سری زمانی فشار. ۱۱۰
نمودار نمای هرست برای سری زمانی رطوبت. ۱۱۱
نمودار نمای هرست برای سری زمانی سرعت باد. ۱۱۱
نمودار نمای هرست برای سری زمانی جهت باد. ۱۱۱
الف- تابع خودهمبستگی باقیمانده‌ها برای مدل AR از مرتبۀ ۴۸. ب- تابع خودهمبستگی جزئی باقیمانده‌ها برای مدل AR از مرتبۀ ۴۸ . ۱۱۲
تابع خودهمبستگی سری زمانی دما. ۱۱۲
تابع خودهمبستگی جزئی سری زمانی دما. ۱۱۲
تابع خودهمبستگی سری زمانی O₃. 113
تابع خودهمبستگی جزئی سری زمانی O₃. 113
الف- تابع خودهمبستگی باقیمانده‌ها برای مدل AR از مرتبۀ ۲۴. ب- تابع خودهمبستگی جزئی باقیمانده‌ها برای مدل AR از مرتبۀ ۲۴. ۱۱۳
تابع خودهمبستگی سری زمانی NO₂. 114
تابع خودهمبستگی جزئی سری زمانی NO₂. 114
الف- تابع خودهمبستگی باقیمانده‌ها برای مدل AR از مرتبۀ ۲۵. ب- تابع خودهمبستگی جزئی باقیمانده‌ها برای مدل AR از مرتبۀ ۲۵. ۱۱۴
تابع خودهمبستگی جزئی سری زمانی CO. 115
الف- تابع خودهمبستگی باقیمانده‌ها برای مدل AR از مرتبۀ ۲۴. ب- تابع خودهمبستگی جزئی باقیمانده‌ها برای مدل AR از مرتبۀ ۲۴. ۱۱۵
تابع خودهمبستگی سری زمانی CO. 115
الف- تابع خودهمبستگی باقیمانده‌ها برای مدل AR از مرتبۀ ۱۶. ب- تابع خودهمبستگی جزئی باقیمانده‌ها برای مدل AR از مرتبۀ ۱۶. ۱۱۶
تابع خودهمبستگی جزئی سری زمانی SO2. 116
تابع خودهمبستگی سری زمانی SO2. 116
تابع خودهمبستگی جزئی سری زمانی PM₁₀. 117

تابع خودهمبستگی سری زمانی PM₁₀. 117
الف- تابع خودهمبستگی باقیمانده‌ها برای مدل AR از مرتبۀ ۲۴. ب- تابع خودهمبستگی جزئی باقیمانده‌ها برای مدل AR از مرتبۀ ۲۴. ۱۱۷
تابع خودهمبستگی سری زمانی فشار. ۱۱۸
تابع خودهمبستگی جزئی سری زمانی فشار. ۱۱۸
الف- تابع خودهمبستگی باقیمانده‌ها برای مدل AR از مرتبۀ ۴۸. ب- تابع خودهمبستگی جزئی باقیمانده‌ها برای مدل AR از مرتبۀ ۴۸. ۱۱۸
فهرست جداول
جدول ۲-۱ رابطه بین غلظت آلاینده‌ها و شاخص PSI . 20
جدول ۳-۱ مقادیر میانگین، بیشینه، کمینه، میانه و انحراف معیار برای داده‌های مورد استفاده ژانویه ۲۰۰۷_. ۳۳
جدول ۴-۲ ضرایب همبستگی بین ایستگاه‌ها برای آلایندۀ CO. 66
جدول ۴-۱ ضرایب همبستگی بین ایستگاه‌ها برای آلایندۀ O₃. 66
جدول ۴-۳ مشخصات مؤلفه‌های ایجادی از متغیرهای اولیه. ۷۰
جدول ۴-۴ مشخصات مؤلفه‌ها پس از ایجادچرخش. ۷۱
جدول ۴-۵ مقادیر بردارهای ویژه در روش آنالیز فاکتور اصلی ۷۲
جدول ۴-۶ تأخیرهای زمانی موثر برای پیش‌بینی یک گام زمانی جلوتر. ۷۶
جدول ۴-۷ تعداد مؤلفه‌های بدست آمده برای هر پارامتر. ۷۹
جدول ۴-۸ تغییرات خطا برای مقادیر مختلف O₃ 84
جدول ۴-۹ تغییرات خطا برای مقادیر مختلف CO 87
جدول ۴-۱۰ تغییرات خطا برای مقادیر مختلف (O₃) 90
جدول ۴-۱۱ تغییرات خطا برای مقادیر مختلف CO 93

مطلب دیگر :

پارت جو: جستجوی سریع قطعات الکترونیک

جدول ۵-۱ مقایسۀ دقت های بدست آمده برای پیش‌بینی دو آلایندۀ CO و O_3. 102
مؤلفه‌های بدست آمده برای تأخیرهای زمانی رطوبت. ۱۱۹
مؤلفه‌های بدست آمده برای تأخیرهای زمانی دما ۱۱۹
مؤلفه‌های بدست آمده برای تأخیرهای زمانی O₃ 120
مؤلفه‌های بدست آمده برای تأخیرهای زمانی NO₂ 120
مؤلفه‌های بدست آمده برای تأخیرهای زمانی فشار ۱۲۰
مؤلفه‌های بدست آمده برای تأخیرهای زمانی SO₂ 121
مؤلفه‌های بدست آمده برای تأخیرهای زمانیPM₁₀ 121
مؤلفه‌های بدست آمده برای تأخیرهای زمانیCO 121

فصل ۱             : مقدمه

۱-۱-        مقدمه

آلودگی هوا پدیده جدیدی نیست که امروزه به صورت یک معضل در آمده باشد و ذهن انسانها را برای پیش‌بینی کردن آن به دغدغه انداخته باشد. متأسفانه فعالیت‌های روز افزون انسانها مخصوصاً پس از انقلاب صنعتی باعث ایجاد آلودگی هوا در مقیاس‌های بزرگ شده است.
واضح است که شناخت رفتارهای زیستی در تولید آلاینده‌های هوا کمکی در مدیریت و کنترل کیفیت هوا و در نتیجه آن بالا بردن سطح سلامت اجتماعی و کاهش اثرات سوء آلودگی هوا می‌تواند داشته باشد؛ چرا که با داشتن این شناخت می‌توان برنامه‌ریزی لازم جهت کاهش منابع تولید آلودگی هوا و در ادامه آن داشتن محیطی سالم را در فکر پروراند.
مؤسسه حفاظت از محیط زیست آمریکا EPA، شش آلاینده اصلی را به عنوان معیار برای بررسی میزان آلودگی هوا انتخاب نموده و آن ها را به دو دسته اولیه و ثانویه تقسیم کرده است. آلاینده‌های اولیه موادی هستند که از منابع مستقیماً به هوای محیط وارد می‌شوند و شامل پنج آلاینده منواکسیدکربنCO، دی‌اکسیدنیتروژن NO₂، دی‌اکسیدگوگرد SO₂، ذرات معلق با قطر کمتر از ۱۰ میکرون PM₁₀ و هیدروکربن‌های فرار VOC_s می‌باشند. آلاینده‌های ثانویه به موادی اطلاق می‌شود که در اثر فعل و انفعالات موجود در هوای اطراف زمین بوجود می‌آید و در این گروه می‌توان از ازن O₃ نام برد.
در این تحقیق از میان آلاینده‌های نام برده پیش‌بینی دو آلایندۀ CO و O₃ مبنای کار قرار گرفته است. ضرورت پیش‌بینی ازن را به دلیل اثرات منفی آن بر سلامتی انسان، حیوانات و گیاهان می‌دانیم و اینکه با مدلسازی ازن می‌توان اقدام به هشدار سریع در مکان‌هایی که غلظت آن بالا می‌رود، کرد. همچنین از آنجائیکه منبع اصلی تولید گاز مونو کسید کربن اتومبیل‌ها هستند بنابراین به دلیل حجم ترافیکی سنگین ناشی از ترابری در شهر تهران، استفاده از خودروهای غیراستاندارد و مشکل احتراق ناقص سوخت‌های مورد استفاده در خودروها، پیش‌بینی CO را مورد توجه قرار داده‌ایم. با توجه به اثرات مهلکی که مونوکسید کربن می‌تواند بر سلامتی انسان داشته باشد، اتخاذ تصمیمات لازم برای برنامه ریزی صحیح در مقابله با این معضل ضروری به نظر می‌رسد.
همان طور که نیاز است بایستی برای داشتن تصمیمی مناسب در آینده، اطلاعات مناسبی از رفتار سیستم خود بدست آوریم تا بتوانیم با مدلسازی رفتار سیستم، چگونگی عملکرد آن را در دیگر زمان‌ها بررسی کنیم. در چنین مسیری پس از مدلسازی مناسب از سیستم می‌توانیم، پیش‌بینی مناسبی از رفتار آن در آینده و در نتیجه تصمیمات بهینه‌تری برای جلوگیری از حوادث نا‌خواسته ایجاد نمائیم. در مسیر مدلسازی سیستم‌ها، شناخت پارامتر‌های اثر‌گذار در سیستم، ارتباط این پارامترها و نوع اثر گذاری هر یک در سیستم از جمله اصلی‌ترین بحث در تحلیل و شناسایی سیستم می‌باشد.
با این رویکرد ما در این تحقیق به دنبال تحلیلی مناسب از محیط هستیم تا بتوانیم رفتار آن را پیش‌بینی کرده و ترسیم دقیق‌تری از آینده را برای خود داشته باشیم. برای مدلسازی رفتار آلاینده‌های هوا غالبا روش‌های شبکه‌های عصبی، منطق فازی، رگرسیون‌ها و روش‌های آماری مورد استفاده قرار می‌گیرند. در این تحقیق ما بدنبال این هستیم که با بهره گرفتن از روش شبکه‌های عصبی و رگرسیون‌های خطی به مدلسازی و پیش‌بینی دو آلایندۀ CO و O₃ بپردازیم.
شبکه ­های عصبی از توانایی بالایی در استخراج الگوها از میان داده­ ها و همچنین حل مسائل پیچیده با ماهیت طبیعی برخوردار هستند. دقت اجرای این شبکه­ها در حالت وابستگی پارامترهای ورودی و حتی وجود نویز در داده­ ها مناسب بوده و با امکان آموزش­پذیری مجدد در هنگام ورود داده‌های جدید، از انعطاف­پذیری بالایی برخوردار هستند. در این تحقیق از میان معماری‌های مختلف شبکه‌های عصبی، از دو شبکۀ عصبی پرسپترون چند لایه[۱] و شبکه عصبی المن[۲] به منظور پیش‌بینی دو آلایندۀ CO و O₃ استفاده شده است. شبکۀ عصبی پرسپترون چند لایه علی رغم کلاسیک بودن آن در مدلسازی‌ سیستم‌های هوشمند، بدلیل انعطاف پذیری زیاد آن در مدلسازی فرایندها و نیز کاربرد فراوان آن در بحث پیش‌بینی آلاینده‌های هوا انتخاب شده است. همچنین در این تحقیق از شبکه عصبی المن بدلیل ماهیت ساختاری و کاربردی این شبکه در مدلسازی سری‌های زمانی بهره گرفته‌ایم.