Aeq = [];
Beq = [];
%Bounds
LB = [];
UB = [];
%Nonlinear constraints
nonlconFunction = [];
%Start with default options
options = gaoptimset;
%%Modify some parameters
options = gaoptimset(options,’PopInitRange’،[ ۰ ۰ ۰ ۰ ۰ ۰ ۰ ۰ ۰ ۰ ; ۱ ۱ ۱ ۱ ۱ ۱ ۱ ۱ ۱ ۱ ]);
options = gaoptimset(options,’PopulationSize’،۵۰);
options = gaoptimset(options,’EliteCount’،۵ );
options = gaoptimset(options,’StallGenLimit’،۱۰۰);
options = gaoptimset(options,’StallTimeLimit’،Inf);
options = gaoptimset(options,’MutationFcn’،{ @mutationuniform 0.11881 });
options = gaoptimset(options,’Display’،’off’);
options = gaoptimset(options,’PlotFcns’،{ @gaplotbestf @gaplotbestindiv });
%%Run GA
[X,FVAL,REASON,OUTPUT,POPULATION,SCORES] = ga(fitnessFunction,nvars,Aineq,Bineq,Aeq,Beq,LB,UB,nonlconFunction,options);
نتایج و بحث
۴-۱ نتایج مربوط به برنامه شبکه عصبی مصنوعی
۴-۲ حساسیت مدل نسبت به پارامترهای ورودی (آزمون حساسیت سنجی)
۴-۳ نتایج مربوط به بهینه‌سازی با الگوریتم ژنتیک
۴-۴ مقدار نیترات در آبهای زیرزمینی مناطق مختلف در سطح استان اصفهان در سالهای ۱۳۷۹ و۱۳۸۰
۴-۵ بررسی آلودگی نیترات در مناطق کشاورزی, شهری و صنعتی مناطق مختلف در سالهای ۱۳۷۹ و ۱۳۸۰
۴-۶ بررسی آلودگی نیترات در چاه‌های آب شرب منطقه مورد مطالعه در سال ۱۳۷۹ و ۱۳۸۰
۴-۷ بررسی نقشه‌های هم‌نیترات مناطق مورد مطالعه در مراحل زمانی مختلف طی سالهای ۱۳۷۹ و ۱۳۸۰ و ۱۳۸۶ و ۱۳۸۷
۴-۱ نتایج مربوط به برنامه شبکه عصبی مصنوعی
برای تهیه مدل شبکه عصبی از مقادیر نیترات اندازه ­گیری شده به عنوان تابع هدف و مقادیر کیفی نمونه­های آب اندازه ­گیری شده (شامل کلر, بی‌کربنات, سدیم, پتاسیم, کلسیم, منیزیم, سولفات, هدایت الکتریکی، سختی کل، نسبت جذبی سدیم و PH) به عنوان توابع ورودی استفاده گردیده است و با بهره گرفتن از ابزار NNtool نرم افزار Matlab و بهره­ گیری از شبکه پرسپترون سه لایه (یک لایه ورودی با ۱۱ نرون, یک لایه پنهان با تعداد نرون ۱ تا ۲۳ و یک لایه خروجی با ۱ نرون که همان مقادیر نیترات است) قاعده آموزشی انتشار به عقب (BP) و تابع فعالیت سیگموئید برای فرایند آموزش, برای دستیابی به بهترین مدل با خطای حداقل, چندین بار برنامه اجرا شده است. ۶۰ درصد داده های ورودی (داده های ۱۰۵ حلقه چاه) برای آموزش, ۲۰ درصد داده های ورودی (داده های ۳۵ حلقه چاه) برای ارزیابی و ۲۰ درصد داده های ورودی (داده های ۳۵ حلقه چاه) برای آزمون به صورت کاملاً تصادفی توسط نرم افزار انتخاب گردیده شده است. در نهایت شبکه­ ای با یک لایه پنهان و ۱۹ نرون در این لایه، کمترین مقدار خطا را در روند آموزش شبکه، ارزیابی و اعتبارسنجی ایجاد نموده است. بهترین اعتبار سنجی در گام ۳ آموزش (epoch 3) و MSE (میانگین مربعات خطا) برابر مقدار ۰۲۰۹۷۹/۰ حاصل گردیده (شکل ۴-۱) و مقدار ضریب همبستگی مدل ®، ۸۹/۰ بدست آمده است.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
شکل ۴-۱ نتیجه آموزش شبکه در حالت استفاده از داده های ورودی نرمال شده
برای مقایسه میزان خطای شبیه سازی, داده های ورودی را از حالت نرمال خارج نموده و بار دیگر مدل اجرا شده است که خلاصه نتایج مربوط به شبیه سازی در جدول (۴-۱) آمده است. میانگین مربعات خطا توسط نرم افزار ارائه شده و از رابطه (۴-۱) نیز قابل محاسبه می­باشد.
(۴-۱)  = میانگین مربعات خطا
که در آن x_i مقدار شبیه­سازی شده داده ­ها توسط مدل، y_i مقدار واقعی اندازه ­گیری شده داده ­ها، i شمارشگر و n تعداد داده ­های اندازه ­گیری شده است. مقدار MSE نشان می­دهد که پیش ­بینی­ها چه میزان بیشتر یا کمتر برآورد شده ­اند. در بهترین شرایط که مقادیر پیش ­بینی شده با مقادیر اندازه ­گیری شده برابر می­باشد مقدار MSE برابر صفر خواهد بود.
جدول ۴-۱ میانگین مربعات خطا و ضریب همبستگی در بخشهای مختلف مدل