Ozone Level Forecasting: Time Series Analysis Using Multi-Layer Perceptron (MLP) Artificial Neural Networks Trained with Bayesian Regulation Back-propagation
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 687
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CHCONF02_030
تاریخ نمایه سازی: 9 مرداد 1395
چکیده مقاله:
Concerns of tropospheric ozone effects on human life motivate decision makers to forecast ozone concentration specially in metropolitan and tropic regions. Due to nonlinearity of ozone variations, using neural networks methods is considered a proper tool for forecasting air quality. This paper proposes a multi-layer perceptron (MLP) model trained with Bayesian Regulation Back-Propagation (BRP) algorithm for forecasting maximum daily ozone concentrations in Tucson city.The performance of proposed model trained with BRP algorithm shows better results than other training algorithms in which R=0.9627 (Pearson correlation coefficient) for measured and predicted data and the coordination between their errors and the standard normal distribution curve are reasons of our claim.Achieved results approve that proposed model has a fair forecasting of ozone concentrations time series.
کلیدواژه ها:
نویسندگان
D Mohammady
Petroleum University of Technology, Abadan, Iran
Y Jeddi
Petroleum University of Technology, Abadan, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :