CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Application of MLP neural network in prediction of NO2 and NOx concentration using merological parameter

اعتبار موردنیاز: ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۲۵۱۲ | نظرات: ۰
سرفصل ارائه مقاله: هوا
سال انتشار: ۱۳۸۵
نوع ارائه: پوستری
کد COI مقاله: CEE01_202
زبان مقاله: انگلیسی
حجم فایل: ۹۰.۴۳ کلیوبایت (فایل این مقاله در ۹ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۹ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله Application of MLP neural network in prediction of NO2 and NOx concentration using merological parameter

چکیده مقاله:

Forecasting of air quality parameters is one topic of air quality research today due to the health effects caused by airborne pollutants in urban areas. This work deals specifically with the use of an artificial neural network (ANN) for hourly NO2 and NOx modeling in the Tabriz metropolitan. The development of an ANN model is presented to predict the NO2 and NOx concentrations as a function of meteorological conditions. The optimum structure of ANN was determined by a trial and error method. It was found that the structure of ANN with 30 neurons in the hidden layer had the best performance. Log sigmoid transfer function was used in hidden layer and pure line transfer function was used in output layers. The correlation coefficient (R2) was 92% of the variability in the NO2 and 94% of the variability in the NOx concentrations.
In this paper, the main emphasis is a studying the hourly NO2 and NOx concentrations during October 2003.

کلیدواژه‌ها:

Air pollution prediction; Artificial neural network; Multilayer perceptron; Tabriz metropolitan; Multiple regression model; NO2; NOx.

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-CEE01-CEE01_202.html
کد COI مقاله: CEE01_202

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Rahimi, Akbar; Mir sattar Sadrmousavi; Masoud Geravanchizadeh & Reza Nabavi, ۱۳۸۵, Application of MLP neural network in prediction of NO2 and NOx concentration using merological parameter, اولین همایش تخصصی مهندسی محیط زیست, تهران, دانشگاه تهران, دانشکده محیط زیست, https://www.civilica.com/Paper-CEE01-CEE01_202.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (Rahimi, Akbar; Mir sattar Sadrmousavi; Masoud Geravanchizadeh & Reza Nabavi, ۱۳۸۵)
برای بار دوم به بعد: (Rahimi; Sadrmousavi; Geravanchizadeh & Nabavi, ۱۳۸۵)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • . Abdul- Wahuab, S.A., Al-Alawi, S.M., 2002. Assessment and prediction ...
  • . Chaloulakou, A., Saisana, M., Spyrellis, N., 2003. Comparative assessmnent ...
  • . Chelani, A.B.; Chalapati R, C.V.; Phadke, K.M.; Hasan, M.Z. ...
  • . Collet, R.S.; Oduyemi, K.; Air quality modelling: a technical ...
  • . Despagne, F.; Massart, D.L. Neural network in multivariate calibration. ...
  • . Elkamel, A.; Abdul- Wahuab, S.A.; Bouhamra, W.; Alper, _ ...
  • ممم [۷]. Gardner, M.W.; Dorling, S.R., Artificial neural networks (the ...
  • . Gardner, M.W.; Dorling, S.R. Neural network modeling and prediction ...
  • . Hooyberghs, J.; Mensink, C.; Dumont, G.; Fierens, F.; Brasseur, ...
  • . Jain, A.; Zongker, D. Feature selection: evaluation, application and ...
  • . Jiang, D.; Zhanga, Y.; Hua, Xiang.; Zenga, Yun.; Tanb, ...
  • . Miler, James.N.; Miler, Jane.C. Calibration methods instrumental anualysis: regression ...
  • . Molga, E.J. Neural network approach to support modeling of ...
  • . Shi, J.P.; Harrison, R.M. Regression modelling of hourly NOx ...
  • . Tiittanen, P.; Timonen, K.L.; Ruuskanen, J.; Mirrme, A.; Pekkanen, ...
  • . Ziomass, I.C.; Melas, D.; Zerefos, C.S.; Bais, A.F. Forecasting ...
  • مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.