افزایش تقاضا برای انرژی اخیرا تشدید شده است و به منابع جایگزین برای سوخت های فسیلی نیاز دارد که از نظر اقتصادی و زیست محیطی غیرممکن شده است. از سوی دیگر، افزایش تصرف زمین در قرون اخیر یک مشکل رو به رشد است که نیازمند کارایی بیشتر، به ویژه در استفاده مجدد از مناطق متروکه است که به یک جایگزین تبدیل شده است. یک جایگزین جالب، نصب تاسیسات انرژی مانند خورشید، باد، زیست توده و زمین گرمایی در این مناطق خواهد بود. هدف این مقاله توسعه یک روش طبقه‌بندی، مبتنی بر هوش مصنوعی (AI) و نظریه کوانتومی (QT)، برای انجام خودکار طبقه‌بندی مناطق متروکه مناسب برای استقرار این نیروگاه‌ها است. شبکه‌های عصبی مصنوعی (ANN) بهبود یافته توسط الگوریتم ترکیبی بهینه‌سازی ازدحام ذرات با رفتار کوانتومی (QPSO) همراه با الگوریتم Levenberg-Marquardt (LMA) برای کار طبقه‌بندی استفاده شد. از نظر میانگین مربعات خطا (MSE)، رویکرد QPSO-LMA نسبت به تمرین کلاسیک LMA با وزن‌های اولیه تصادفی به کاهش 19.6 درصدی دست یافت. علاوه بر این، دقت مدل افزایش 7.3 درصدی را برای QPSO-LMA نسبت به LMA نشان داد. برای اعتبارسنجی این رویکرد جدید، همچنین بر روی شش مجموعه داده مختلف موجود در مخزن یادگیری ماشین UCI و هفت تکنیک کلاسیک موجود در ادبیات آزمایش شد. برای مشکل نصب نیروگاه های فتوولتائیک در مناطق متروکه، دانش به دست آمده با مجموعه داده های خورشیدی را می توان به مناطق دیگر تعمیم داد.

کلید واژه ها

انرژی خورشیدی ، استفاده مجدد از خاک ، شبکه های عصبی مصنوعی ، بهینه سازی ازدحام ذرات با رفتار کوانتومی

1. مقدمه

تقاضای فزاینده برای انرژی در دهه های اخیر تشدید شده است [ 1 ]، و نیازمند منابع جایگزین برای سوخت های فسیلی [ 2 ] است که از نظر اقتصادی و زیست محیطی غیرممکن شده است [ 3 ] [ 4 ] [ 5 ] [ 6 ]. علاوه بر این، اشغال روزافزون فضای شهری و روستایی در قرون اخیر به یک معضل تبدیل شده است [ 7 ] [ 8 ] [ 9 ] که مستلزم کارایی بیشتر در تصرف سرزمینی، به ویژه در استفاده مجدد از مناطق متروکه، یکی از چالش های عمده کنونی است. 8 ] [ 10]. این مشکل زمانی جدی‌تر می‌شود که این مناطق بزرگ و آلوده باشند و خطری برای محیط‌زیست، سلامت و اقتصاد ایجاد کنند [ 8 ] [ 11 ] [ 12 ]. بنابراین، انرژی‌های تجدیدپذیر، مانند انرژی خورشیدی، ثابت شده‌اند که جایگزین‌های امکان‌پذیری هستند که بهره‌وری و سلامت اجتماعی و محیطی را ممکن می‌سازند [ 13 ]. آنها فراوان، تمیز و بالاتر از همه رایگان هستند [ 14 ] [ 15 ] [ 16 ]، و می توانند در پروژه های تولید انرژی در مناطقی که در حال حاضر استفاده نمی شوند استفاده شوند و تقاضا برای انرژی و بازیابی این مناطق را با هم تطبیق دهند.

این مناطق متروکه آلوده به مواد مضر برای محیط زیست و سلامت انسان، توجه دولت ها و سازمان های غیر دولتی را به خود جلب کرده است [ 17 ] [ 18 ] [ 19 ]. می توان به نمونه هایی اشاره کرد، مانند: معادن متروکه، عموماً آلوده به فلزات سنگین [ 20 ]; میدان های قهوه ای، که تاسیسات صنعتی یا تجاری متروکه هستند [ 21 ]; مناطق Superfund، یک برنامه دولت فدرال آمریکا برای مکان یابی و پاکسازی مناطق آلوده [ 22 ]; محل های دفن زباله، عمدتاً برای دفع باقی مانده مواد غذایی و بسته بندی [ 23 ]؛ و مناطق برای زباله های جامد، همانطور که توسط قانون حفاظت و بازیابی منابع تعریف شده است [ 24].

امروزه در سرتاسر جهان، تقریباً 2180 گیگاوات توان نصب شده وجود دارد. در مجموع، تمام 81533 نقطه مورد تجزیه و تحلیل در این کار دارای پتانسیل تخمینی بیش از 6775 گیگاوات هستند، تقریباً 3 برابر آنچه در سراسر جهان تولید می شود. این پتانسیل معادل بیش از 44000000 تن دی اکسید کربن (CO 2 ) است.) که دیگر تنها توسط ایالات متحده در جو منتشر نمی شود (محاسبه شده با استفاده از آژانس حفاظت از محیط زیست، EPA’s، Avoided Emissions and Generation Tool، AVERT). بیش از ده میلیون شغل در بخش انرژی های تجدیدپذیر وجود دارد. با ایجاد پروژه‌های تجدیدپذیر در مناطقی که در حال حاضر از دسترس خارج شده‌اند، می‌توان این تعداد را چند برابر کرد و تأثیر مثبتی بر محیط‌زیست، اقتصاد و جامعه گذاشت. در حال حاضر، پروژه های نوسازی در این مناطق، بدون استفاده از اتوماسیون و تجزیه و تحلیل داده ها در فرآیند تصمیم گیری، آماده نشده اند، که منجر به انتخاب های اشتباه و اغلب ناکارآمد می شود [ 25 ].

هدف این مقاله توسعه یک روش طبقه‌بندی، مبتنی بر هوش مصنوعی (AI) و نظریه کوانتومی (QT)، برای انجام خودکار طبقه‌بندی مناطق متروکه مناسب برای استقرار این نیروگاه‌ها است. نوآوری اصلی این کار، بهینه‌سازی وزن‌های اولیه شبکه عصبی مصنوعی با استفاده از فراابتکاری بهینه‌سازی ازدحام ذرات با رفتار کوانتومی (QPSO) همراه با الگوریتم لونبرگ-مارکوارت (LMA)، به نام الگوریتم QPSO-LMA است. این نوآوری با استفاده از مسئله طبقه بندی مناطق متروکه مناسب برای تأسیسات انرژی خورشیدی و همچنین شش مشکل کلاسیک دیگر از ادبیات آزمایش خواهد شد. نتایج همچنین با هفت الگوریتم طبقه‌بندی که در ادبیات موجود است مقایسه خواهد شد.

مشارکت های اصلی این مقاله عبارتند از:

• بهبود عملکرد شبکه عصبی مصنوعی (ANN) با بهینه سازی وزن های اولیه با استفاده از بهینه سازی ازدحام ذرات با رفتار کوانتومی (QPSO).

• انتخاب خودکار مناطق مناسب برای اجرای پروژه های انرژی های تجدیدپذیر.

این مقاله به شرح زیر سازماندهی شده است. بخش 2 چارچوب نظری هوش مصنوعی و الگوریتم QPSO را ارائه می کند. روش برای مشکل پیشنهادی در بخش 3 ارائه شده است. بخش 4 نتایج و بحثی در مورد آنها برای مجموعه داده های خورشیدی را نشان می دهد. علاوه بر این، این بخش شش مجموعه داده از ادبیات و هفت الگوریتم کلاسیک دیگر مورد استفاده برای مقایسه و اعتبار سنجی پیشنهاد را نشان می دهد. در نهایت، نتیجه گیری در بخش 5 ارائه شده است.

2. چارچوب نظری

هدف هوش مصنوعی سنتی نشان دادن رفتارهای هوشمندانه از طریق بازنمایی دقیق و کامل دانش است. با این حال، بسیاری از مشکلات دنیای واقعی را نمی توان دقیقاً توصیف کرد، یا دانش مناسب از عملکرد آنها در دسترس نیست (آنها “جعبه های سیاه” هستند). هوش محاسباتی (CI) به عنوان راه حلی برای این مشکلات ظاهر شد، بدون نیاز به دانش پیشینی زیادی از یک مسئله، راه حل های قوی و سازگار (انعطاف پذیر) برای سناریوهای متنوع تولید کرد [ 26 ].

حوزه CI شامل پارادایم‌های علوم محاسباتی و تحقیقات عملیاتی با دیدگاه پیاده‌سازی سیستم‌هایی است که رفتار هوشمندانه را نشان می‌دهند (که ممکن است به عنوان توانایی یادگیری و اعمال این یادگیری در سناریوهای جدید تعریف شود) در فرآیندهای تصمیم‌گیری پیچیده. از میان این پارادایم‌ها، نمونه‌هایی که از طبیعت الهام گرفته‌اند، غالب هستند، مانند ANN، سیستم‌های فازی (FS) و محاسبات تکاملی (EC)، علاوه بر سیستم‌های ترکیبی، که دارای مزایایی مانند تحمل نقص و ناقص یا نادرست بودن داده‌های مورد استفاده به عنوان یک ورودی برای الگوریتم ها [ 27 ].

استراتژی که به طور کلی در CI استفاده می شود، استفاده از تکنیک های تقریب است که راه حل های جزئی یا حتی ناقص را در یک فضای زمانی امکان پذیر و با هزینه محاسباتی قابل قبول پیدا می کند، زیرا آنها به طور کلی شامل مسائل با ابعاد بالا با نمونه های زیادی هستند [ 28 ].

یکی از انواع مشکلاتی که توسط CI به آن پرداخته می شود، مشکل طبقه بندی الگو است، مانند تشخیص متن [ 29 ] [ 30 ]، تشخیص تصویر [ 31 ]، طبقه بندی شکستگی های استخوان [ 32 ] [ 33 ]، آندومتریوز [ 34 ]، آریتمی [ 35 ] ] [ 36 ]، کیفیت معدنی [ 37 ] و شناسایی گیاهان دارویی [ 38 ]، به نام چند. در میان بسیاری از تکنیک‌های موجود برای رسیدگی به مشکلات طبقه‌بندی، می‌توان به Naïve Bayes [ 29 ] [ 39 ]، Decision Trees [ 40 ] [ 41 ] [ 42 ] اشاره کرد.]، ماشین‌های بردار پشتیبان [ 42 ] [ 43 ]، طبقه‌بندی فرآیند گاوسی [ 44 ] [ 45 ] [ 46 ]، k-نزدیک‌ترین همسایگان [ 47 ] [ 48 ] [ 49 ] [ 50 ]، روش‌های مجموعه [ 51 ] [ 52 [ 53 ] و شبکه های عصبی مصنوعی [ 54 ] [ 55 ] [ 56 ] [ 57 ] [ 58 ].

2.1. شبکه های عصبی مصنوعی (ANN)

این کار بر روی شبکه های عصبی مصنوعی متمرکز خواهد شد، زیرا آنها مزایایی مانند تحمل خطا و یادگیری تطبیقی ​​دارند [ 59 ]، علاوه بر مشکلاتی که می توان برای افزایش دقت آنها بررسی کرد [ 60 ]. از میان این مشکلات، ما به طور خاص به مقدار اولیه وزن‌های عصبی می‌پردازیم، اجزایی که دانش را ذخیره می‌کنند و در طول آموزش شبکه تغییر می‌کنند [ 61 ] [ 62 ] [ 63 ] [ 64 ].

از آنجایی که یافتن وزن های سیناپسی بهینه با استفاده از روش های تحلیلی دشوار است، استفاده از روش های بهینه سازی تکراری محلی یا جهانی [ 65 ] برای به دست آوردن آنها ضروری است. الگوریتم های آموزشی مبتنی بر گرادیان به دلیل اثربخشی آنها به طور گسترده مورد استفاده قرار می گیرند [ 65 ]. با این حال، آنها به آرامی همگرا می شوند و اغلب نمی توانند از حداقل های محلی فرار کنند [ 66 ].

از نظر تاریخی، وزن‌های سیناپسی با مقادیر مساوی آغاز می‌شدند که منجر به همگرایی جمعی آنها و به دست آوردن نتایج نامطلوب شد [ 67 ]. برای شکستن این تقارن، روش شروع تصادفی در یک بازه تعریف شده توسط روملهارت، هینتون و ویلیامز (1986) [ 68 ] پیشنهاد شد، اگرچه تصادفی بودن در شبکه های عصبی مصنوعی از زمان مدل پرسپترون وجود داشته است، که اتصالات تصادفی بین نورون ها را فرض می کرد [ 69 ].

مقداردهی اولیه مناسب وزن‌های سیناپسی در شبکه می‌تواند زمان تمرین را کاهش دهد و از حداقل‌های محلی بسیار ناخواسته اجتناب کند [ 70 ] [ 71 ] [ 72 ] [ 73 ]، با تأکید بر اینکه این پارامتر (وزن‌های سیناپسی) بیشترین تأثیر را بر عملکرد دارد. از شبکه های عصبی مصنوعی [ 74 ]. روش‌های زیادی برای غلبه بر این مشکلات توسعه داده شده‌اند، مانند روش‌هایی که شامل حداقل مربعات و تحلیل بازه‌ها هستند. این روش‌ها در کاهش خطای اولیه مؤثر بوده‌اند، اگرچه ثابت شده است که این روش‌ها ناپایدار بوده و اغلب قادر به غلبه بر حداقل‌های محلی نیستند [ 75 ]]. بنابراین، مطالعه تکنیک‌های اولیه‌سازی جدید برای شبکه‌های عصبی مصنوعی یک زمینه بسیار امیدوارکننده است و هدف این مقاله است.

یکی از اهداف این مقاله، همانطور که قبلا ذکر شد، بهبود دقت پرسپترون چندلایه پیشخور آموزش داده شده با LMA است، که به طور گسترده در آموزش ANN استفاده می شود [ 76 ] [ 77 ]، با بهینه سازی وزن های اولیه با استفاده از فراابتکاری QPSO ( رویکردی به نام QPSO-LMA). در سایر رویکردهای ترکیبی موجود در ادبیات، متفاوت از آنچه در اینجا استفاده می شود، فراابتکاری عمدتاً برای تنظیم پارامترهای ANN یا در جستجوی وزن های نهایی بهینه شبکه استفاده می شود [ 78 ] – [ 83 ].

2.2. بهینه سازی ازدحام ذرات (PSO)

PSO یک الگوریتم بهینه‌سازی تکاملی است که توسط کندی و ابرهارت در دهه 1990 [ 84 ] پیشنهاد شد که از انبوهی از ذرات در جستجوی بهینه جهانی برای یک مسئله معین استفاده می‌کند. از رفتار اجتماعی حیوانات در جستجوی غذا یا طعمه الهام گرفته شد [ 28 ]، که به عنوان ویژگی های قوی و کارآمدی در جستجوی بهینه جهانی [ 85 ] بود. PSO در بسیاری از زمینه های دانش، مانند مسیریابی وسایل نقلیه، بهینه سازی چند هدفه و سیستم های کنترل استفاده شده است [ 86 ].

فرآیند جستجوی انجام شده توسط الگوریتم شامل N ذره است که همسایگی ازدحام را کاوش کرده و اطلاعات را به همسایگان خود باز می گرداند. همچنین می‌توان آن را به‌عنوان فرآیندی درک کرد که جستجوها را بر اساس گرادیان و جمعیت‌ها ترکیب می‌کند و نیاز دارد که تابعی که باید بهینه شود باید از نوع باشد. f:D[ 28 ] [ 87 ] [ 88 ]، که در آن D بعد مسئله است.

هر ذره در ازدحام، سرعت و موقعیت خود را مطابق با معادلات (1) و (2) به روز می کند، که در آن ω مربوط به وزن اینرسی است، Cp و Cg به ترتیب نرخ یادگیری شناختی و نرخ یادگیری اجتماعی هستند .ϕ1و ϕ2مقادیر تصادفی یکنواخت در بازه [0، 1] توزیع شده اند.

Vمن+1=ωVمن+ϕ1سیپ(پبهستیمنایکسمن)+ϕ2سیg(gبهستیمنایکسمن)(1)

ایکسمن+1=ایکسمن+Vمن+1(2)

در معادله (1)، pbest و gbest به ترتیب حافظه بهترین راه حل بدست آمده توسط ذره و ازدحام هستند.

یکی از معایب اصلی نسخه کلاسیک الگوریتم PSO، انتخاب پارامترهای آزاد آن ω، Cp و Cg است که منجر به زمان پردازش طولانی‌تر می‌شود و همچنان همگرایی به حداقل‌های جهانی را تضمین نمی‌کند [ 89 ].

2.3. بهینه سازی ازدحام ذرات با رفتار کوانتومی (QPSO)

در نسخه کوانتومی الگوریتم PSO، وضعیت ذره توسط یک تابع موج داده می شود. ψ(ایکس،تی)، به جای خط سیر آن (سرعت و موقعیت). در قلمرو کوانتومی، اصطلاح سیر به دلیل اصل عدم قطعیت [ 61 ] بی معنی است. احتمال قرار گرفتن یک ذره در هر موقعیت را می توان از توزیع چگالی احتمال آن محاسبه کرد |ψ(ایکس،تی)|2.

با استفاده از روش مونت کارلو، ذرات موقعیت خود را مطابق با رابطه (3) [ 90 ] به روز می کنند:

{ایکسمن+1=پ+β|مبهستیمنایکسمن|لوگاریتم(1/تو)،اگرک<0.5ایکسمن+1=پβ|مبهستیمنایکسمن|لوگاریتم(1/تو)،اگرک<0.5(3)

که در آن β ضریب انقباض-انبساط [ 91 ] است، u و k اعداد تصادفی در محدوده [0، 1] هستند که از یک توزیع یکنواخت تولید می شوند. میانگین جهانی بهترین ( Mbest ) از جمعیت به عنوان میانگین pbest موقعیت های ازدحام تعریف می شود.

ضریب انقباض – انبساط β تنها پارامتری است که در الگوریتم QPSO تنظیم می شود و این را می توان از طریق بهینه سازی بیزی [ 92 ] انجام داد. جذب کننده محلی [ 91 ] برای تضمین همگرایی الگوریتم QPSO [ 93 ] با معادله (4) تعریف شده است.

پ=(φ1پبهستی+φ2gبهستی)/(φ1+φ2)(4)

جایی که φ1و φ2اعداد تصادفی تولید شده از یک توزیع یکنواخت در محدوده [0، 1] هستند. متناوبا، این اعداد را می توان از یک توزیع گاوسی مثبت با میانگین صفر و واریانس واحد تولید کرد که منجر به تعداد زیادی دامنه کوچک در حرکت ذرات می شود [ 93 ].

ثابت شده است که الگوریتم QPSO در بیشتر سناریوها [ 90 ] [ 94 ] [ 95 ] [ 96 ] [ 97 ] مؤثرتر از سایر پیاده‌سازی‌های الگوریتم‌های تکاملی است . در این کار، الگوریتم QPSO در یک مسئله پیچیده‌تر بهینه‌سازی RNA مورد آزمایش قرار گرفت و عملکرد آن با سایر روش‌های موجود در ادبیات مقایسه شد.

2.4. Hybrid Fuzzy C-Means (HFCM)

از آنجایی که الگوریتم کلاسیک فازی C-Means (FCM) مقدار اولیه اولیه تصادفی ماتریس پارتیشن فازی را فرض می‌کند، یک رویکرد فراابتکاری ترکیبی (HFCM) با هدف افزایش سرعت هم‌گرایی الگوریتم خوشه‌بندی استفاده شد. در این کار، ما از فراابتکاری تکامل دیفرانسیل برای مقداردهی اولیه ماتریس پارتیشن فازی ( μ0از آنجایی که آزمایشات نشان داد که این فراابتکاری می تواند تا 23.3 درصد سرعت تمرین الگوریتم را افزایش دهد [ 98 ]. شبه کد الگوریتم HFCM مورد استفاده برای این کار در الگوریتم 1 نشان داده شده است.

در الگوریتم 1، μمنj[0،1]ماتریس پارتیشن فازی است ( سیj=1μمنj=1،من) برای مثال i ( N مشاهدات) و j امین مرکز ( مرکز C ، در بازه زمانی [2،ن]) که فازی بودن خوشه بندی را مشخص می کند، معمولاً در محدوده تنظیم می شود [1.25،4]، با متر=2که مقدار کلی [ 99 ] [ 100 ] [ 101 ] است. ایکسمنجj2مجذور فاصله اقلیدسی بین مصادیق است ایکسمنو مرکزها جj.

الگوریتم 1. الگوریتم HFCM.

3. روش شناسی

در این بخش، روش مورد استفاده در کار، همراه با رویکرد QPSO مورد استفاده برای مقداردهی اولیه ANN ارائه شده است ( شکل 1 ).

این روش در پنج مرحله اصلی پیشنهاد شد: انتخاب داده، پیش پردازش، تبدیل، داده کاوی و ارزیابی نتایج. در مرحله انتخاب، داده ها از پایگاه های داده دولتی جمع آوری و برای استفاده در الگوریتم پیشنهادی انتخاب شدند. پیش پردازش شامل پر کردن و حذف متغیرهای همبسته بود. در مرحله سوم، تبدیل، داده ها نرمال سازی شدند تا به عنوان ورودی به شبکه عصبی مصنوعی استفاده شوند. مرحله داده کاوی نشان دهنده اجرای الگوریتم ها است و در نهایت نتایج مورد تجزیه و تحلیل قرار گرفت.

3.1. جمع آوری داده ها و پیش پردازش

مجموعه داده های خورشیدی مورد استفاده در این مشکل از وب سایت آژانس حفاظت از محیط زیست ایالات متحده (EPA) به دست آمده است. این آژانس بر ابتکار RE-Powering America’s Land نظارت دارد که مناطق متروکه با پتانسیل بازیابی و اجرای پروژه های انرژی تجدیدپذیر را شناسایی می کند.

با ابزار RE-Powering Mapper، می توان اطلاعات مربوط به پتانسیل انرژی های تجدیدپذیر در زمین های آلوده را تجسم و دانلود کرد. با استفاده از معیارهای غربالگری که با همکاری آزمایشگاه ملی انرژی های تجدیدپذیر (NREL) و سایر آژانس های دولتی توسعه یافته است، EPA بیش از 81000 سایت (در زمان انجام این تحقیق) را از نظر پتانسیل انرژی تجدیدپذیر آنها از قبل غربالگری کرده است. ویژگی های RE-Powering Mapper عبارتند از:

• نتایج غربالگری بیش از 81000 سایت برای انرژی خورشیدی، باد، زیست توده یا انرژی زمین گرمایی.

• گزینه های جستجو بر اساس تعدادی از ویژگی ها از جمله وضعیت، سطح زیر کشت، ظرفیت انرژی تجدیدپذیر، فاصله تا نزدیکترین مرکز شهری، و ابزارهای دیگر.

• گزارش های غربالگری خاص سایت.

• پیوندهایی به EPA یا برنامه ایالتی که پاکسازی سایت را مدیریت می کند.

داده های خام در مجموع 81533 نمونه را شامل می شود که هر کدام دارای 13 متغیر مستقل، علاوه بر 3 متغیر وابسته است. متغیرهای مستقل عبارتند از:

1) عرض جغرافیایی؛

2) طول جغرافیایی؛

3) مساحت، در متر مربع ؛

شکل 1 . مراحل روش شناسی

4) تابش عادی مستقیم (DNI)، بر حسب کیلووات ساعت بر متر مربع در روز.

5) وضعیت نزدیکترین پست (پروژه یا در حال کار)؛

6) ولتاژ نزدیکترین پست، بر حسب کیلوولت.

7) فاصله تا نزدیکترین پست، بر حسب مایل.

8) وضعیت نزدیکترین خط انتقال (پروژه یا در حال کار).

9) ولتاژ نزدیکترین خط انتقال، بر حسب کیلو ولت.

10) فاصله تا نزدیکترین خط انتقال، بر حسب مایل.

11) فاصله تا نزدیکترین جاده، بر حسب مایل.

12) جمعیت نزدیکترین منطقه شهری.

13) فاصله تا نزدیکترین منطقه شهری، بر حسب مایل.

متغیرهای وابسته با پتانسیل مکان تاسیسات خورشیدی فتوولتائیک مرتبط هستند. این مناطق را می توان به سه نوع طبقه بندی کرد:

1) خارج از شبکه: واحدهایی که به طور معمول انرژی تولید شده را به سیستم برق صادر نمی کنند و تابش خورشیدی آنها حداقل 2.5 کیلووات ساعت بر متر مربع در روز است.

2) مقیاس بزرگ: با حداقل 300 کیلووات (کیلووات) توان در مناطق حداقل 8000 متر مربع ، حداکثر 1.6 کیلومتر از خطوط انتقال و حداقل تابش خورشیدی 3.5 کیلووات ساعت بر متر مربع در روز.

3) مقیاس کاربردی: کار در مقیاس مگاوات (MW) در مناطق بزرگتر از 160000 متر مربع که در دسترس بودن تابش خورشیدی بیشتر یا مساوی 5 کیلووات ساعت بر متر مربع در روز و تا 16 کیلومتر از خطوط انتقال است. .

از 81533 امتیاز تجزیه و تحلیل شده، یک یا چند متغیر برای 32429 نقطه داده وجود نداشت که باید پر می شد. برای جبران این کمبود، می توان از میانگین هر متغیر استفاده کرد که ممکن است منجر به مغایرت شود، زیرا دامنه مجموعه قابل توجه بود. با در نظر گرفتن این موضوع، پیشنهاد شد که نمونه‌ها را می‌توان با استفاده از الگوریتم HFCM [ 98 ] در مجموعه‌های کوچک‌تر خوشه‌بندی کرد، با هدف کاهش دامنه هر متغیر به منظور انجام درونیابی خطی برای تأمین داده‌های از دست رفته.

داده های تولید شده جدید دارای واریانس کمتری در مقایسه با داده های تولید شده توسط یک درونیابی که برای کل مجموعه به طور همزمان انجام می شود، بدون درون یابی خطی انجام شده در هر خوشه است. از آنجایی که شبکه های عصبی ایجاب می کنند که همه متغیرها در مراحل آموزش و آزمایش دارای ابعاد یکسانی باشند، این مرحله از پیش پردازش داده ها ضروری بود.

در مقایسه با استفاده از یک مجموعه داده کامل، بدون داده های از دست رفته، می توان بدتر شدن نتایج و در نتیجه از دست دادن دقت را فرض کرد. بنابراین، این مرحله پیش پردازش در کاهش این زوال مهم است.

لازم بود که هیچ متغیری، در هر نمونه از هیچ یک از خوشه ها، خالی بماند. در عین حال، خوشه ها باید به اندازه کافی کوچک باشند تا اعوجاج ها را به حداقل برسانند. بنابراین، پس از بسیاری از آزمایش‌های اولیه، تعداد خوشه‌ها به‌طور تجربی روی 200 عدد تعیین شد که تعداد نمونه‌ها در هر خوشه از 42 تا 1863 با میانگین 407 متغیر بود. خوشه‌هایی که تشکیل شدند امکان کاهش دامنه هر متغیر را فراهم کردند. ، درون یابی داده های از دست رفته را واقعی تر می کند.

تجزیه و تحلیل همبستگی از 11 متغیر انجام شد (از اعداد 3 تا 13 که در ابتدای این بخش نشان داده شد، زیرا متغیرهای 1 و 2 که نشان دهنده طول و عرض جغرافیایی هستند، برای تجزیه و تحلیل طبقه بندی در نظر گرفته نشدند). همبستگی 91 درصدی بین متغیرهای شماره 10 (“فاصله تا نزدیکترین خط انتقال”) و شماره 11 (“فاصله تا نزدیکترین جاده”) یافت شد. برای جلوگیری از وقوع چند خطی، متغیر شماره 11 از مدل طبقه‌بندی حذف شد، زیرا ارتباط کمتری با مسئله مورد بررسی دارد.

پس از جمع‌آوری و پیش‌پردازش، داده‌ها به مجموعه‌های ورودی و هدف برای ANN که توسط الگوریتم QPSO مقداردهی شده‌اند، با استفاده از استراتژی Holdout، که یکی از قابل‌اطمینان‌ترین در هنگام تخمین دقت یک مدل پیش‌بینی‌کننده در نظر گرفته می‌شود، جدا شدند [ 102 ]. داده ها به دو مجموعه آموزشی و آزمایشی تقسیم شدند که 50 درصد داده ها در هر کدام به صورت تصادفی انتخاب شدند تا ارزیابی ایمن تر از کیفیت طبقه بندی و سادگی محاسباتی بیشتر در رابطه با متقاطع k-fold انجام شود. اعتبارسنجی [ 103 ] [ 104 ] [ 105 ]. برای هم ارزی، تنظیم بیزی در شبکه عصبی استفاده شد، که از استفاده از مجموعه اعتبار سنجی صرف نظر می کند.

3.2. الگوریتم پیشنهادی (QPSO-LMA ANN)

فرآیند اولیه سازی پیشنهادی شامل به حداقل رساندن میانگین مربعات خطا (MSE) بین مقادیر هدف ANN و مقادیر پیش بینی شده در طول فرآیند یادگیری، با استفاده از الگوریتم QPSO، که در اینجا توسط QPSO-LMA ANN، یا به سادگی، QPSO-LMA نامیده می شود، است. مجموعه وزن‌ها و بایاس، w ، مربوط به موقعیت ذرات است که باید توسط الگوریتم QPSO بهینه‌سازی شوند ( w به عنوان آرایه‌ای از مقادیر تصادفی مقداردهی اولیه می‌شود).

در شبه کد نشان داده شده در الگوریتم 2، H تعداد نورون ها در لایه پنهان است، N اندازه ازدحام برای الگوریتم QPSO، D بعد مسئله است (تابع تعداد متغیرهای مشکل: ورودی ها و

الگوریتم 2. شبه کد QPSO برای مقداردهی اولیه ANN.

ابعاد و تعداد نورون های لایه پنهان را هدف می گیرد و f تابع خطا (MSE) است که باید به حداقل برسد.

به عنوان خروجی ، مقادیر پیش‌بینی‌شده توسط شبکه را خواهیم داشت که با مقادیر هدف برای اندازه‌گیری دقت درصد و وزن‌های بهینه شده ( best ) مقایسه می‌شوند، که برای مقداردهی اولیه LMA در یک خوراک استفاده می‌شوند. ANN رو به جلو، زیرا آنها تأثیر زیادی بر همگرایی الگوریتم دارند.

تفاوت بین این روش و سایر پیشنهادات [ 106 ] [ 107 ] در این واقعیت است که در اینجا فراابتکاری در مرحله اولیه سازی الگوریتم استفاده شد، با هدف دور زدن دام حداقل های محلی که الگوریتم LMA در ابتدای خود در معرض آن قرار می گیرد. اگر جستجو دور از حداقل جهانی شروع شود، منجر به عدم همگرایی می شود [ 108 ]. بنابراین، الگوریتم در جستجوی حداقل جهانی بدون گران شدن محاسباتی مؤثرتر شد، همانطور که در پیشنهادات ارائه شده در ادبیات وجود دارد.

4. نتایج و بحث

در این بخش نتایج مجموعه داده های خورشیدی و همچنین شش مجموعه داده دیگر از ادبیات علمی ارائه شده است. آزمایش مجموعه داده ها برای مقایسه عملکرد تکنیک پیشنهادی و اعتبار سنجی آن در کنار آنچه قبلاً در مورد مشکلات طبقه بندی توسعه داده شده است، در نظر گرفته شده است. یک کامپیوتر Intel i7-2600 (3.40 گیگاهرتز) با 16 گیگابایت رم استفاده شد. تمامی الگوریتم ها در MATLAB نسخه R2018b پیاده سازی شدند.

تعداد نورون ها در لایه پنهان و تعداد ذرات در ازدحام توسط بهینه سازی بیزی تعیین شد که از شبکه های بیزی برای گرفتن استقلال بین متغیرهای تصمیم گیری مسئله بهینه سازی استفاده می کند [ 109 ].

4.1. مجموعه داده انرژی خورشیدی

با در نظر گرفتن مجموعه داده های خورشیدی ارائه شده در بخش 3، تکنیک هیبریدی QPSO-LMA به کاهش 19.6 درصدی از نظر MSE در رابطه با آموزش کلاسیک LMA با وزن های اولیه تصادفی دست یافت. تجزیه و تحلیل درصد دقت ( جدول 1 را ببینید )، برای مجموعه تست، افزایش تقریباً 7.3٪ برای QPSO-LMA نسبت به LMA را نشان داد که از 75.5٪ دقیق به 81.0٪ افزایش یافته است. شکل 2 نتایج طبقه بندی و مکان های طبقه بندی شده را برای بهترین نتیجه به دست آمده توسط الگوریتم QPSO-LMA نشان می دهد.

شکل 2 (الف) توزیع سه نوع منطقه متروکه را در سرتاسر قلمرو آمریکا نشان می‌دهد، با غالب مناطق “عملیات” در منطقه جنوب غربی. این مناطق بزرگترین و دارای بیشترین میزان تابش خورشیدی هستند. منطقه جنوب غربی ایالات متحده با داشتن مناطق باز و بیابانی بزرگ، با آب و هوای خشک و آفتابی مشخص می شود که منجر به تمرکز بیشتر مناطق از نوع “Utility” در این منطقه می شود. مناطق از نوع “بزرگ” در منطقه شرقی متمرکز شده اند، که یک اصطلاح میانی بین مناطق “عملیات” و “خارج از شبکه” است، با بهره گیری از زمین های متوسط ​​و با

(الف)(ب)

شکل 2 . نتایج طبقه بندی (الف) و دقت (ب) با QPSO-LMA.

تابش خورشیدی مناسب در نهایت، کوچکترین مناطق، از نوع “خارج از شبکه”، در مناطق شمال شرقی و ساحل غربی متمرکز شدند، اما همچنین در سراسر قلمرو آمریکا ظاهر می شوند. این مناطق کوچک به دنبال استفاده حداکثری از منابع موجود، از جمله زمین های کوچک موجود و تشعشعات خورشیدی هستند.

شکل 2 (ب) مناطق به درستی طبقه بندی شده (81.0٪) را نشان می دهد. مناطق طبقه بندی نادرست (19.0٪) در سراسر قلمرو آمریکا، و همچنین هر نوع منطقه متروکه توزیع شده است، که منجر به این نتیجه می شود که به دلیل عدم تعادل مجموعه داده، هیچ گونه تعصبی برای طبقه بندی وجود ندارد. شکل 3 نشان می دهد که دقت طبقه بندی برای مقیاس خارج از شبکه، مقیاس بزرگ و مقیاس کاربردی به ترتیب 9/83، 6/71 و 9/70 درصد است.

شکل 3 . ماتریس سردرگمی طبقه بندی برای مجموعه داده های خورشیدی با QPSO-LMA.

همانطور که در شکل 3 مشاهده می شود ، خطاهای مربوط به مناطق خارج از شبکه (کلاس 1) در کلاس 2 (مقیاس بزرگ) متمرکز شده اند زیرا دارای ویژگی های مشابه بیشتری نسبت به کلاس 3 (مقیاس ابزار) است. در مورد سایر کلاس ها هم همین اتفاق افتاد.

4.2. مجموعه داده ها از ادبیات

الگوریتم پیشنهادی همچنین بر روی شش مجموعه داده از متون، که بیشترین استناد در مخزن یادگیری ماشین UCI در تاریخ جمع‌آوری داده‌ها است، برای تایید اثربخشی آن مورد آزمایش قرار گرفت. مجموعه داده‌های آزمایش‌شده، موجود در:

1) سرطان پستان: 9 ویژگی و 699 مورد، که به عنوان خوش خیم (65.5٪ موارد) یا بدخیم (34.5٪ موارد) طبقه بندی شده اند.

2) جنسیت خرچنگ: 6 ویژگی و 200 نمونه، طبقه بندی شده به عنوان نر (50٪) یا ماده (50٪).

3) سرطان تخمدان: 100 ویژگی و 216 مورد، که به عنوان بیماران مبتلا به سرطان (56٪) یا بیماران بدون (44٪) طبقه بندی می شوند.

4) عملکرد تیروئید: 21 ویژگی و 7200 مورد، طبقه بندی شده به عنوان طبیعی (2.3٪)، پرکاری تیروئید (5.1٪) و کم کاری تیروئید (92.6٪).

5) بیماری پارکینسون: 22 ویژگی و 195 مورد، که به عنوان بیماری پارکینسون (75.4٪) یا سالم (24.6٪) طبقه بندی می شوند.

6) یونوسفر: 34 ویژگی و 351 نمونه، طبقه بندی شده به عنوان بازده راداری خوب (64.1٪) و راداری بد (35.9٪).

الگوریتم پیشنهادی، QPSO-LMA، بهترین نتایج دقت را برای همه مجموعه داده ها به دست آورد ( جدول 1 را ببینید )، از جمله مجموعه داده انرژی خورشیدی. مجموعه داده های Thyroid Function و همچنین مجموعه داده های Solar بسیار نامتعادل هستند و حتی در این پایگاه های داده الگوریتم پیشنهادی توانسته است از سایر الگوریتم ها پیشی بگیرد.

نتایج همچنین با استفاده از برخی از الگوریتم‌های کلاسیک مقایسه شدند: تحلیل تفکیک خطی (LDA)، ساده بیز (NB)، درختان تصمیم (DT)، ماشین‌های بردار پشتیبانی (SVM) و جنگل تصادفی (RF)، یک استراتژی یادگیری گروهی. این تکنیک ها با بهینه سازی پارامتر بیزی نیز آزمایش شده اند. دو تکنیک ترکیبی از ادبیات نیز مورد آزمایش قرار گرفتند که فراابتکاری و شبکه‌های عصبی را با بهینه‌سازی پارامتر [ 106 ] [ 107 ] ترکیب می‌کنند: الگوریتم لونبرگ-مارکوارت مبتنی بر کلونی زنبورهای مصنوعی (ABC-LMA) و بهینه‌سازی ازدحام ذرات شتاب‌دار مبتنی بر Levenberg-Marquardt. APSO-LMA).

همه بهترین نتایج با الگوریتم QPSO-LMA به دست آمد و به هدف کار ارائه یک استراتژی اولیه سازی جدید و کارآمد وزن ها و بایاس برای شبکه های عصبی مصنوعی به منظور حل، با حداکثر دقت، مشکل طبقه بندی مناطق رها شده دست یافت. می تواند برای تاسیسات انرژی خورشیدی مناسب باشد. جدول 1 و شکل 4 نتایج را نشان می دهد.

شکل 4 . نتایج برای همه مجموعه داده ها و الگوریتم ها. منبع: نویسندگان

برای سناریوی انرژی خورشیدی، افزایش دقت نشان دهنده کاهش خطا و در نتیجه کارایی بیشتر در انتخاب بهترین مناطق مناسب برای تولید برق تجدیدپذیر است.

شایان ذکر است که در منابع موجود در ادبیات، معمولاً هیچ تقسیم بندی داده ها در آموزش و آزمایش وجود ندارد، تنها در مرحله آموزش، که در آن خطا به طور قابل توجهی کوچکتر است. علاوه بر این، فراابتکاری QPSO فقط برای مقداردهی اولیه وزن ها استفاده شد که زمان کل پردازش را در مقایسه با سایر مدل های ترکیبی در ادبیات کاهش می دهد.

5. نتیجه گیری ها

هدف از این کار طبقه‌بندی مناطق متروکه‌ای بود که می‌توان تأسیسات انرژی خورشیدی را به منظور استفاده مجدد از آن مناطق نصب کرد (همچنین می‌توان سیستم‌های تصمیم‌گیری مشابهی را برای باد، زیست توده و انرژی زمین‌گرمایی و غیره پیاده‌سازی کرد). پتانسیل انرژی عظیمی در این مناطق متروکه وجود دارد، اگرچه در حال حاضر مورد غفلت قرار گرفته اند. برای دستیابی به هدف طبقه بندی، یک ANN با LMA آموزش داده شد که در آن وزن های اولیه از طریق فراابتکاری QPSO به دست آمد.

در حال حاضر، پروژه‌های نوسازی در این مناطق، بدون استفاده از تجزیه و تحلیل داده‌ها در فرآیند تصمیم‌گیری، آماده نشده‌اند، که منجر به انتخاب‌های ناکارآمد می‌شود. تنها معیارهایی که توسط EPA و NREL برای طبقه‌بندی مناطق متروکه استفاده می‌شود، معمولاً محدوده‌های ارزشی با توجه به برخی از متغیرهای پروژه (ظرفیت تخمینی، تابش عادی مستقیم، مساحت زمین و فاصله تا خطوط انتقال) است.

با استفاده از روش هایی مانند آنچه در این کار ارائه شده است، می توان این فرآیند تصمیم گیری را بهبود بخشید، خطاها در انتخاب مناسب ترین مناطق را کاهش داد، و امکان افزایش کارایی در تخصیص منابع برای اجرای پروژه های جدید مرتبط با انرژی خورشیدی را فراهم کرد. مناطقی که به درستی برای نوسازی انتخاب شده اند، تولید انرژی بیشتر و در نتیجه بازدهی بیشتری را در سرمایه گذاری انجام شده فراهم می کنند و انرژی های تجدیدپذیر را حتی رقابتی تر می کنند.

نتایج به‌دست‌آمده با مجموعه داده انرژی خورشیدی در شش مورد از مجموعه داده‌های پراستناد در مخزن یادگیری ماشین UCI تأیید شد و نشان داد که استراتژی پیشنهادی در همه آنها کارآمدتر است. علاوه بر این، هفت تکنیک طبقه‌بندی دیگر با هفت مجموعه داده آزمایش شدند که QPSO-LMA بهترین نتیجه را در همه موارد به دست آورد. این بدان معنی است که QPSO-LMA می تواند دقت شبکه های عصبی مصنوعی را بهبود بخشد و ظرفیت بهینه سازی الگوریتم QPSO را با تطبیق پذیری شبکه های عصبی مصنوعی در مسائل طبقه بندی ترکیب کند.

دانش به دست آمده توسط شبکه های عصبی مصنوعی با مجموعه داده های خورشیدی را می توان به مناطق دیگر سیاره تعمیم داد، زیرا فقط از متغیرهای فنی برای انرژی خورشیدی استفاده شد. این امکان شناسایی زمین در مکان هایی را فراهم می کند که هنوز ابزار طبقه بندی کافی ندارند. تکنیک QPSO-LMA همچنین می‌تواند در سایر مسائل طبقه‌بندی، از جمله سایر زمینه‌های انرژی‌های تجدیدپذیر، مانند انرژی باد و زمین گرمایی و زیست توده استفاده شود.

پیشنهادات برای کارهای آینده همچنین شامل استفاده از الگوریتم QPSO-LMA در سایر پایگاه های داده است، زیرا در اینجا ما فقط در هفت پایگاه داده (در مورد انرژی خورشیدی، مشکل ما و شش مجموعه داده از مخزن UCI) استفاده کرده بودیم که البته محدودیت این مقاله به همین ترتیب، استفاده از سایر تکنیک های داده کاوی برای مقایسه با الگوریتم پیشنهادی QPSO-LMA و همچنین فراابتکاری جدید علاوه بر QPSO جالب خواهد بود. استفاده از الگوریتم‌های متعادل‌سازی داده‌ها، خواه از تکنیک‌های کم‌نمونه‌سازی (حذف نمونه‌های متعلق به کلاس بیش‌بازنمایی‌شده)، یا نمونه‌برداری بیش‌ازحد (تولید نمونه‌های جدید، از طریق خوشه‌بندی و درون‌یابی، نسبت به کلاس کم‌نمونه‌شده) نیز می‌تواند استفاده شود.

منابع

[ 1 ] اداره اطلاعات انرژی ایالات متحده (2017) چشم انداز بین المللی انرژی 2017.
[ 2 ] Griffin, PW, Hammond, GP and Norman, JB (2018) مصرف انرژی صنعتی و کاهش انتشار کربن در بخش مواد شیمیایی: دیدگاه انگلستان. انرژی کاربردی، 227، 587-602.
https://doi.org/10.1016/j.apenergy.2017.08.010
[ 3 ] Almeida, CMVB, Agostinho, F., Huisingh, D. and Giannetti, BF (2017) تولید پاکتر به سمت یک گذار پایدار. مجله تولید تمیزتر، 142، 1-7.
https://doi.org/10.1016/j.jclepro.2016.10.094
[ 4 ] Cadez, S. and Czerny, A. (2016) استراتژی های کاهش تغییرات آب و هوایی در شرکت های کربن فشرده. مجله تولید تمیزتر، 112، 4132-4143.
https://doi.org/10.1016/j.jclepro.2015.07.099
[ 5 ] Perea-Moreno، A.-J.، García-Cruz، A.، Novas، N. and Manzano-Agugliaro، F. (2017) تحلیل پشت بام برای ارزیابی کلکتور صفحه تخت خورشیدی برای دستیابی به انرژی پایداری. مجله تولید تمیزتر، 148، 545-554.
https://doi.org/10.1016/j.jclepro.2017.02.019
[ 6 ] Manan، ZA، Mohd Nawi، WNR، Wan Alwi، SR و Klemes، JJ (2017) پیشرفت‌ها در تحقیقات یکپارچه‌سازی فرآیند برای کاهش انتشار CO2 – مروری. مجله تولید تمیزتر، 167، 1-13.
https://doi.org/10.1016/j.jclepro.2017.08.138
[ 7 ] Lambin، EF و Meyfroidt، P. (2011) تغییر کاربری زمین جهانی، جهانی شدن اقتصادی، و کمبود زمین در آینده. مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا، 108، 3465-3472.
https://doi.org/10.1073/pnas.1100480108
[ 8 ] Morio, M., Schadler, S. and Finkel, M. (2013) استفاده از چارچوب الگوریتم ژنتیک چند معیاره برای بهینه‌سازی استفاده مجدد براونفیلد: بهبود گزینه‌های توسعه مجدد بر اساس ترجیحات ذینفعان. مجله مدیریت محیط زیست، 130، 331-346.
https://doi.org/10.1016/j.jenvman.2013.09.002
[ 9 ] Goldewijk, KK, Beusen, A., Doelman, J. and Stehfest, E. (2017) برآوردهای استفاده انسانی از زمین برای Holocene-HYDE 3.2. داده های علم سیستم زمین، 9، 927-953.
https://doi.org/10.5194/essd-9-927-2017
[ 10 ] Nuissl, H. and Schroeter-Schlaack, C. (2009) در مورد رویکرد اقتصادی به مهار مصرف زمین. علم و سیاست زیست محیطی، 12، 270-280.
https://doi.org/10.1016/j.envsci.2009.01.008
[ 11 ] Apostolidis, N. and Hutton, N. (2006) مدیریت یکپارچه آب در سایت های براونفیلد – فرصت های بیشتر از آنچه فکر می کنید. نمک زدایی، 188، 169-175.
https://doi.org/10.1016/j.desal.2005.04.114
[ 12 ] Cao, K. and Guan, H. (2007) توسعه مجدد براونفیلد به سمت استفاده پایدار شهری از زمین در چین. علم جغرافیای چین، 17، 127-134.
https://doi.org/10.1007/s11769-007-0127-5
[ 13 ] Zappa, W., Junginger, M. and Van den Broek, M. (2019) آیا یک سیستم برق 100٪ تجدیدپذیر اروپایی تا سال 2050 امکان پذیر است؟ انرژی کاربردی، 233-234، 1027-1050.
https://doi.org/10.1016/j.apenergy.2018.08.109
[ 14 ] González، MOA، Goncalves، JS and Vasconcelos، RM (2017) توسعه پایدار: مطالعه موردی در اجرای انرژی های تجدیدپذیر در برزیل. مجله تولید تمیزتر، 142، 461-475.
https://doi.org/10.1016/j.jclepro.2016.10.052
[ 15 ] لیما، اف.، فریرا، پی و ویرا، اف. (2013) مدیریت تاثیر استراتژیک پروژه های انرژی بادی. بررسی های انرژی های تجدید پذیر و پایدار، 25، 277-290.
https://doi.org/10.1016/j.rser.2013.04.010
[ 16 ] Fernández-García, A., Rojas, E., Pérez, M., Silva, R., Hernández-Escobedo, Q. and Manzano-Agugliaro, F. (2015) A Parabolic-Trough Collector for Cleaner Industrial Process Heat. مجله تولید تمیزتر، 89، 272-285.
https://doi.org/10.1016/j.jclepro.2014.11.018
[ 17 ] Bergius, K. and Oberg, T. (2007) غربالگری اولیه زمین های آلوده: مقایسه ای از روش های ایالات متحده و سوئد. مدیریت محیط زیست، 39، 226-234.
https://doi.org/10.1007/s00267-006-0005-4
[ 18 ] Zhu, J., Liao, S., Lei, Z. and Li, SZ (2017) طبقه‌بندی ویژگی عابر پیاده مبتنی بر شبکه عصبی کانولوشنال چند برچسبی. محاسبات تصویر و چشم انداز، 58، 224-229.
https://doi.org/10.1016/j.imavis.2016.07.004
[ 19 ] هارتمن، بی.، توروک، اس.، بورکسوک، ای. و اولاهن گروما، وی. (2014) روش چند هدفه برای توسعه مجدد با هدف انرژی سایت های براونفیلد. مجله تولید تمیزتر، 82، 202-212.
https://doi.org/10.1016/j.jclepro.2014.07.002
[ 20 ] Kovacs, H. and Szemmelveisz, K. (2017) گزینه های دفع گیاهان آلوده که در زمین های براونفیلد آلوده به فلزات سنگین رشد می کنند – مروری. Chemosphere, 166, 8-20.
https://doi.org/10.1016/j.chemosphere.2016.09.076
[ 21 ] دفتر انتشارات دولت ایالات متحده (2002) قانون عمومی 107-118—تسکین مسئولیت مشاغل کوچک و قانون احیای براونفیلد. HR 2869, 1-27.
https://goo.gl/UK19n2
[ 22 ] دفتر انتشارات دولت ایالات متحده (2015) 42 USC 9601-9628—انتشار مواد خطرناک، مسئولیت، جبران خسارت. کد ایالات متحده، 2012 Ed Suppl 3، عنوان 42—Public Heal Welfare، زیرفصل اول، 6945-7034.
https://goo.gl/y0ki6N
[ 23 ] Rong, L., Zhang, C., Jin, D. and Dai, Z. (2017) ارزیابی استفاده بالقوه از زباله جامد شهری از محل دفن زباله نامنظم بسته. مجله تولید تمیزتر، 142، 413-419.
https://doi.org/10.1016/j.jclepro.2015.10.050
[ 24 ] دفتر انتشارات دولت ایالات متحده (2011) 40 CFR 239-282 – مواد زائد جامد. کد فدرال رگول (اداره سالانه).
https://goo.gl/UBCLDF
[ 25 ] جاستین، ام. نمک زدایی، 246، 157-168.
https://doi.org/10.1016/j.desal.2008.03.049
[ 26 ] Siddique, N. and Adeli, H. (2013) هوش محاسباتی: هم افزایی منطق فازی، شبکه های عصبی و محاسبات تکاملی. جان وایلی و پسران، آموزشی ویبولیتین، آکسفورد.
https://doi.org/10.1002/9781118534823
[ 27 ] Kacprzyk, J. and Pedrycz, W., Eds. (2015) کتاب راهنمای هوش محاسباتی Springer. اسپرینگر، برلین
https://doi.org/10.1007/978-3-662-43505-2
[ 28 ] Kruse, R., Borgelt, C., Braune, C., Mostaghim, S. and Steinbrecher, M. (2016) هوش محاسباتی: مقدمه روش شناختی. چاپ دوم، اسپرینگر، لندن.
https://doi.org/10.1007/978-1-4471-7296-3
[ 29 ] Hadi, W., Al-Radaideh, QA and Alhawari, S. (2018) ادغام طبقه بندی مبتنی بر قانون انجمنی با بیز ساده برای طبقه بندی متن. محاسبات نرم کاربردی، 69، 344-356.
https://doi.org/10.1016/j.asoc.2018.04.056
[ 30 ] Mirończuk, MM and Protasiewicz, J. (2018) مروری بر جدیدترین عناصر طبقه بندی متن. سیستم های خبره با برنامه های کاربردی، 106، 36-54.
https://doi.org/10.1016/j.eswa.2018.03.058
[ 31 ] Yuan, H., Li, J., Lai, LL and Tang, YY (2018) رگرسیون رتبه چندگانه مبتنی بر نمودار برای طبقه بندی تصویر. محاسبات عصبی، 315، 394-404.
https://doi.org/10.1016/j.neucom.2018.07.032
[ 32 ] Agrawal, A. (2018) طبقه بندی یکپارچه شکستگی های باز: بر اساس طرح های طبقه بندی Gustilo و OTA. جراحت، 49، 1526-1531.
https://doi.org/10.1016/j.injury.2018.06.007
[ 33 ] Soni, A., Gupta, R., Gupta, S., Kansay, R. and Kapoor, L. (2018) مکانیسم طبقه بندی بر اساس آسیب شکستگی های پروگزیمال تیبیا. مجله ارتوپدی بالینی و تروما، 10، 785-788.
https://doi.org/10.1016/j.jcot.2018.08.012
[ 34 ] Andres, MP, Borrelli, GM and Abrao, MS (2018) طبقه بندی اندومتریوز بر اساس علائم درد: آیا می توان طبقه بندی ASRM را بهبود بخشید؟ بهترین عمل و تحقیقات بالینی زنان و زایمان، 51، 111-118.
https://doi.org/10.1016/j.bpobgyn.2018.06.003
[ 35 ] Cappe, M., Deruelle, P., Depret, S., Houfflin-Debarge, V., Ghesquière, L. and Garabedian, C. (2018) طبقه بندی ضربان قلب جنین در استفاده روتین: ترجیح می دهید 3 لایه یا یک طبقه بندی 5 لایه؟ مجله زنان و زایمان زنان و زایمان، 47، 477-480.
https://doi.org/10.1016/j.jogoh.2018.08.001
[ 36 ] Sannino, G. and De Pietro, G. (2018) یک رویکرد یادگیری عمیق برای طبقه‌بندی ضربان قلب مبتنی بر ECG برای تشخیص آریتمی. سیستم های کامپیوتری نسل آینده، 86، 446-455.
https://doi.org/10.1016/j.future.2018.03.057
[ 37 ] Tutmez, B. (2018) طبقه بندی کیفیت بوکسیت با روش های انقباض. مجله اکتشافات ژئوشیمیایی، 191، 22-27.
https://doi.org/10.1016/j.gexplo.2018.05.002
[ 38 ] Ren, L., Guo, M. and Pang, X. (2018) شناسایی و طبقه بندی گیاهان دارویی در اپیمدیوم. داروهای گیاهی چینی، 10، 249-254.
https://doi.org/10.1016/j.chmed.2018.05.004
[ 39 ] Kim, H., Kim, J., Kim, J. and Lim, P. (2018) به سوی طبقه‌بندی متن کامل با یادگیری ساده‌دلانه معنایی مبتنی بر ویکی‌پدیا. محاسبات عصبی، 315، 128-134.
https://doi.org/10.1016/j.neucom.2018.07.002
[ 40 ] Wang, C. and Wang, JZ (2018) طبقه‌بندی درخت تصمیم‌گیری خدمات ابری برای پلتفرم آموزشی. تحقیقات سیستم های شناختی، 52، 234-239.
https://doi.org/10.1016/j.cogsys.2018.06.021
[ 41 ] Beucher, A., Moller, AB and Greve, MH (2019) شبکه های عصبی مصنوعی و طبقه بندی درخت تصمیم برای پیش بینی طبقات زهکشی خاک در دانمارک. ژئودرما، 352، 351-359.
[ 42 ] وو، دبلیو، لی، A.-D.، او، X.-H.، Ma، R.، لیو، H.-B. و Lv، J.-K. (2018) مقایسه ماشین‌های بردار پشتیبان، شبکه عصبی مصنوعی و درخت طبقه‌بندی برای شناسایی طبقات بافت خاک در جنوب غربی چین. کامپیوتر و الکترونیک در کشاورزی، 144، 86-93.
https://doi.org/10.1016/j.compag.2017.11.037
[ 43 ] Mancuhan, K. and Clifton, C. (2018) دسته‌بندی برداری پشتیبانی با l-Diversity. کامپیوترها و امنیت، 77، 653-665.
https://doi.org/10.1016/j.cose.2017.12.010
[ 44 ] Rinta-Koski، O.-P.، Sarkka، S.، Hollmén، J.، Leskinen، M. and Andersson، S. (2018) طبقه بندی فرآیند گاوسی برای پیش بینی مرگ و میر در بیمارستان در میان نوزادان نارس. محاسبات عصبی، 298، 134-141.
https://doi.org/10.1016/j.neucom.2017.12.064
[ 45 ] Andrade, D., Tamura, A. and Tsuchida, M. (2018) بهره‌برداری از تعبیه‌های متغیر کمکی برای طبقه‌بندی با استفاده از فرآیندهای گاوسی. نامه های تشخیص الگو، 104، 8-14.
https://doi.org/10.1016/j.patrec.2018.01.011
[ 46 ] Sovizi, J., Mathieu, KB, Thrower, SL, Stefan, W., Hazle, JD and Fuentes, D. (2017) طبقه بندی فرآیند گاوسی داده های آرامش سنجی سوپرپارامغناطیس: مطالعه فانتوم. هوش مصنوعی در پزشکی، 82، 47-59.
https://doi.org/10.1016/j.artmed.2017.07.001
[ 47 ] مولر، پی، سالمینن، ک.، نیمینن، وی، کونتونن، ا.، کارجلاینن، م.، ایسوکوسکی، پی، و همکاران. (2019) طبقه‌بندی بو توسط K نزدیکترین همسایگان با استفاده از اندازه‌گیری‌های طیف‌سنجی تحرک یونی. سیستم های خبره با برنامه های کاربردی، 115، 593-606.
https://doi.org/10.1016/j.eswa.2018.08.042
[ 48 ] Zhang, X., Li, Y., Kotagiri, R., Wu, L., Tari, Z. and Cheriet, M. (2017) KRNN: K Rare-Class طبقه بندی نزدیکترین همسایه. شناخت الگو، 62، 33-44.
https://doi.org/10.1016/j.patcog.2016.08.023
[ 49 ] Guo, Y., Han, S., Li, Y., Zhang, C. and Bai, Y. (2018) K-Nearest Neighbor همراه با فیلتر هدایت شونده برای طبقه بندی تصویر فراطیفی. Procedia Computer Science, 129, 159-165.
https://doi.org/10.1016/j.procs.2018.03.066
[ 50 ] Gallego، A.-J.، Calvo-Saragoza، J.، Valero-Mas، JJ and Rico-Juan، JR (2018) طبقه‌بندی K-نزدیک‌ترین همسایه مبتنی بر خوشه‌بندی برای داده‌های مقیاس بزرگ با بازنمایی کدهای عصبی. شناخت الگو، 74، 531-543.
https://doi.org/10.1016/j.patcog.2017.09.038
[ 51 ] Feng, X., Xiao, Z., Zhong, B., Qiu, J. and Dong, Y. (2018) طبقه بندی گروه پویا برای امتیازدهی اعتبار با استفاده از احتمال نرم. محاسبات نرم کاربردی، 65، 139-151.
https://doi.org/10.1016/j.asoc.2018.01.021
[ 52 ] Jackowski, K. (2018) اندازه گیری تنوع جدید برای گروه های طبقه بندی جریان داده. کاربردهای مهندسی هوش مصنوعی، 74، 23-34.
https://doi.org/10.1016/j.engappai.2018.05.006
[ 53 ] Ankit و Saleena، N. (2018) یک سیستم طبقه بندی گروهی برای تجزیه و تحلیل احساسات توییتر. Procedia Computer Science, 132, 937-946.
https://doi.org/10.1016/j.procs.2018.05.109
[ 54 ] Simoncini, M., Taccari, L., Sambo, F., Bravi, L., Salti, S. and Lori, A. (2018) طبقه‌بندی خودرو از داده‌های GPS فرکانس پایین با شبکه‌های عصبی مکرر. تحقیق حمل و نقل قسمت ج: فناوری های نوظهور، 91، 176-191.
https://doi.org/10.1016/j.trc.2018.03.024
[ 55 ] Sharma, N., Jain, V. and Mishra, A. (2018) تجزیه و تحلیل شبکه های عصبی کانولوشن برای طبقه بندی تصویر. Procedia Computer Science, 132, 377-384.
https://doi.org/10.1016/j.procs.2018.05.198
[ 56 ] Li, H., Li, G., Ji, X. and Shi, L. (2018) بازنمایی عمیق از طریق شبکه عصبی کانولوشن برای طبقه‌بندی جریان‌های رویداد فضایی-زمانی. محاسبات عصبی، 299، 1-9.
https://doi.org/10.1016/j.neucom.2018.02.019
[ 57 ] de Mesquita Sá، JJJ،، Backes، AR و Bruno، OM (2018) توصیفگرهای تصادفی مبتنی بر شبکه عصبی برای طبقه‌بندی شکل. محاسبات عصبی، 312، 201-209.
https://doi.org/10.1016/j.neucom.2018.05.099
[ 58 ] Gotsopoulos, A., Saarimaki, H., Glerean, E., Jaaskelainen, IP, Sams, M., Nummenmaa, L., et al. (2018) تکرارپذیری روش‌های استخراج اهمیت در طبقه‌بندی fMRI مبتنی بر شبکه عصبی. Neuroimage، 181، 44-54.
https://doi.org/10.1016/j.neuroimage.2018.06.076
[ 59 ] Marugán، AP، Márquez، FPG، Perez، JMP و Ruiz-Hernández، D. (2018) بررسی شبکه عصبی مصنوعی در سیستم‌های انرژی باد. انرژی کاربردی، 228، 1822-1836.
https://doi.org/10.1016/j.apenergy.2018.07.084
[ 60 ] Cao, W., Wang, X., Ming, Z. and Gao, J. (2018) مروری بر شبکه‌های عصبی با وزن‌های تصادفی. محاسبات عصبی، 275، 278-287.
https://doi.org/10.1016/j.neucom.2017.08.040
[ 61 ] Ojha, VK, Abraham, A. and Snásel, V. (2017) طراحی فراابتکاری شبکه های عصبی پیشخور: مروری بر دو دهه تحقیق. کاربردهای مهندسی هوش مصنوعی، 60، 97-116.
https://doi.org/10.1016/j.engappai.2017.01.013
[ 62 ] Prieto، A.، Prieto، B.، Ortigosa، EM، Ros، E.، Pelayo، F.، Ortega، J.، و همکاران. (2016) شبکه های عصبی: مروری بر تحقیقات اولیه، چارچوب های فعلی و چالش های جدید. محاسبات عصبی، 214، 242-268.
https://doi.org/10.1016/j.neucom.2016.06.014
[ 63 ] بشیر، آی و هاجمیر، ام (2000) شبکه های عصبی مصنوعی: مبانی، محاسبات، طراحی و کاربرد. مجله روش های میکروبیولوژی، 43، 3-31.
https://doi.org/10.1016/S0167-7012(00)00201-3
[ 64 ] Almási, A.-D., Wozniak, S., Cristea, V., Leblebici, Y. and Engbersen, T. (2016) بررسی پیشرفت ها در شبکه های عصبی: پشته فناوری طراحی عصبی. محاسبات عصبی، 174، 31-41.
https://doi.org/10.1016/j.neucom.2015.02.092
[ 65 ] Erdogmus, D., Fontenla-Romero, O., Principe, JC, Alonso-Betanzos, A., Castillo, E. (2005) راه اندازی خطی حداقل مربعات پرسپترون های چندلایه از طریق انتشار پس از پاسخ مطلوب. معاملات IEEE در شبکه های عصبی، 16، 325-337.
https://doi.org/10.1109/TNN.2004.841777
[ 66 ] نصر، ام بی و چتورو، م. (2011) یک راه‌اندازی مبتنی بر نقشه خودسازماندهی برای آموزش ترکیبی شبکه‌های عصبی پیشرو. محاسبات نرم کاربردی، 11، 4458-4464.
https://doi.org/10.1016/j.asoc.2011.05.017
[ 67 ] Sodhi, SS and Chandra, P. (2014) روش راه‌اندازی وزن مبتنی بر فاصله برای شبکه‌های عصبی مصنوعی پیشخور سیگموئیدی. AASRI Procedia, 6, 19-25.
https://doi.org/10.1016/j.aasri.2014.05.004
[ 68 ] روملهارت، دی، هینتون، جنرال الکتریک و ویلیامز، RJ (1986) بازنمایی های یادگیری با خطاهای انتشار برگشتی. طبیعت، 323، 533-536.
https://doi.org/10.1038/323533a0
[ 69 ] روزنبلات، اف (1958) پرسپترون: یک مدل احتمالی برای ذخیره سازی اطلاعات و سازماندهی در مغز. بررسی روانشناسی، 65، 386-408.
https://doi.org/10.1037/h0042519
[ 70 ] Adam، SP، Karras، DA، Magoulas، GD و Vrahatis، MN (2014) حل مسئله تحمل فاصله خطی برای وزن اولیه شبکه های عصبی. شبکه های عصبی، 54، 17-37.
https://doi.org/10.1016/j.neunet.2014.02.006
[ 71 ] تالاسکا، تی.، کولاسا، ام.، دلوگوس، آر. و فارین، پی. (2015) یک مکانیسم کارآمد اولیه سازی نورون ها برای Winner تمام شبکه های عصبی پیاده سازی شده در فناوری CMOS را می گیرد. ریاضیات و محاسبات کاربردی، 267، 119-138.
https://doi.org/10.1016/j.amc.2015.04.123
[ 72 ] Qing, S. (2011) راه اندازی قوی شبکه جردن با یادگیری محدود مکرر. معاملات IEEE در شبکه های عصبی، 22، 2460-2473.
https://doi.org/10.1109/TNN.2011.2168423
[ 73 ] Napolitano، G.، Serinaldi، F. and See، L. (2011) تاثیر تجزیه EMD و شروع تصادفی وزنها در ANN Hindcasting از سری جریان روزانه جریان روزانه: یک بررسی تجربی. مجله هیدرولوژی، 406، 199-214.
https://doi.org/10.1016/j.jhydrol.2011.06.015
[ 74 ] Dolezel, P., Skrabanek, P. and Gago, L. (2016) امکانات اولیه سازی وزن برای شبکه عصبی پیشخور با توابع فعالسازی اشباع خطی. IFAC-PapersOnLine، 49، 49-54.
https://doi.org/10.1016/j.ifacol.2016.12.009
