18 شهریور 1403
دانشگاه صنعتی کرمانشاه
English
فرزاد امیری
مرتبه علمی:
استادیار
نشانی:
—
تحصیلات:
دکترای تخصصی / مهندسی صنایع
تلفن:
—
دانشکده:
دانشکده مدیریت مهندسی
پست الکترونیکی:
f.amiri [at] kut.ac.ir
صفحه نخست
عناوین دروس
فعالیتهای پژوهشی
مشخصات پژوهش
عنوان
بهینه سازی نتایج الگوریتم ML-Based GMDH به منظور افزایش دقت تشخیص گردوغبار و عمق دید افقی ازطریق الگوریتم TLBO
نوع پژوهش
مقاله چاپ شده
کلیدواژهها
گردوغبار، تشخیص دید افقی، سنجش از دور، یادگیری ماشین، الگوریتم TLBO ، شبکة عصبی GMDH
پژوهشگران
مهدی امیری (نفر اول)،
فرزاد امیری (نفر دوم)
، محمد حسین پور اسد (نفر سوم)، سیف اله سلیمانی (نفر چهارم)
چکیده
سابقه و اهداف: کیفیت هوای پاک، به منزلة یکی از ضروریترین نیازهای موجودات زنده، براَثر فعالیتهای طبیعی و انسانی به مخاطره افتاده است. در سال های اخیر، طوفان های گردوغبار ازلحاظ مکانی و زمانی همواره درحال افزیش بوده و سبب آسیب های بی شمار درحوزة سلامت اجتماعی، اقتصادی و زیست محیطی، برای ساکنان مناطق جنوب و جنوبغرب ایران، شده است. در پژوهش حاضر، به منظور بررسی طوفان های گردوغبار و تشخیص عمق دید افقی، دادههای سنجندة مادیس به کار رفته است. مواد و روش ها: از مزایای دادههای سنجندة مادیس میتوان به توان تفکیک طیفی و زمانی بالا اشاره کرد. همچنین دادههای ایستگاه های هواشناسی با توجه به بازة زمانی مورد مطالعه جمع آوری شده است. پس از پیشپردازش دادهها و آماده سازی مشاهدات میدانی، به منظور استخراج ویژگیهای مورد نیاز برای انجام دادن مدلسازیها، ازطریق روش تفاضلی بین باندهای منتخب هر تصویر دادههای سنجندة مادیس، به همراه ویژگی های استخراج شده از سنسورهای ایستگاه های هواشناسی زمینی استفاده شده است. با بررسی های بیشتر و ارزیابی های صورت گرفته و استفاده از دیدگاه های خبرگان هواشناسی، 36 ویژگی تفاضلی از باندهای گوناگون تصاویر مادیس و شش ویژگی از داده های ایستگاه های هواشناسی زمینی، یعنی درمجموع 42 ویژگی، استخراج شده است. در ادامه، ازطریق تکنیک های انتخاب ویژگی، بهترین ویژگی ها شناسایی و با به کارگیری روشی جدید با نام ML-Based GMDH، که حاصل بهبود شبکة عصبی GMDH ازطریق تغییر توابع جزئی با مدل های یادگیری ماشین است، برای تشخیص غلظت گردوغبار و دید افقی استفاده شد. برای دستیابی به دقت مناسب نیز ابرپارامترهای این مدل به صورت ابتکاری، با استفاده از الگوریتم بهینه سازی TLBO، تنظیم شدند. در ادامه، روش های یادگیری ماشین Basic GMDH SVM، MLP، MLR، RF و مدل گروهی آنها نیز، برای مقایسه با رویکرد اصلی، اجرایی شد؛ طبق نتایج، روش ML-Based GMDH تنظیم شده با TLBOبا ایجاد بهبود درقیاس با روشهای یادگیری ماشین ذکرشده، دقت بهتری را در تشخیص غلظت گردوغبار فراهم کرده است. نتایج و بحث: روش SVM-PSO به منزلة روش برتر در مرحلة انتخاب ویژگی، روش RF به منزلة روش برتر در میان روشهای پایة دسته بندی و روشهای Ensemble SVM و Ensemble RF به منزلة روشهای برتر در مرحلة گروهی و دسته بندی انتخاب شدند. همچنین مشا