|
Title
|
ارائه یک مدل یادگیری ماشین برای ترکیب داده های حسگرهای آلودگی هوا در شبکه های پایش محیطی با انتخاب ویژگی به کمک روش های فرا ابتکاری
|
|
Type of Research
|
Thesis
|
|
Keywords
|
ترکیب داده ها ، انتخاب ویژگی، اینترنت اشیا، پیش بینی آلودگی هوا، شبکه های پایش محیطی، روش های فرا ابتکاری
|
|
Abstract
|
نظارت بر محیط زیست به دلیل افزایش بحران های جهانیِ تغییرات آب و هوایی به یک زمینه تحقیقاتی فعال تبدیل شده است. پیش بینی آلودگی هوا یکی از مهمترین وظایف در مدیریت و حل آلودگی هوای شهری است که با پایش مستمر وضعیت هوا میسر می شود. متداول ترین رویکرد پایش کیفیت هوا تکیه بر ایستگاههای پایش محیطی است که متأسفانه خرید و نگهداری از آنها بسیار گران است. به همین دلیل، ایستگاه های نظارت محیطی معمولاً به صورت پراکنده مستقر می شوند که منجر به دقت مکانی محدود برای اندازه گیری می شود. در سالهای اخیر، حسگرهای کیفیت هوای ارزان قیمت، به عنوان جایگزین مطرح شده اند که می تواند به صورت ریزتری نظارت را ممکن کنند. در راه حل های ارائه شده برای پایش آلودگی هوا، حسگرهای کم هزینه می توانند اندازه گیری های مکانی-زمانی با وضوح بالا را ارائه دهند که برای تکمیل داده های به دست آمده از سایر راه حل های نظارت محیطی می توان از آنها استفاده کرد. استفاده از حسگر های کیفیت هوای کم هزینه چندین چالش را ایجاد می کند: آنها از حساسیت متقابل بین آلاینده های مختلف محیطی رنج می برند. آنها می توانند تحت تأثیر عوامل خارجی مانند ترافیک، تغییرات آب و هوا و رفتار انسان قرار گیرند. علاوه بر این، دقت آنها به مرور زمان کاهش می یابد. کالیبراسیون مجدد دوره ای می تواند دقت سنسورهای کم هزینه را بهبود بخشد، به ویژه با کالیبراسیون مبتنی بر یادگیری ماشین، که به دلیل توانایی کالیبره کردن حسگرها در محیط واقعی، نتایج بسیار خوبی را ارائه داده است. در این کار تحقیقی ما روی موضوع کالیبراسیون حسگرها و انتخاب ویژگی های موثر بر آن کار خواهیم کرد.
از طرف دیگر جمع آوری داده ها از چندین حسگر که به طور دقیق و دوره ای کالیبره می شوند و همچنین مدیریت ناسازگاری های احتمالی بین داده های جمع آوری شده یک الزام اساسی در زمینه های مختلف از جمله مدیریت آلودگی هوا است کار دیگر در این تحقیق ترکیب داده های به دست آمده از چندین حسگر است.
|
|
Researchers
|
(Student)، Mohammad Khodizadeh-Nahari (Primary Advisor)، Einollah Pira (Advisor)
|