دانلود ترجمه مقاله پیش بینی کیفیت آب با استفاده ترکیبی از شبکه های عصبی و الگوریتم های ژنتیک (ساینس دایرکت – الزویر ۲۰۱۴) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۷ صفحه در سال ۲۰۱۴ منتشر شده و ترجمه آن ۱۲ صفحه میباشد. کیفیت ترجمه این مقاله ویژه – طلایی ⭐️⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

پیش بینی کیفیت آب با استفاده ترکیبی از شبکه های عصبی و الگوریتم های ژنتیک

عنوان انگلیسی مقاله:

The Use of Combined Neural Networks and Genetic Algorithms for Prediction of River Water Quality

 

 

مشخصات مقاله انگلیسی 
فرمت مقاله انگلیسی pdf
سال انتشار ۲۰۱۴
تعداد صفحات مقاله انگلیسی ۷ صفحه با فرمت pdf
نوع مقاله ISI
نوع ارائه مقاله ژورنال
رشته های مرتبط با این مقاله مهندسی کامپیوتر
گرایش های مرتبط با این مقاله هوش مصنوعی ، مهندسی الگوریتم ها و محاسبات
چاپ شده در مجله (ژورنال) مجله تحقیقات و فناوری کاربردی – Journal of Applied Research and Technology
کلمات کلیدی انتشار بازگشتی( انتشارخطای) شبکه های عصبی، الگوریتم ژنتیک، تحلیل مولفه های اصلی، پیش بینی کیفیت آب
کلمات کلیدی انگلیسی back propagation neural network – genetic algorithm – principal component analysis – water quality prediction
ارائه شده از دانشگاه گروه علوم و فنون کامپیوتر، دانشگاه جیانگنان، چین
نمایه (index) Scopus
نویسندگان Y. R. Ding – Y. J. Cai – P. D. Sun – B. Chen
شناسه شاپا یا ISSN ۱۶۶۵-۶۴۲۳
شناسه دیجیتال – doi https://doi.org/10.1016/S1665-6423(14)71629-3
ایمپکت فاکتور(IF) مجله ۲٫۴۱۹ در سال ۲۰۱۹
شاخص H_index مجله ۲۳ در سال ۲۰۲۰
شاخص SJR مجله ۰٫۵۵۴ در سال ۲۰۱۹
شاخص Q یا Quartile (چارک) Q1 در سال ۲۰۱۹
بیس نیست 
مدل مفهومی ندارد 
پرسشنامه ندارد 
متغیر ندارد 
رفرنس دارای رفرنس در داخل متن و انتهای مقاله
کد محصول ۱۱۴۱۳
لینک مقاله در سایت مرجع لینک این مقاله در سایت Elsevier
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله 
فرمت ترجمه مقاله pdf و ورد تایپ شده با قابلیت ویرایش
وضعیت ترجمه انجام شده و آماده دانلود
کیفیت ترجمه ویژه – طلایی ⭐️⭐️⭐️
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۲ (۱ صفحه رفرنس انگلیسی) صفحه با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است 
ترجمه متون داخل تصاویر ترجمه نشده است 
ترجمه متون داخل جداول ترجمه شده است 
ترجمه ضمیمه ندارد 
ترجمه پاورقی ندارد 
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است
منابع داخل متن به صورت عدد درج شده است 
منابع انتهای متن به صورت انگلیسی درج شده است

 

فهرست مطالب

چکیده

۱- مقدمه

۲- مواد و روش ها

۲-۱ مجموعه داده

۲-۲ تحلیل مولفه های اصلی مرکب PCA.

۲٫۳ بهینه سازی روش انتشار بازگشتی شبکه های عصبی (BPNN) با استفاده از الگوریتم ژنتیک

۴-۲ مدل ترکیبی از PCA، BPNN و الگوریتم ژنتیک

۵-۲ بررسی و آزمایش مدل ترکیبی

۳- نتایچ و بحث و بررسی

۱-۳ تحلیل نمونه های اصلی

۲-۳ عملکرد مدل ترکیبی

۳-۳ مقایسه عملکرد شبکه BPNN با استفاده از الگوریتم ژنتیک و بدون آن.

۴- نتایج

 

بخشی از ترجمه

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. ۲۳ فاکتور اندیس کیفیت آب می توانند در قالب ۱۵ 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 ۸۸٫۹ % و ۹۳٫۱ درصدو سرعت پیش بینی کلی تقریبا ۹۱ 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. 

 

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. 

 

۴- نتایج

در این تحقیق ما مدلی که PCA، BPNN و الگوریتم ژنتیک را با هم ترکیب کرده است را معرفی نمودیم. استفاده از مدل BPNN برای مطالعه طبقه بندی و پیش بینی کیفیت آب، کمک می کند تا بر معایب ناشی از استفاده از روشهای قدیمی که منجر به تراکم کاری زیاد و انحراف عمدی یا تصادفی به وجود آمده است فایق آید. مزایای این روش عبارت است از واقع بینی، جامعیت و عملی بودن. PCA داده های چند شاخصی را به تعداد کمتری شاخص متراکم تبدیل کرده و داده های اطلاعاتی اصلی کمتری را در حین روند بررسی از دست میدهد، به علاوه این مدل حجم داده ورودی را برای آموزش سریعتر سیستم کاهش می دهد. استفاده از الگوریتم ژنتیک برای بهینه کردن پارامترهای شبکه می تواند از روند جستجو و همگرا شدن به جوابهای بهینه محلی جلوگیری کرده و پارامترهای بهینه شبکه کلی و عمومی را بهینه نموده و به طور قابل توجهی دقت پیش بینی کیفیت آب را بهبود بخشد. این مدل به طور همه جانبه ای ما را از مزایا و مشخصات الگوریتم های PCA، PBNN و الگوریتم ژنتیک برای سنجش کیفیت آب بهره مند می سازد. این مدل می تواند سرعت یادگیری بالا، میزان سنجش خوبی داشته و به دیگر مسایل و موارد طبقه بندی تعمیم داده شود. 

 

بخشی از مقاله انگلیسی

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.

 

۱٫ 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.

 

۴٫ Conclusions

We present a water quality prediction model that combines PCA, BPNN and GA. Using BPNN model to study water classification and prediction can overcome disadvantages including the large workload of traditional evaluation methods and strong subjectivity. This model possesses objectivity, universality and practicality. PCA converts the multi-indices into a few aggregative indices with little original data information loss and reduces the input data to speed the training process. Using GA to optimize network parameters can effectively prevent the search process from converging to local optimum solutions, optimize global optimal network parameters, and significantly improve the accuracy of water quality prediction. This model makes full use of the advantages and characteristics of PCA, BPNN and GA algorithms to predict water quality. This model can obtain high training speed and good prediction rate and can be extended to other classification problem.

 

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

پیش بینی کیفیت آب با استفاده ترکیبی از شبکه های عصبی و الگوریتم های ژنتیک

عنوان انگلیسی مقاله:

The Use of Combined Neural Networks and Genetic Algorithms for Prediction of River Water Quality

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.