عنوان پایان‌نامه
بررسی روند و پیش بینی تمرکز آلایندهای مهم هوای تهران با استفاده از شبکه عصبی مصنوعی
- رشته تحصیلی
- مهندسی صنایع- صنایع
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس البرز شماره ثبت: 611
- تاریخ دفاع
- ۱۹ مرداد ۱۳۹۳
- دانشجو
- بهرام کریمیان
- چکیده
- در دهه گذشته متخصصان اقتصاد سنجی اهمیت زیادی را برای تئوری تحلیل طیفی قائل شده اند. در واقع تجزیه یک سری زمانی به اجزای آن درکی عمیق تر از ساختار و رفتار نوسانی متغیر در زمان به دست می دهد. روش تحلیل طیفی در مطالعات اقتصاد سنجی همچون جدا سازی جزء روند و جزء چرخه یی از یکدیگر به کار گرفته شده است. (وانگ و روبرتس، 1970) .هدف روش تحلیل طیفی تجزیه یک سری زمانی به توابعی بر حسب سینوس و کسینوس با طول موج مشخص است. شبکه‌های عصبی مصنوعی (ANNs) ابزارهای ریاضی هستند که با تقلید از سیستم عصبی بیولوژیک ساخته شده‌اند (فولاپ و همکاران ، 754:1988)، قدرت انعطاف و تصحیح‌پذیری بالایی در انطباق خود با داده‌های موجود را دارند (رنجیتان و همکاران، 1995)؛ به گونه‌ای که قادرند به سازماندهی مجهز شده، نظم و هماهنگی موجود در داخل این داده‌ها را پیدا کنند (منهاج، 21:1384) و بر اساس بردارهای ورودی، رخداد و بزرگی یک پدیده را پیش‌بینی نمایند (کنراد و روهل، 3:1999). این پژوهش بر اساس دو روش بالا به بررسی ، پیش یابی روند و پیش بینی داده های آلاینده مونواکسید کربن در هوای تهران با آماره های ایستگاه ژئوفیزیک در دوره آماری 2007-2011 پرداخته است. با استفاده از روش تحلیل طیفی به این نتیجه رسیدیم که حداکثر رخداد آلودگی مونو اکسید کربن مربوط به ژوئن 2007 و کمترین آن در ژوئن 2011 رخ داده است. ولی بیشتر رخداد های بالا در ماههای سپتامبر،اکتبر و نوامبر رخ می دهد. یعنی در واقع تحلیل ساده سری زمانی تصویر خوبی از داده ها و روند آنها نشان دهد. این موضوع نشان از اهمیت تحلیل های پیچیده تر سری های زمانی پدیده های طبیعی است. زاویه فازی بیانگر رخداد برگشت پذیری یک پدیده در مکان است. بررسی زاویه فاز هارمونیک اول نشان می‌دهد که امکان برگشت پذیری حداقل رخداد در مقیاس سالانه کمتر می‌باشد. بعبارتی دیگر این پدیده در سال های آتی با روند افزایشی و تغییرات زمانی بیشتری رو به رو می شود. این شرایط در زاویه فازی هارمونیک دوم که بیانگر شرایط فصلی است بهتر نشان داده شده است. با توجه به اینکه امکان برگشت پذیری حداقل و حداکثر رخداد این آلاینده در دوره های سرد و گرم بیشتر از مقیاس سالانه می باشد، بنابراین می توان گفت که برای سال های اتی این آلاینده روند افزایشی و تغییرات بیشتری به خود می گیرد. در انجام این تحقیق از شبکه عصبی چند لایه با یادگیری پس انتشار با تابع انتقال tan-sigmoid در لایه پنهان و تابع انتقال خطی در لایه خروجی استفاده می شود. شبکه با الگوریتم Marquardt - Levenberg (trainlm)آموزش داده شد. 50 درصد داده ها برای آموزش(6ماه)، 25 درصد داده ها(3ماه) برای اعتبار سنجی و 25 درصد داده ها(3 ماه) برای آزمون استفاده شد. تعداد نرون های لایه میانی 9 در نظر گرفته شد. داده های آلاینده مونواکسید کربن با رگرسیون بالا و خطای بسیار پایین پیش بینی شدند.
- Abstract
- In the last decade, the econometrics specialists highly paid attention to the theory of spectral analysis. In fact, the time series analysis understands deeply the structure and variable fluctuation behavior. The spectral analysis method has been applied in the econometrics studies like trend piece separation and cycle piece of each other (Wang and Rouberts,1970). The method aim is to analyze the time series of spectral with some functions based on Sin or Cos with the specific wavelength. Artificial neural networks (ANNs)are the mathematical tools which are created with the simulation of biologic neural system( Foulap and et al 754:1988), they have flexibility power and high correction in the adaption with the existing data(Ranjitan and et al 1995); such that they can find the equipped organisation, discipline and coordination inside this data (Menhaj 1384:21),And based on the entrance vectors, they can predict the occurrence and extent of a phenomenon ( Kenard and Rouhel 31:1999). The study deals to finding the trend and prediction of Monoxide carbon contaminant data in Tehran weather with geophysics station statistics in 2007_2011. With the use of the spectral analysis we conclude that the maximum of monoxide carbon pollution occurrence is related to June 2007 and the least is related to June 2011. But most of above occurrences are taken place in September, October and November. In fact, a simple analysis of time series offers a good picture of trends and data. This point shows that the importance of more complex analysis of time series is related to the natural phenomenon. The phase angle shows the phenomenon return to place. The angle investigation of first harmonic phase shows that the returning possibility of minimum occurrence is less in the annual scale. In other words, the phenomenon in the next years will face with increasing trend and more time changes. It is shown better in the phase angle of second harmonic which represent the seasonal conditions. With respect to the minimum and maximum returning possibility of these contaminant are more than annual scale in the cold and warm periods. Thus, we can say that for the future years of this increasing trend has more changes. In the study, we use multi_layer neural network with learning of post_release of transferring function tan_sigmoid in the hidden layer and linear transferring function in the exterior layer. The network is trained with Marquardt_levenberg algorithm (Trainlm). 50% of data were used for (6months) learning, data(3months),validation and 25% of data for testing. The number of neurons in the middle layer was 9. The data of monoxide carbon contaminant predicted with high regression and very low error.
