@article { author = {نوری, روح‌الله and اشرفی, خسرو and اژدرپور, ابوالفضل}, title = {Comparison of ANN and PCA based multivariate linear regression applied to predict the daily average concentration of CO: a case study of Tehran}, journal = {Journal of the Earth and Space Physics}, volume = {34}, number = {1}, pages = {1-1}, year = {2008}, publisher = {Institute of Geophysics, University of Tehran}, issn = {2538-371X}, eissn = {2538-3906}, doi = {}, abstract = {}, keywords = {}, title_fa = {مقایسه کاربرد روش‌های شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره براساس تحلیل ‌مؤلفه‌های اصلی برای پیش‌بینی غلظت میانگین روزانه کربن‌مونوکسید: بررسی موردی شهر تهران}, abstract_fa = {هدف از این مقاله، پیش‌بینی میانگین غلظت روزانه کربن‌مونوکسید در هوای شهر تهران با استفاده از دو مدل شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره برحسب تحلیل مؤلفه اصلی (PCA) است. از روش PCA برای از بین بردن هم‌راستایی چندگانه (multicolinearity) بین متغیرهای ورودی و تفسیر بهتر نتایج مدل رگرسیونی استفاده شده است. همچنین با استفاده از شبکه عصبی Feed-Forward با یک لایه پنهان نیز مدل مناسب برای این امر ایجاد شده ‌است. به‌منظور پیش‌بینی غلظت کربن‌مونوکسید آمار سال‌های 1383 و 1384 ایستگاه قلهک واقع در شمال تهران مورد استفاده قرار گرفته ‌است. پس از اجرای مدل‌های پیش‌گفته، ضریب همبستگی (R)، شاخص میانگین نسبی خطای مطلق (MARE) و خطای میانگین مجموع مربعات (RMSE) در شبکه عصبی برای مرحله آزمون، به ترتیب برابر با 716/0، 158/0 و 969/0 به‌دست آمده که در مقایسه با مدل ترکیبی رگرسیونی (581/0= R ، 189/0 MARE = و 138/1 RMSE =) حاکی از برتری مطلق نتایج شبکة عصبی نسبت به مدل ترکیبی رگرسیونی است.}, keywords_fa = {تحلیل مؤلفه اصلی,شبکه عصبی مصنوعی,کربن‌مونوکسید,رگرسیون خطی چندمتغیره,تهران}, url = {https://jesphys.ut.ac.ir/article_19452.html}, eprint = {https://jesphys.ut.ac.ir/article_19452_46f52721b042c036fee869f8a70f3a3b.pdf} }