دانلود ترجمه مقاله پیش بینی کیفیت آب با استفاده ترکیبی از شبکه های عصبی و الگوریتم های ژنتیک (ساینس دایرکت – الزویر 2014) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

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

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

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

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. 

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. 

4- 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. 

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.

4. 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

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

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