چکیده:
پایه و اساس برنامهریزی و طراحی سیستم مدیریت مواد زائد جامد شهری،شناخت کمیت و کیفیت تولید است. تخمین میزان زباله تولیدی به دلیل نوسانات زیاد تولید و پارامترهای گوناگونی که بر آن موثر است یکیاز کارهای بسیار دشوار در امر مدیریت مواد زائد جامد میباشد.در این مطالعه بااستفادهاز شبکه عصبی مصنوعی مدلی مناسب برای تخمین وزن زباله تولیدی در شهر تهران ارایه گردیده است و نتایج آن با مدل ترکیبی و گرسیون خطی چند متغیره و آنالیز مولفههای اصلی مقایسه شده است.برای این منظور از سری زمانی زباله تولیدی شهر تهران در فاصله زمانی 2831 تا سه ماهه نخست 5831 که به صورت هفتگی مرتب شده بودند استفاده گردید.نتایج بهدست آمده حاکیاز برتری مطلق نتایج شبکه عصبی در مقایسه با مدل ترکیبی رگرسیونی و آنالیز مولفههای اصلی میباشد،بهطوریکه ضریب همبستگی در مدل شبکه عصبی ارایه شده،برای مرحله تست شبکه معادل 0/738 بود.
خلاصه ماشینی:
"در این مطالعه بااستفادهاز شبکه عصبی مصنوعی مدلی مناسب برای تخمین وزن زباله تولیدی در شهر تهران ارایه گردیده است و نتایج آن با مدل ترکیبی و گرسیون خطی چند متغیره و آنالیز مولفههای اصلی مقایسه شده است.
در این مطالعه از دو روش شبکه عصبی Feed-Forward و رگرسیون خطی چند متغیره و ارایه یک روش جدید از کاربرد PCA برای پردازش دادههای ورودی به مدل رگرسیون خطی چند متغیره جهت تخمین میزان زباله تولیدی هفتگی شهر تهران استفاده شده است.
(به تصویر صفحه مراجعه شود) 3-بحث و نتایج 3-1-آنالیز مولفههای اصلی بررسی اولیه نشان داد که بین متغیرهای ورودی مورد استفاده در این مطالعه همبستگی معنیداری وجود دارد که برای از بین بردن این مشکل از روش PCA استفاده گردید.
(به تصویر صفحه مراجعه شود) 3-2-رگرسیون خطی چند متغیره پس از رفع مشکل همبستگی در متغیرهای اصلی،مدلی مناسب بااستفادهاز تکنیک رگرسیون چند متغیره با الگوریتم گامبهگام( Stepwise )برای پیشبینی وزن زباله تولیدی توسعه یافت که نتایج آن در جدول زیر آمده است.
(به تصویر صفحه مراجعه شود) همانطورکه از جدول شماره بالا مشخص میباشد در مدل رگرسیونی بااجرای PCA از 31 مولفه،تنها ورود 3 مولفه به مدل معنیدار بوده است و مدل موردنظر مقدار زباله تولیدی را باتوجهبه این مقادیر ورودی برآورد میکند.
3-4-مقایسه دو مدل همانطورکه از جدول و شکلهای بالا نیز مشخص است نتایج مطلوبی از مدل رگرسیونی بهدست نیامده است و استفادهاز مدل رگرسیونی برای تخمین میزان زباله تولیدی (به تصویر صفحه مراجعه شود) باخطای زیادی همراه است ولی در عوض بااستفادهاز مدل شکبه عصبی نتایج بهبود زیادی نسبت به مدل رگرسیونی یافتهاند."