تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

ترجمه مقاله استفاده ترکیبی از شبکه های عصبی و الگوریتم ژنتیک برای پیش بینی کیفیت آب – نشریه الزویر

عنوان فارسی: استفاده ترکیبی از شبکه های عصبی و الگوریتم ژنتیک برای پیش بینی کیفیت آب
عنوان انگلیسی: The Use of Combined Neural Networks and Genetic Algorithms for Prediction of River Water Quality
تعداد صفحات مقاله انگلیسی : 7 تعداد صفحات ترجمه فارسی : 12 (1 صفحه رفرنس انگلیسی)
سال انتشار : 2014 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : pdf فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش
فونت ترجمه مقاله : بی نازنین سایز ترجمه مقاله : 14
نوع مقاله : ISI پایگاه : اسکوپوس
نوع ارائه مقاله : ژورنال ایمپکت فاکتور(IF) مجله : 2.419 در سال 2019
شاخص H_index مجله : 23 در سال 2020 شاخص SJR مجله : 0.554 در سال 2019
شناسه ISSN مجله : 1665-6423 شاخص Q یا Quartile (چارک) : Q1 در سال 2019
کد محصول : 11413 وضعیت ترجمه : انجام شده و آماده دانلود در فایل ورد و pdf
محتوای فایل : zip حجم فایل : 2.29Mb
رشته و گرایش های مرتبط با این مقاله: مهندسی کامپیوتر، هوش مصنوعی، مهندسی الگوریتم ها و محاسبات
مجله: مجله تحقیقات و فناوری کاربردی - Journal of Applied Research and Technology
دانشگاه: گروه علوم و فنون کامپیوتر، دانشگاه جیانگنان، چین
کلمات کلیدی: انتشار بازگشتی (انتشارخطای) شبکه های عصبی، الگوریتم ژنتیک، تحلیل مولفه های اصلی، پیش بینی کیفیت آب
کلمات کلیدی انگلیسی: back propagation neural network - genetic algorithm - principal component analysis - water quality prediction
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓
وضعیت ترجمه متون داخل تصاویر و جداول: تصاویر ترجمه نشده ☓ جداول ترجمه شده است ✓
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓
ضمیمه: دارد و ترجمه شده است/دارد اما ترجمه نشده است/ ندارد
بیس: نیست ☓
مدل مفهومی: ندارد ☓
پرسشنامه: ندارد ☓
متغیر: ندارد ☓
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله
رفرنس در ترجمه: در انتهای مقاله درج شده است
doi یا شناسه دیجیتال: https://doi.org/10.1016/S1665-6423(14)71629-3
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1- مقدمه

2- مواد و روش ها

2-1 مجموعه داده

2-2 تحلیل مولفه های اصلی مرکب PCA.

2.3 بهینه سازی روش انتشار بازگشتی شبکه های عصبی (BPNN) با استفاده از الگوریتم ژنتیک

4-2 مدل ترکیبی از PCA، BPNN و الگوریتم ژنتیک

5-2 بررسی و آزمایش مدل ترکیبی

3- نتایچ و بحث و بررسی

1-3 تحلیل نمونه های اصلی

2-3 عملکرد مدل ترکیبی

3-3 مقایسه عملکرد شبکه BPNN با استفاده از الگوریتم ژنتیک و بدون آن.

4- نتایج

نمونه متن انگلیسی

Abstract

To effectively control and treat river water pollution, it is very critical to establish a water quality prediction system. Combined Principal Component Analysis (PCA), Genetic Algorithm (GA) and Back Propagation Neural Network (BPNN), a hybrid intelligent algorithm is designed to predict river water quality. Firstly, PCA is used to reduce data dimensionality. 23 water quality index factors can be compressed into 15 aggregative indices. PCA improved effectively the training speed of follow-up algorithms. Then, GA optimizes the parameters of BPNN. The average prediction rates of non-polluted and polluted water quality are 88.9% and 93.1% respectively, the global prediction rate is approximately 91%. The water quality prediction system based on the combination of Neural Networks and Genetic Algorithms can accurately predict water quality and provide useful support for realtime early warning systems.

1. Introduction

Rapid economic growth inevitably causes water pollution. To effectively control water pollution, automatic water quality monitoring stations are built in many important districts. Accurate water quality prediction methods are very important to monitor and control water pollution timely. Therefore, a powerful water quality prediction methods are vital when automatic water quality monitoring systems are established.

4. Conclusions

We present a water quality prediction model that combines PCA, BPNN and GA. Using BPNN model to study water classification and prediction can overcome disadvantages including the large workload of traditional evaluation methods and strong subjectivity. This model possesses objectivity, universality and practicality. PCA converts the multi-indices into a few aggregative indices with little original data information loss and reduces the input data to speed the training process. Using GA to optimize network parameters can effectively prevent the search process from converging to local optimum solutions, optimize global optimal network parameters, and significantly improve the accuracy of water quality prediction. This model makes full use of the advantages and characteristics of PCA, BPNN and GA algorithms to predict water quality. This model can obtain high training speed and good prediction rate and can be extended to other classification problem.

نمونه متن ترجمه

چکیده

برای کنترل و درمان موثر آلودگی آب رودخانه ها،  ضروری است که یک سیستم پیش بینی کیفیت آب تاسیس شود. تحلیل مولفه های اصلی مرکب (PCA  )، الگوریتم ژنتیک GA، انتشار بازگشتی( انتشارخطای) شبکه های عصبی BPNN، الگوریتم هوشمند هیبریدی برای پیش بینی کیفیت آب رودخانه طراحی گردیده اند. نخست قابل ذکر است که تحلیل مولفه های اصلی مرکب برای کاهش بعدیت (حجم داده) به کار می رود. 23 فاکتور اندیس کیفیت آب می توانند در قالب 15 شاخص تجمعی فشرده گردند.  PCA  به طور موثری سرعت یادگیری سیستم برای پیگیری نمودن الگوریتم ها را بهبود می بخشد. همچنین الگوریتم ژنتیک پارامترهای مدل انتشار بازگشتی شبکه های عصبی را بهینه می کند. سرعت پیش بینی متوسط کیفیت آبهای غیر آلوده و آلوده به ترتیب 88.9 % و 93.1 درصدو سرعت پیش بینی کلی تقریبا 91 درصد است. سیستم تخمین کیفیت آب بر مبنای ترکیب شبکه های عصبی و الگوریتم ژنتیک  می تواند کیفیت آب را دقیق تر پیش بینی کرده و نقطه اتکای موثری برای سیستم های هشدار دهنده ی بلادرنگ را فراهم کند.

1 مقدمه

رشد سریع اقتصادی منجر به آلودگی غیر قابل اجتناب آب شد. برای کنترل موثر آلودگی آب، ایستگاه های سنجش کیفیت آب در بسیاری از مناطق مهم تاسیس شد. روشهای دقیق تخمین کیفیت آب جهت سنجش و کنترل به موقع آلودگی آب بسیار مهم می باشند.

4- نتایج

در این تحقیق ما مدلی که PCA، BPNN و الگوریتم ژنتیک را با هم ترکیب کرده است را معرفی نمودیم. استفاده از مدل BPNN برای مطالعه طبقه بندی و پیش بینی کیفیت آب، کمک می کند تا بر معایب ناشی از استفاده از روشهای قدیمی که منجر به تراکم کاری زیاد و انحراف عمدی یا تصادفی به وجود آمده است فایق آید. مزایای این روش عبارت است از واقع بینی، جامعیت و عملی بودن. PCA داده های چند شاخصی را به تعداد کمتری شاخص متراکم تبدیل کرده و داده های اطلاعاتی اصلی کمتری را در حین روند بررسی از دست میدهد، به علاوه این مدل حجم داده ورودی را برای آموزش سریعتر سیستم کاهش می دهد. استفاده از الگوریتم ژنتیک برای بهینه کردن پارامترهای شبکه می تواند از روند جستجو و همگرا شدن به جوابهای بهینه محلی جلوگیری کرده و پارامترهای بهینه شبکه کلی و عمومی را بهینه نموده و به طور قابل توجهی دقت پیش بینی کیفیت آب را بهبود بخشد. این مدل به طور همه جانبه ای ما را از مزایا و مشخصات الگوریتم های PCA، PBNN و الگوریتم ژنتیک برای سنجش کیفیت آب بهره مند می سازد. این مدل می تواند سرعت یادگیری بالا، میزان سنجش خوبی داشته و به دیگر مسایل و موارد طبقه بندی تعمیم داده شود.

تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)

11413-IranArze     11413-IranArze1     11413-IranArze2