مؤسسه ژئوفیزیک دانشگاه تهران فیزیک زمین و فضا 2538-371X 34 1 2008 03 20 Comparison of ANN and PCA based multivariate linear regression applied to predict the daily average concentration of CO: a case study of Tehran مقایسه کاربرد روش‌های شبکه عصبی مصنوعی و رگرسیون خطی چندمتغیره براساس تحلیل ‌مؤلفه‌های اصلی برای پیش‌بینی غلظت میانگین روزانه کربن‌مونوکسید: بررسی موردی شهر تهران 1 1 19452 FA روح‌الله نوری خسرو اشرفی ابوالفضل اژدرپور Journal Article 2017 10 31 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 <br /> 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 <br /> اجرای مدل‌های پیش‌گفته، ضریب همبستگی (R)، شاخص میانگین نسبی خطای مطلق (MARE) و خطای میانگین مجموع <br /> 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. https://jesphys.ut.ac.ir/article_19452_c314d02582ee0c4cc460ea3e470bb4d4.pdf