توسعه مدلی مناسب بر مبنای شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش‌بینی بهنگام اکسیژن‌خواهی بیوشیمیایی 5 روزه

محدودیت سنسورهای سخت‌افزاری برای اندازه‌گیری برخی مشخصه‌های کیفی آب مانند اکسیژن‌خواهی بیوشیمیایی 5 روزه (bod5) که از لحاظ زمانی هزینه‌بر هستند، تلاش‌ها را به سمت استفاده از سنسورهای نرم‌افزای برای پیش‌بینی بهنگام bod5 سوق داده است. هدف اصلی مقاله مذکور نیز توسعه سنسور نرم‌افزاری مناسب بر مبنای مدل‌های هوشمند شبکه عصبی مصنوعی (ann) و ماشین بردار پشتیبان (svm) برای تخمین بهنگام bod5 در رودخانه سفیدرود است. برای این منظور با قرار دادن bod5 به عنوان تابعی از دیگر متغیرهای کیفیت آب، مدل‌های مناسبی برای این موضوع با استفاده از دو مدل ann و svm توسعه داده شد. در توسعه مدل ann نقش توابع آموزش لونبرگ-مارکویت (lm)، پس انتشار ارتجاعی (rp) و گرادیان مزدوج مقیاس‌دار (scg) در بهینه کردن مشخصه‌های ann ارزیابی شد. همچنین برای بهینه کردن مشخصه‌های مدل svm از الگوریتم بهینه‌سازی جستجوی شبکه دو مرحله‌ای استفاده شد. نتایج این تحقیق مبین عملکرد برتر مدل ann با الگوریتم lm ( مدل ann (lm)) نسبت به دو الگوریتم دیگر بود. همچنین مدل svm نیز از عملکرد مناسبی در تخمین bod5 برخوردار بود، به طوری‌که مقدار ضریب همبستگی پیرسون برای این مدل در مرحله تست معادل 95/0 به‌دست آمد. در نهایت نیز بررسی‌های بیشتر برای ارزیابی یکی از دو مدل منتخب بر مبنای آماره نسبت تفاوت توسعه داده شده انجام پذیرفت که نتایج به‌دست آمده از این آماره حاکی از عملکرد برتر مدل svm نسبت به ann (lm) بود.