کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10322085 660813 2014 7 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Data mining with various optimization methods
ترجمه فارسی عنوان
داده کاوی با روش های مختلف بهینه سازی
کلمات کلیدی
فهرست مطالب مقاله
چکیدهمقدمه
فرمول بندی مسأله
نمونه برداری از داده ‏ها
روشها و مدل ریاضی
الگوریتم ژنتیک
نمودار یک: نمودار جریان کار الگوریتم ژنتیک
هوکی و جیوز
بازپخت و تبرید شبیه سازی شده
بهینه سازی اجتماع ذرات
شبیه سازی
رابطه کاربری گرافیکی نرم افزاری
نتایج
جدول یک: پارامترهایی که در بهینه سازی استفاده شدند
جدول دو: پارامترهای بهینه شده برای کل مجموعه ها
جدول سه:پارامترهای بهینه شده برای مدل سازی
جدول چهار: تحلیل آماری برای روش های بهینه سازی مختلف کل مجموعه داده ها
جدول پنج: تحلیل آماری برای روش های بهینه سازی مختلف کل مجموعه داده های آزمون
نمودار مقایسه پهلو به پهلوی داده های اندازه گیری
نمودار مقایسه داده های اندازه گیری شده و داده های محاسبه شده 
نتیجه گیری
 
ترجمه چکیده
ترافیک (عبور و مرور) جاده‏ای به عنوان منبع اصلی سر و صدای محیط‏های شهری شناخته شده و به اثبات رسیده است که این سر و صدا به طور قابل توجهی بر سلامت جسمی و روانی انسان و بهره وری نیروی کار تأثیر می گذارد. پس، بسیار مهم است برای کنترل سطح صوتی این سر و صدا در محیطهای شهری به توسعۀ روشهای مدلسازی سر و صدای ترافیک جاده‏ای بپردازیم.همانطور که در ادبیات موضوع مشاهده می شود، روشهایی که با این موضوع سر و کار دارند عموماً بر اساس تحلیل رگرسیون پایه گذاری شده‏اند و دیگر رویکردها کمتر به‏کار برده شده‏اند. در این مقاله روشی جدید ارائه شده که بر اساس بهینه‏سازی استوار است. در شبیه سازی این کار از چهار تکنیک استفاده شده است؛ الگوریتم ژنتیک، الگوریتم هوکی و جیوز، بازپخت و تبرید شبیه سازی شده و بهینه سازی اجتماعات. دو سناریوی متفاوت در این مقاله ارائه شده است. در سناریوی اولِ روشهای بهینه سازی، برای پیدا کردن مناسبترین پارامترها از کل مجموعه داده‏های اندازه گیری شده استفاده می شود، در حالی که در سناریوی دوم، فقط بابعضی از داده‏های اندازه گیریپارامترهای بهینه شده پیدا شدند در حالی که از مابقی داده ها برای ارزیابی قابلیت های پیش بینی مدل استفاده شد. برازش مدل با استفاده از ضریب تعیین و دیگر پارامترهای آماری ارزیابی شد و نتایج در هر دو سناریو نتایج نشان دهندۀ توافق بالای بین داده‏های اندازه‎گیری شده و ارزشهای محاسبه شده هستند. همچنین، این مدل را با مدلهای آماری کلاسیک هم مقایسه کردیم و قابلیتهای برتر مدل پیشنهادی ما نشان داده شد. شبیه‏سازی نیز با استفاده از بسته ای از نرم افزارهای موثق و کاربر پسند انجام شد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Road traffic represents the main source of noise in urban environments that is proven to significantly affect human mental and physical health and labour productivity. Thus, in order to control noise sound level in urban areas, it is very important to develop methods for modelling the road traffic noise. As observed in the literature, the models that deal with this issue are mainly based on regression analysis, while other approaches are very rare. In this paper a novel approach for modelling traffic noise that is based on optimization is presented. Four optimization techniques were used in simulation in this work: genetic algorithms, Hooke and Jeeves algorithm, simulated annealing and particle swarm optimization. Two different scenarios are presented in this paper. In the first scenario the optimization methods use the whole measurement dataset to find the most suitable parameters, whereas in the second scenario optimized parameters were found using only some of the measurement data, while the rest of the data was used to evaluate the predictive capabilities of the model. The goodness of the model is evaluated by the coefficient of determination and other statistical parameters, and results show agreement of high extent between measured data and calculated values in both scenarios. In addition, the model was compared with classical statistical model, and superior capabilities of proposed model were demonstrated. The simulations were done using the originally developed user friendly software package.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 41, Issue 8, 15 June 2014, Pages 3993–3999
نویسندگان
, , , , ,