- 1 TÓM TẮT LUẬN VĂN THẠC SĨ Đề tài: Nghiên cứu ứng dụng thuật toán di truyền (Genetic Algorithm) trong dự báo chất lượng không khí Tác giả luận văn: Đinh Thu Hằng Khóa: 2013B Người hướng dẫn: PGS.TS.Nghiêm Trung Dũng Từ khóa: Thuật toán di truyền, mạng thần kinh nhân tạo, dự báo chất lượng không khí Nội dung tóm tắt a. - Lý do chọn đề tài Lĩnh vực dự báo chất lượng không khí sử dụng mạng thần kinh nhân tạo (ANN) nói chung và kết hợp ANN và thuật toán di truyền (GA) nói riêng tại Việt Nam vẫn còn mới và chưa có nhiều nghiên cứu công bố chính thức. - Chính vì thế, luận văn này sẽ đưa ra những kết quả ban đầu cho việc ứng dụng GA vào ANN để dự báo nồng độ một số chất ô nhiễm trong khí quyển từ đó dự báo chất lượng không khí. - Mục đích nghiên cứu của luận văn, đối tượng, phạm vi nghiên cứu Mục đích nghiên cứu. - Đánh giá khả năng ứng dụng mạng thần kinh nhân tạo (ANN) trong dự báo chất lượng không khí - Đánh khả năng áp dụng thuật toán di truyền vào mạng thần kinh nhân tạo trong dự báo chất lượng không khí. - Đối tượng nghiên cứu: mạng thần kinh truyền thuận-FFNN và thuật toán di truyền-GA Phạm vi nghiên cứu: sử dụng mô hình dự báo nồng độ của 02 chất ô nhiễm không khí SO2 và PM10. - Tóm tắt cô đọng các nội dung chính và đóng góp của tác giả - Luận văn nghiên cứu về mạng thần kinh nhân tạo (ANN) nói chung, mạng thần kinh lan truyền thẳng (FFNN) nói riêng và thuật toán di truyền (GA) để tìm hiểu khái niệm, cơ chế thực hiện và ứng dụng trong các lĩnh vực trong đó có dự báo chất lượng không khí. - Từ đó đưa ra phương pháp nghiên cứu cụ thể với dữ liệu được thu thập tại Việt Nam: ứng dụng GA trong việc tìm số nơ-ron lớp ẩn tối ưu cho mô hình FFNN để dự báo chất lượng không khí. - Dữ liệu thu thập từ trạm quan trắc tự động được phân tích để chọn ra hai thông số SO2 và PM10 là dữ liệu đầu vào cho mô hình. - Mô hình FFNN và mô hình sử dụng GA tìm số nơ-ron lớp ẩn cho FFNN được thiết kế và chạy trên Matlab để dự báo nồng độ chất ô nhiễm. - Độ tin cậy của mô hình được đánh giá bằng các chỉ số thống kê. - 2 - Kết quả nghiên cứu cho thấy việc ứng dụng GA sẽ tiết kiệm được thời gian cho quá trình dự báo nhờ tìm ra số nơ-ron lớp ẩn tối ưu của FFNN với độ chính xác của kết quả dự báo đối với PM10 là xấp xỉ 84% và đối với SO2 là hơn 64%. - Phương pháp nghiên cứu Thu thập, phân tích thống kê dữ liệu nghiên cứu Thiết kế các mô hình dự báo và chạy trên chương trình Matlab. - Đánh giá độ tin cậy của mô hình bằng các chỉ số thống kê e. - Kết luận - Nồng độ của chất ô nhiễm SO2 và PM10 đã được dự báo bằng mô hình FFNN và cho kết quả khả quan. - Đối với SO2 độ chính xác của mô hình (MAPA) là 64,1% và sai số (nRMSE) là 43% với số nơ ron lớp ẩn là 10. - Đối với PM10 độ chính xác (MAPA) là 83,3% và sai số (nRMSE) 23% với số nơ-ron lớp ẩn là 05. - Nồng độ của chất ô nhiễm SO2 và PM10 đã được dự báo bằng mô hình FFNN kết hợp GA tìm số nơ-ron lớp ẩn cho kết quả tốt, đạt độ chính xác tương đương và sai số nhỏ hơn so với mô hình FFNN không kết hợp GA. - Cụ thể là đối với SO2: độ chính xác (MAPA) của mô hình là 64,1% và sai số (nRMSE) là 42,7% với số nơ-ron lớp ẩn là 68 cùng các tham số GA là: kích thước quần thể là 30, tỷ lệ chọn lọc là 0,75, tỷ lệ đột biến là 0,2. - Còn đối với PM10 độ chính xác (MAPA) của mô hình là 84% và sai số (nRMSE) là 21,7% với số nơ-ron lớp ẩn là 254 cùng các tham số GA là: kích thước quần thể là 30, tỷ lệ chọn lọc là 0,5, tỷ lệ đột biến là 0,15. - Kết quả này tương đồng với các nghiên cứu đã công bố trên thế giới đối với PM10. - Bên cạnh đó FFNN-GA thể hiện một số lợi thế hơn cụ thể là: số nơ-ron trong lớp ẩn tìm được nhờ GA là dựa trên việc tối ưu hóa các nghiệm (lời giải) theo cơ chế di truyền học, như vậy kết quả có cơ sở khoa học hơn việc chọn mặc định số nơ-ron trong lớp ẩn dựa trên kinh nghiệm. - Đồng thời, việc ứng dụng GA để tối ưu hóa cấu trúc FFNN giúp giảm đáng kể công sức của người thiết kế mạng, có thể xác định được các tham số tối ưu cho mạng một cách nhanh chóng, độ tin cậy của mô hình vì thế được tăng lên đáng kể. - Số liệu khuyết thiếu của chất ô nhiễm SO2 và PM10 đã được bù bằng mô hình FFNN với kết quả khả quan và được kiểm chứng thông qua đánh giá phân bố xác suất
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt