شبکه های عصبی matlab مورد استفاده بررسی آلودگی هوا

در ادامه آموزش های سایت همیارپروژه برنامه نویسی متلب ارائه خواهد شد .آموزشها از مقدماتی تا پیشرفته ادامه دارد و ما به شما کدنویسی در نرم افزار متلب را رایگان یاد خواهیم داد. با ما همراه باشید.

شبکه های عصبی matlab مورد استفاده بررسی آلودگی هوا

محیط‌زیست یکی از ارکان بسیار مهم حیات و توسعه محسوب می‌شود. زیرا، نقش‌های متعددی را برای ایجاد تعادل در مولفه‌های مختلف بازی می‌کند. اما، هم اکنون این مولفه به دلیل فقدان قوانین و مقررات ویژه و عدم تعریف مالکیت خاص برای آن، به طور آزاد و نامحدود مورد بهره‌برداری قرار می‌گیرد که نتیجه آن، تخریب محیط‌زیست و ایجاد آلودگی‌های مختلف در این حوزه است . آلودگی هوای شهرها یکی از مهم‌ترین معضلات محیط‌زیستی بوده که همواره تهدیدی دایم و جدی برای سلامت و بهداشت جامعه و همچنین محیط‌زیست می‌باشد. بررسی‌های گسترده نشان می‌دهد، آثار بالقوه آلودگی هوا بر سلامت انسان شامل افزایش مرگ و میر، افزایش مراجعه به بیمارستان، افزایش تغییرات در عملکرد فیزیولوژیکی بدن به‌ویژه عملکرد تنفسی و قلبی- عروقی است. بر اساس تعریف، آلودگی هوا به وجود یک یا چند آلاینده در هوای آزاد به آن اندازه تداومی که برای انسان مضر بوده و یا موجب زیان رساندن به حیوانات، گیاهان و اموال شود، گفته می‌شود .از مهم‌ترین آلاینده‌های هوا می‌توان به اکسیدهای نیتروژن به‌خصوص دی‌اکسیدنیتروژن، اکسیدهای سولفور به‌ویژه دی‌اکسیدسولفور، هیدروکربن‌ها، منواکسیدکربن، دی‌اکسیدکربن و ذرات معلق اشاره کرد. در ایران، میزان انتشار آلاینده‌های هوا در بسیاری از شهرها از جمله تهران، اهواز، سنندج، مشهد، اصفهان به سطح خطرناکی رسیده است. بر اساس گزارش برنامه محیط‌زیست سازمان ملل متحد، ذرات معلق مهم‌ترین آلاینده هوا در شهرهای بزرگ جهان محسوب می‌شوند. براساس بررسی‌های سازمان بهداشت جهانی، به ازای افزایش هر ۱۰میکروگرم ذرات معلق، میزان مرگ و میر ۱ تا ۳ درصد افزایش می‌یابد

از جمله مطالعات انجام گرفته در زمینه پیش‌پینی آلودگی هوا، می‌توان به مطالعات زیر اشاره کرد:

در مطالعه‌ای به پیش‌بینی آلودگی هوای بیلبائو با استفاده از شبکه‌های عصبی پرداختند. آن‌ها در این مطالعه، از ۳ شبکه MLP, RBF و GRNN برای پیش‌بینی استفاده کرده‌اند. ، در مطالعه‌ای با استفاده از تکنیک شبکه‌های عصبی و طراحی۲ شبکه، پرسپترون چندلایه و المان به پیش‌بینی حداکثر غلظت روزانهO₃, NO₂ SO₂, Co, PM10 در مناطق شهری ایتالیا اشاره کردند. ، به طراحی یک مدل شبکه عصبی برای پیش‌بینی غلظت PM10 هوای شهر نتیاگو در شیلی پرداختند و با استفاده از این مدل آلودگی PM10 هوای این شهر را برای سال ۲۰۰۳، پیش‌بینی کردند. ، به پیش‌بینی میزان غلظت آلاینده‌های هوای تهران با استفاده از شبکه عصبی مصنوعی پرداختند. نتایج مطالعه آن‌ها نشان داد: دقت پیش‌بینی با استفاده از شبکه عصبی متلب بالاتر از رگرسیون خطی می‌باشد، در مطالعه‌ای به پیش‌بینی کوتاه‌مدت هوا با کمک شبکه‌های عصبی پرسپترون چندلایه، خط حافظه‌دار تاخیر، گاما و ANFIS با روش‌های ترکیبی آموزش مبتنی بر PSO پرداختند و در نهایت این روش‌های هوشمند را با هم مقایسه کرده و نشان دادند، روش پیشنهادی ترکیبی بر اساس PSO و فیلتر کالمن برای آموزش شبکه ANFIS، توانایی مناسبی در بهبود عملکرد پیش‌بینی داراست.

بنابراین، امروزه نیاز به مطالعه ویژگی‌های ذرات معلق، نحوه انتشار آنان به همراه تعیین منشای تولید این ذرات، همچنین پیش‌بینی روند آلودگی هوای ناشی از این ذرات به منظور مدیریت این پدیده و سیاست‌گذاری های مناسب در جهت تعدیل میزان آلودگی، یکی از اولویت‌های اساسی برنامه های کنترل آلودگی هوا در شهرها می‌باشد.بدین‌منظور در این مطالعه، ابتدا به بررسی منابع آلودگی هوا و آلودگی ذرات معلق در شهر اهواز پرداخته شده است. سپس، شبکه عصبی جهت پیش‌بینی آلودگی حاصل از انتشار PM10 طراحی و در نهایت، آلودگی ناشی از ذرات معلق ۱۰ میکرونی در این شهر برای مدت ۱ ماه پیش‌بینی شده است. منابع عمده آلودگی هوا عبارت از منابع‌طبیعی و منابع مصنوعی می‌باشند. ولی، این تقسیم‌بندی ممکن است بر اساس منبع، منشا، ترکیبات و آثار فیزیولوژیکی متفاوت باشد.

منابع آلوده کننده هوا بر اساس منبع تولید به دو گروه زیر تقسیم می‌شوند:

• منابع‌طبیعی: شامل طوفـان و گردوغبار، فعالیت آتشفشـانی،دود و خاکستر آتش سوزی‌های جنگلی، شهاب‌های آسمانی، منابع گیاهی و حیوانی و چشمه‌های آبگرم معدنی

• منابع مصنوعی: شامل وسایل نقلیه، صنایع و نیروگاه‌ها، سیستم‌های گرم‌کننده منابع خانگی و تجاری، زباله‌سوزها و مواد رادیواکتیو اما در یک تقسیم‌بندی عمده دیگر، آلوده‌کننده‌های هوا بر اساس حالت ماده به دو گروه زیر تقسیم می شوند:

• ذرات: شامل ذرات جامد و مایع مانند غبار، دود، خاکستر فرار، اسپری و غیره
• گازها: مانند اکسیدهای گوگرد، اکسیدهای ازت، هیدروکربن‌ها و اکسیدان‌ها

 

ذرات ‌معلق یکی از شش آلاینده بسیار خطرناک بوده که صدمه‌های جبران‌ناپذیری را به بدن انسان وارد می‌کنند. همان‌طور که در قسمت قبل ذکر شد، نباید تصور کرد که تمامی ذرات آلوده‌کننده هوا در حالت گازی هستند، بلکه به‌صورت ذرات معلق (جامد یا مایع) نیز می‌توانند در فاز گازی پراکنده باشند. ذرات معلق، مخلوطی از ذرات بی‌نهایت کوچک و قطرات ریز پودر شده مایعات به‌صورت معلق در هوا می‌باشند. این آلاینده از موادی مانند: اسیدها، فلزات و گرد و غبار تشکیل می‌شود. ذرات آلاینده با سوزاندن چوب در محیط منتشر می‌شوند. از دیگر منابع انتشار ذرات آلاینده، می‌توان به گرد وغبار برخاسته با وزش باد یا توسط لاستیک اتومبیل‌ها اشاره کرد. صنایع مختلف نیز مانند کارخانجات سیمان از دیگر منابع تولید ذرات معلق بوده و فعالیت‌های بخش ساختمان و معدن نیز از منابع تولید این ذرات هستند. بر خلاف ازن که فقط تابستان‌ها هوا را آلوده می‌کند، ذرات معلق آلاینده در تمام فصل‌ها آلودگی ایجاد می‌کنند. منابع‌طبیعی انتشار ذرات معلق در طبیعت نیز شامل: فعالیت آتشفشان‌ها ، آتش‌سوزی جنگل‌ها و باد و طوفان و گردباد می‌باشند. از جمله ذرات معلق مهم که سبب آلودگی شدید هوا می‌شود، می‌توان به PM10 اشاره کرد.

PM10 به ذرات معلق ۱۰ میکرونی و یا کوچک‌تر در مقیاس دیامتر گفته می‌شود که از ترکیب اکسید نیتروژن و دی‌اکسید گوگرد در جو زمین تشکیل می‌شوند.

ذرات معلق آلوده‌کننده هوا به دلایل زیر مورد توجه خاصی قرار می‌گیرند:

• بسیاری از ذرات معلق در مقایسه با آلوده‌کننده‌های گازی دیگر سبب بروز اختلال در مجاری تنفسی می‌شوند.

• بعضی ذرات معلق موجود در اتمسفر بر اثر آثاری که روی همدیگر می‌گذارند، سبب افزایش اثرات سمی بعضی ا‌ز آلوده‌کننده‌ها می‌شوند.
• ذرات‌ معلق موجب افزایش آلوده‌کننده‌های اتمسفری می‌شوند، به‌طوری که می‌توانند در کاهش بینایی نقش به‌سزایی داشته باشند.

همچنین، با توجه به آثار بسیار زیان‌بار و خطرناک ذرات معلق، از جمله روش‌های پیشگیری و کنترل طوفان‌های گردوغباری می‌توان به اقدام‌های بیولوژیکی اشاره کرد. یک نمونه از آن‌ها، ایجاد پوشش گیاهی در مناطق بیابانی است. اقدام‌های دیگر شامل: توسعه موانع اکولوژیک مانند: کمربندهای جنگلی می‌باشد که مانع پیشرفت بیابان می‌شود.

شبکه‌های خطی در matlab

شبکه‌های خطی کاملا شبیه شبکه‌های پرسپترون می‌باشند، با این تفاوت که علاوه بر۰ و ۱ می‌توانند هر مقدار دیگری را به عنوان خروجی تولید نمایند. زیرا، در این شبکه‌ها از یک تابع خطی به جای تابع انتقال hardlim استفاده شده است. در این گونه شبکه‌ها، تفاوت خروجی و هدف به عنوان خطا در نظر گرفته می‌شود. طی روال آموزش شبکه‌های عصبی، ما به دنبال مقادیری برای وزن‌ها و خطاها هستیم که در نتیجه آن‌ها مجموع مربعات خطاها^(۲) دارای کمترین مقدار بوده و یا از حد معینی کمتر باشد. در این راستا، ما می‌توانیم این‌گونه شبکه‌ها را برای رسیدن به حداقل خطا با استفاده از الگوریتم حداقل میانگین مربعات^(۳) آموزش دهیم. یک شبکه خطی با R ورودی در شکل (۱) نشان داده شده است:

این شبکه شامل یک لایه با S نرون می‌باشد و ماتریس وزن‌های آن W است. این شبکه کاملا شبیه به پرسپترون می‌باشد با این تفاوت که به جای استفاده از تابع انتقال hardlim، از تابع انتقال purelin استفاده شده است. شبکه‌های خطی دارای یک مرز تصمیم می‌باشند که به ازای wp+b=0 به دست می‌آید. مرز تصمیم‌گیری در این شبکه‌ها در شکل (۲) نشان داده شده است:

قسمت هاشور خورده مربوط به خروجی بزرگ‌تر از صفر و قسمت بدون هاشور مربوط به خروجی کوچک‌تر از صفر می‌شود. بدین‌ترتیب، داده‌ها به دو دسته تقسیم می‌شوند.

شبکه‌های خطی همراه با تاخیر TDL

برای ایجاد تاخیر در شبکه نیاز به یک جزء جدید به نام TDL در شبکه است که در شکل زیر نشان داده شده است. TDL، دارای یک ورودی می‌باشد که از مجموعه N-1 تاخیر عبور داده می‌شود. در نتیجه ما یک بردار N عضوی دارای بعد زمانی به عنوان خروجی خواهیم داشت که این بردار شامل ورودی فعلی و ورودی‌های مرحله قبل می‌باشد.

حال با ترکیب TDL با یک شبکه خطی یک فیلتر خطی mstlab می‌سازیم شکل (۳):

خروجی این شبکه به صورت زیر خواهد بود:

با توجه به ویژگی‌های این نوع شبکه عصبی متلب، در این مطالعه به منظور پیش‌بینی میزان آلودگی ذرات معلق در هوای شهر اهواز، یک شبکه خطی با تاخیر زمانی که با الگوریتم یادگیری LMS آموزش داده شده است، مورد استفاده قرار گرفته است.

در اینجا آشنایی با محیط متلب بخش صد و بیست وهشتم به پایان رسیده است و در آموزش های بعدی به مباحث دیگر آموزش متلب می پردازیم. همچنین از شما مخاطبین عزیز سایت همیارپروژه دعوت می کنم که برای انجام پروژه متلب خود آموزش های ما را دنبال نمایید.

نویسنده: زهرا رستمی

جهت سفارش پروژه به لینک زیر مراجعه نمایید :

سفارش پروژه

همچنین می توانید برای ارتباط سریعتر با شماره و آیدی تلگرام زیر تماس حاصل کنید :
۰۹۱۲۹۵۴۰۱۲۲ – آیدی تلگرام : @fnalk

از طریق کلیک برروی آیکن های زیر میتوانید پروژه خود را در تلگرام و یا واتساپ برای ما ارسال کنید:

ثبت سفارش در واتس آپ ثبت سفارش در تلگرام