[ 75 ] Qiao, J., Li, S. and Li, W. (2016) روش اولیه سازی وزن مبتنی بر اطلاعات متقابل برای شبکه های عصبی پیشخور سیگموئیدی. محاسبات عصبی، 207، 676-683.
https://doi.org/10.1016/j.neucom.2016.05.054
[ 76 ] Daniel, L., Chaturvedi, KT and Kolhe, ML (2018) توزیع بار اقتصادی پویا با استفاده از الگوریتم Levenberg Marquardt. انرژی پروسه، 144، 95-103.
https://doi.org/10.1016/j.egypro.2018.06.013
[ 77 ] Mammadli, S. (2017) پیش بینی سری زمانی مالی با استفاده از شبکه عصبی مصنوعی بر اساس الگوریتم Levenberg-Marquardt. Procedia Computer Science, 120, 602-607.
https://doi.org/10.1016/j.procs.2017.11.285
[ 78 ] Hraiba, A., Touil, A. and Mousrij, A. (2020) فراابتکاری ترکیبی مبتنی بر شبکه عصبی مصنوعی برای تجزیه و تحلیل قابلیت اطمینان. IFAC-PapersOnLine، 53، 654-660.
https://doi.org/10.1016/j.ifacol.2020.06.109
[ 79 ] Wan, P., Zou, H., Wang, K. and Zhao, Z. (2020) تحقیق در مورد رفتار تغییر شکل داغ آلیاژ Zr-4 بر اساس شبکه عصبی مصنوعی PSO-BP. مجله آلیاژها و ترکیبات، 826، شناسه مقاله: 154047.
https://doi.org/10.1016/j.jallcom.2020.154047
[ 80 ] Deng, Y., Xiao, H., Xu, J. and Wang, H. (2019) مدل پیش‌بینی شبکه عصبی PSO-BP بر روی مقدار کلیفرم در غذای خاص. مجله علوم زیستی عربستان، 26، 1154-1160.
https://doi.org/10.1016/j.sjbs.2019.06.016
[ 81 ] Panda، N. and Majhi، SK (2020) بهینه ساز خالدار کفتار با جستجوی تحول آفرین فضا برای آموزش شبکه عصبی مرتبه بالاتر Pi-Sigma. هوش محاسباتی، 36، 320-350.
https://doi.org/10.1111/coin.12272
[ 82 ] عابدی نیا، او.، امجدی، ن. و قدیمی، ن. (2018) پیش بینی انرژی خورشیدی بر اساس شبکه عصبی ترکیبی و الگوریتم فراابتکاری بهبود یافته. هوش محاسباتی، 34، 241-260.
https://doi.org/10.1111/coin.12145
[ 83 ] Gong, S., Gao, W. and Abza, F. (2020) تشخیص تومور مغزی بر اساس شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی نهنگ آشوب. هوش محاسباتی، 36، 259-275.
https://doi.org/10.1111/coin.12259
[ 84 ] کندی، جی و ابرهارت، آر (1995) بهینه سازی ازدحام ذرات. مجموعه مقالات ICNN’95-کنفرانس بین المللی شبکه های عصبی، جلد. 4، IEEE، Perth، WA، 27 نوامبر-1 دسامبر 1995، 1942-1948.
https://doi.org/10.1109/ICNN.1995.488968
[ 85 ] Zhang, H., Yuan, M., Liang, Y. and Liao, Q. (2018) بهینه‌سازی جدید ازدحام ذرات بر اساس رابطه شکار و شکارچی. محاسبات نرم کاربردی، 68، 202-218.
https://doi.org/10.1016/j.asoc.2018.04.008
[ 86 ] Chen, Y., Li, L., Peng, H., Xiao, J. and Wu, Q. (2018) بهینه ساز ازدحام ذرات دیفرانسیل یادگیری چند گروهی پویا. Swarm and Evolutionary Computation, 39, 209-221.
https://doi.org/10.1016/j.swevo.2017.10.004
[ 87 ] Engelbrecht، AP (2007) هوش محاسباتی: مقدمه. نسخه دوم، جان وایلی و پسران، آموزشی ویبولیتین، هوبوکن.
https://doi.org/10.1002/9780470512517
[ 88 ] براونلی، جی (2011) الگوریتم های هوشمند. LuLu.com، رالی، NC.
[ 89 ] Zhu, X. and Xu, B. (2012) پیش بینی مصرف آب شهری بر اساس شبکه عصبی QPSO-RBF. 2012 هشتمین کنفرانس بین المللی هوش محاسباتی و امنیت، گوانگژو، 17-18 نوامبر 2012، 233-236.
https://doi.org/10.1109/CIS.2012.59
[ 90 ] Sun, J., Feng, B. and Xu, W. (2004) بهینه سازی ازدحام ذرات با ذرات دارای رفتار کوانتومی. مجموعه مقالات کنگره 2004 محاسبات تکاملی، جلد. 1، IEEE، پورتلند، 19-23 ژوئن 2004، 325-331.
https://doi.org/10.1109/CEC.2004.1330875
[ 91 ] Clerc، M. and Kennedy، J. (2002) انفجار ازدحام ذرات، پایداری و همگرایی در فضای پیچیده چند بعدی. IEEE Transactions on Evolutionary Computation، 6، 58-73.
https://doi.org/10.1109/4235.985692
[ 92 ] Kouziokas، GN (2020) یک هسته جدید W-SVM با ترکیب بردار تبدیل شده شبکه عصبی PSO و SVM بهینه شده بیزی در پیش بینی تولید ناخالص داخلی. کاربردهای مهندسی هوش مصنوعی، 92، شناسه مقاله: 103650.
https://doi.org/10.1016/j.engappai.2020.103650
[ 93 ] کوئلیو، LdS (2010) رویکردهای بهینه سازی ازدحام ذرات کوانتومی رفتار کوانتومی گاوسی برای مسائل طراحی مهندسی محدود. سیستم های خبره با برنامه های کاربردی، 37، 1676-1683.
https://doi.org/10.1016/j.eswa.2009.06.044
[ 94 ] Sun, J., Xu, W. and Feng, B. (2005) کنترل پارامتر تطبیقی ​​برای بهینه سازی ازدحام ذرات با رفتار کوانتومی در سطح فردی. 2005 کنفرانس بین المللی IEEE در سیستم ها، انسان و سایبرنتیک، جلد. 4، Waikoloa، 12 اکتبر 2005، 3049-3054.
https://doi.org/10.1109/ICSMC.2005.1571614
[ 95 ] Sun, J., Xu, W. and Feng, B. (2004) یک استراتژی جستجوی جهانی برای بهینه سازی ازدحام ذرات با رفتار کوانتومی. کنفرانس IEEE در سایبرنتیک و سیستم های اطلاعاتی 2004، جلد. 1، سنگاپور، 1-3 دسامبر 2004، 111-116.
https://doi.org/10.1109/ICCIS.2004.1460396
[ 96 ] Xi, M., Sun, J. and Xu, W. (2008) الگوریتم بهینه‌سازی ازدحام ذرات با رفتار کوانتومی با بهترین موقعیت میانگین وزنی. ریاضیات کاربردی و محاسبات، 205، 751-759.
https://doi.org/10.1016/j.amc.2008.05.135
[ 97 ] Fang, W., Sun, J., Ding, Y., Wu, X. and Xu, W. (2010) مروری بر بهینه سازی ازدحام ذرات با رفتار کوانتومی. بررسی فنی IETE، 27، 336-348.
https://doi.org/10.4103/0256-4602.64601
[ 98 ] فرانکو DGdB و Steiner MTA (2018) خوشه‌بندی تأسیسات انرژی خورشیدی با استفاده از الگوریتم ترکیبی فازی C-Means که توسط فراابتکاری آغاز شده است. مجله تولید تمیزتر، 191، 445-457.
https://doi.org/10.1016/j.jclepro.2018.04.207
[ 99 ] ژو، ک.، یانگ، اس و شائو، زی (2017) الگوی استخراج ماهانه برق خانگی: یک مدل مبتنی بر خوشه بندی فازی و یک مطالعه موردی. مجله تولید تمیزتر، 141، 900-908.
https://doi.org/10.1016/j.jclepro.2016.09.165
[ 100 ] وو، ک.-ال. (2012) تجزیه و تحلیل انتخاب پارامترها برای فازی C-Means. شناخت الگو، 45، 407-415.
https://doi.org/10.1016/j.patcog.2011.07.012
[ 101 ] Zhou، K.، Fu، C. and Yang، S. (2014) انتخاب پارامتر فازی در فازی C-Means: چشم انداز اعتبارسنجی خوشه. Science China Information Sciences, 57, 1-8.
https://doi.org/10.1007/s11432-014-5146-0
[ 102 ] لی، ال سی، لیونگ، سی.-ای. و Jemain، AA (2018) اعتبار بهترین روش در تقسیم داده ها برای استراتژی اعتبار سنجی نگهدارنده همانطور که بر روی ضربه های جوهر در زمینه علم پزشکی قانونی انجام شد. مجله میکروشیمی، 139، 125-133.
https://doi.org/10.1016/j.microc.2018.02.009
[ 103 ] Yadav, S. and Shukla, S. (2016) تجزیه و تحلیل اعتبارسنجی متقاطع K-Fold بر روی اعتبار سنجی Hold-Out در مجموعه داده های عظیم برای طبقه بندی کیفیت. 2016 ششمین کنفرانس بین المللی IEEE در محاسبات پیشرفته، Bhimavaram، 27-28 فوریه 2016، 78-83.
https://doi.org/10.1109/IACC.2016.25
[ 104 ] Arlot, S. and Celisse, A. (2010) بررسی روشهای اعتبارسنجی متقابل برای انتخاب مدل. بررسی های آماری، 4، 40-79.
https://doi.org/10.1214/09-SS054
[ 105 ] Massart، P. (2007) نابرابری های تمرکز و انتخاب مدل. جلد 1896، اسپرینگر، برلین.
[ 106 ] Nawi, NM, Khan, A., Rehman, MZ, Aziz, MA, Herawan, T. and Abawajy, JH (2014) An Accelerated Particle Swarm Optimization بر اساس الگوریتم انتشار برگشتی Levenberg Marquardt. در: Loo, CK, Yap, KS, Wong, KW, Teoh, A. and Huang, K., Eds., Neural Information Processing, International Conference on Neural Information Processing 2014, Vol. 8835، اسپرینگر، چم، 245-253.
https://doi.org/10.1007/978-3-319-12640-1_30
107 ] Dilmen, E., Yilmaz, S. and Beyhan, S. (2017) فصل 5. هیبریداسیون هوشمند الگوریتم های ABC و LM با کاربردهای مهندسی محدودیت. در: Samui, P., Sekhar, S. and Balas, VE, Eds., Handbook of Neural Computation, Elsevier, Amsterdam, 87-107.
https://doi.org/10.1016/B978-0-12-811318-9.00005-3
108 ] Maia, A., Ferreira, E., Oliveira, MC, Menezes, LF and Andrade-Campos, A. (2017) 3. استراتژی های بهینه سازی عددی برای جبران عقب ماندگی در شکل دهی ورق فلز. در: Davim, JP, Ed., Computational Methods and Production Engineering, Elsevier, Amsterdam, 51-82.
https://doi.org/10.1016/B978-0-85709-481-0.00003-3
109 ] Lima, CF, Lobo, FG, Pelikan, M. and Goldberg, DE (2011) دقت مدل در الگوریتم بهینه سازی بیزی. محاسبات نرم، 15، 1351-1371.
https://doi.org/10.1007/s00500-010-0675-y

بدون دیدگاه

دیدگاهتان را بنویسید