دانلود ترجمه مقاله مدل LSSVM یکپارچه با الگوریتم GBO برای ارزیابی پارامترهای کیفیت آب

1. مقدمه 2. مواد و روش ها 3. نتایج و بحث و بررسی 4. نتیجه گیری

چکیده - در این پژوهش یک مدل ماشین بردار پشتیبان حداقل مربعات جدید (LSSVM) یکپارچه شده با الگوریتم بهینه ساز مبتنی بر گرادیان (GBO) برای ارزیابی پارامترهای کیفیت آب معرفی می شود. برای این هدف، سه ایستگاه اهواز، آرمند، و گتوند در حوضه آبریز رود کارون برای مدل سای رسانایی الکتریکی (EC)، و مجموع جامدات نامحلول (TDS) انتخاب شده است. ابتدا برای اثبات برتری الگوریتم LSSVM-GBO، عملکرد آن با سه مجموعه داده محک (Housing, LVST, Servo) ارزیابی می شود. سپس نتایج الگوریتم آبی جدید با نتایج شبکه عصبی مصنوعی (ANN)، سیستم واسط عصبی-فازی انطباقی (ANFIS) و الگوریتم های LSSVM مقایسه شد. ترکیب ورودی برای ارزیابی پارامترهای کیفیت آب EC و TDS شامل Ca+2, Cl-1, Mg+2, Na+1, SO4, HCO3، نسبت جذب سدیم (SAR)، مجموع کاتیون ها (Sum.C)، مجموع آنیون ها (Sum.A)، PH و Q می شود. نتایج مدل سای بر اساس معیار ارزیابی نشان دهنده عملکرد قابل توجه LSSVM-GBO در همه مجموعه داده های محک و میان همه الگوریتم ها بود. نتایج دیگر نشان داد که در ایستگاه اهواز، پارامترهای مجموع کاتیون ها و مجموع آنیون ها و Na+1، و در ایستگاه های گتوند و آرمند پارامترهای مجموع کاتیون ها و مجموع آنیون ها و Cl-1 بیشترین تاثیر را بر مدل سازی پارامترهای EC و TDS دارند. در گام بعد، مدل سازی پارامترهای EC و TDS بر اساس بهترین ترکیب ورودی و بهترین الگوریتم در تاخیرهای زمانی متفاوت انجام شد. بر اساس نتایج، بالاترین دقت مدل سازی پارامترهای EC و TDS در ایستگاه گتوند با تاخیرهای زمانی [0] ماه بود.

In this study, a novel least square support vector machine (LSSVM) model integrated with gradient-based optimizer (GBO) algorithm is introduced for the assessment of water quality (WQ) parameters. For this purpose, three stations, including Ahvaz, Armand, and Gotvand in the Karun river basin, have been selected to model electrical conductivity (EC) and total dissolved solids (TDS). First, to prove the superiority of the LSSVM-GBO algorithm, the performance is evaluated with three benchmark datasets (Housing, LVST, Servo). Then, the results of the new hybrid algorithm were compared with those of artificial neural network (ANN), adaptive neuro-fuzzy interface system (ANFIS), and LSSVM algorithms. Input combination for assessment of WQ parameters EC and TDS consists of Ca+2, Cl−1, Mg+2, Na+1, SO4, HCO3, sodium absorption ratio (SAR), sum cation (Sum.C), sum anion (Sum.A), pH, and Q. The modeling results based on evaluation criteria showed the significant performance of LSSVM-GBO among all benchmark datasets and algorithms. Other results showed that in Ahvaz station, Sum.C, Sum.A, and Na+1 parameters, and in Armand and Gotvand stations, Sum.C, Sum.A, and Cl−1 parameters have the greatest impact on modeling EC and TDS parameters. Then, EC and TDS modeling was performed based on the best input combination and the best algorithm in different time delays. The highest accuracy of modeling EC and TDS parameters in Gotvand station was and C1 time delay.

ترجمه این مقاله در 22 صفحه آماده شده و در ادامه نیز صفحه 14 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.