ارزیابی قدرت شبکه عصبی مصنوعی در پیش بینی میزان تولید پسماند روستایی استان فارس

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,244

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCWM06_256

تاریخ نمایه سازی: 22 خرداد 1391

چکیده مقاله:

نبود سیستم مدیریت پسماند کارامد رشد سریع جمعیت و به تبع آن افزایش روزافزون پسماندها سبب شده است که پسماندهای جامد امروزه به یکی از مهمترین معضلات زیست محیطی تبدیل شود هم اکنون در استان فارس روزانه به طور میانگین 739/48 تن پسماند روستایی تولید می شود که بخش عمده آن بصورت غیراصولی دفن یا درزمینهای اطراف روستاها دفع می شوند یکی از پارامترهای تاثیر گذار دربرنامه ریزی طراحی و اجرای سیستم های مدیریت پسماند آگاهی از کمیت پسماند تولیدی می باشد شناخت کمیت پسماندها تاثیر اساسی درحجم سرمایه گذاری انتخاب نوع مخازن ذخیره سازی و ماشین آلات تعدادپرسنل مورد نیاز ظرفیت محلهای دفن و ... خواهد داشت درشرایط کنونی امکان اندازه گیری مستمر میزان پسماندتولیدی دربیشتر روستاها به دلیل نبود امکانات و هزینه های ناشی از آن میسر نمی باشد. بنابرانی بهتر است کمیت پسماندها دریک مقطع زمانی اندازه گیری شود و برای زمانهایآینده با استفاده از داده های بدست آمده پیش بینی گردند یکی از روشهای مورد استفاده جهت پیش بینی استفاده از شبکه عصبی مصنوعی می باشد.

کلیدواژه ها:

شبکه های عصبی - پیش بینی میزان تولید - پسماند روستایی - مدل رگرسیون چند متغیره خطی

نویسندگان

ایوب کریمی جشنی

استادیار بخش راه ساختمان و محیط زیست دانشگاه شیراز

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 :
  • Batinic, B., Vukmirovic, S., Stanisavljevic, N., Ubavin, D. and Vukmirovic, ...
  • Tchobano glous, G., Theisen, H., Vigil, S., 1993. Integrated Solid ...
  • Noori, R. , Abdoli, M. A., Farokhnia, A. and Abbasi, ...
  • Gomez, G., Meneses, M., Ballinas, L.and Castells, F., 2009. Seasonal ...
  • Dyson, B., and Chang, N. B., 2005. Forecasting Municipal Solid ...
  • Lohani, B. N. and Hartono, D. M., 1985. Estimation of ...
  • Jahandideh, S., Jahandideh, S., Asadabadi, E., Askarian, M., Movahedi, M. ...
  • Kollikkathara, N., Feng, H. and Yu, D., 2010. A system ...
  • _ [9] Abdoli, M. A., Falah Nezhad, M., Salehi Sede, ...
  • Qarani Aziz, S., Abdul Aziz, H., JK Bashir, M. and ...
  • Zhang, G., B. Eddy Patuwo, et al. (1998). "Forecasting with ...
  • Luk, K.C., Ball, J.E. and Sharma, A., 20 _ _ ...
  • Haykin, S. 1994. Neural networks. Macmillan College Publishing Company, New ...
  • Nafarzadegan, A.R., Rezaeian Zadeh, M., Kherad, M., Ahani, H., Gharehkhani, ...
  • Bishop, C. M. (1995). Neural Networks for Pattern Recognition. Oxford ...
  • Jain, A. and Srinivasulu, S., 2006. Integrated approach to modelling ...
  • Noori, R., Ashrafi, K. and Ajdarpour, A., 2008. Comparison of ...
  • Cybenko, G., 1989. Approximation by superpositions of a sigmoidal function. ...
  • Hornik, K., 1991. Approximation capabilities of multilayer feedforward nets, Neural ...
  • Sharad Kumar Jain, 2008. Development of Integrated Discharge and Sediment ...
  • Hagan, M. and Menhaj, M., Training Feedforward Networks with the ...
  • Kisi, O., 2007. Reply to discussion of "Generalized regression neural ...
  • Armstrong, J.S., 1985. Long-range Forecasting: From crystal ball to computer, ...
  • نمایش کامل مراجع