فهرست نشریات علمی دسترسی آزاد ایران

دی‌اکسیدنیتروژن یکی از آلاینده هایی است که بیشترین اثرات بد بر سلامتی انسان دارد. اطلاعات پیشرفته در مورد غلظت آن در هوا می‌تواند به نظارت و کنترل بیشتر عواقب کمک کند و در عین حال اعمال اقدامات پیشگیرانه و کاهش‌دهنده را آسان تر می‌کند. فناوری‌های یادگیری ماشینی با روش‌ها و قابلیت‌های موجود می‌توانند تحلیل‌های پیشبینی ‌کننده را با دقت بالاتری انجام دهند و در نتیجه می‌توانند به عنوان یک ابزار حمایتی برای مدیریت مولد عمل کنند. یکی از پیشرفته‌ترین الگوریتم‌های یادگیری ماشین، سیستم استنتاج فازی- عصبی تطبیقی است که در این مقاله برای پیشبینی غلظت دی‌اکسیدنیتروژن استفاده می‌شود. برای آموزش سیستم استنتاج فازی- عصبی تطبیقی از الگوریتم یادگیری کلاغ استفاده می-شود. تعیین مقادیر بهینه مراکز در توابع عضویت و وزن‌ها در سیستم ANFIS باعث افزایش دقت آن و کاهش میزان خطا در پیشبینی میزان آلایندگی دی‌اکسیدنیتروژن می‌شود. برای این منظور از الگوریتم یادگیری کلاغ برای تعیین مقادیر بهینه مراکز توابع عضویت و وزن‌ها در مدل ANFIS استفاده می‌شود تا مقادیر بهینه مراکز توابع عضویت و وزن‌‌ها تعیین شود تا با دقت بالایی پیشبینی میزان آلایندگی دی‌اکسیدنیتروژن انجام شود و در انتها نتایج با شبکه عصبی پایه‌ای- شعاعی مقایسه شده است. نتایج سیستم استنتاج فازی- عصبی تطبیقی آموزش‌یافته با الگوریتم یادگیری کلاغ با میانگین مربعات خطا 0.0081 حاکی از عملکرد بهتر سیستم استنتاج فازی- عصبی تطبیقی در مقایسه با شبکه عصبی پایه‌ای- شعاعی در پیشبینی آلایندگی دی اکسیدنیتروژن با میانگین مربعات خطا 0.0101 می باشد.