مقایسه عملکرد شبکه عصبی چند لایه MLP و شبکه عصبی شعاعی RBF درپیشبینی سطح آلودگی صوتی ناشی از ترافیک

آلودگی صوتی یک از پدیده های زیست محیطی است که در مقایسه با آلودگی هوا و آلودگی آب کمتر مورد توجه قرار گرفته است، اما با گسترش تردد وسایل نقلیه و افزایش آلودگی صوتی ناشی از تردد آنها روز به روز شواهدبیشتری مبنی بر تاثیر سوء این پدیده بر سلامتی انسان پدیدار می شود. ازاین رو محققین و دانشمندان کشورهای مختلف به دنبال راهکارهایی به منظور پیش بینی و تخمین و کنترل این مهم بوده اند و مدل هایی را دراین باره ارائهکرده اند. در سال های اخیر با گسترش الگوریتم های یادگیرنده نظیر شبکه عصبی، دریچه جدیدی به روی محققین این عرصه بازشده است، چراکه این الگوریتم ها عملکردی هوشمند دارند و متناسب با شرایط و پارامترهای ورودی بهترین جواب را برای تخمین سطح آلودگی ارائه می دهند. در این تحقیق با اندازه گیری حجم ترافیک، سرعتمیانگین و درصد وسایل نقلیه سنگین در تعدادی از معابر غرب و شمال غربی تهران و درنظرگرفتن آنها به عنوان ورودی شبکه، اقدام به ساخت دو نوع شبکه عصبی چندلایه پرسپترونی و شعاعی برای پیش بینی تراز پیوسته معادل صوتLAeq شد و نتایج پیش بینی این دو نوع شبکه بر اساس معیارهای ضریب تعیینr2 و میانگین مربعات خطاMSE با یکدیگر مقایسه گردید. نتایج نشان داد که با وجود برخورداری هر دو شبکه از دقت بالا در پیش بینی سطح صدا، شبکه عصبی چندلایه پرسپترونی با توجه به معیارهای انتخاب شده دارای عملکرد بهتری است.

کلیدواژه ها:

آلودگی صوتی ، وسایل نقلیه ، شبکه عصبی ، RBF ، MLP