Intelligent air quality classification and monitoring system using machine learning techniques

الموضوعات

علوم تطبيقية وتكنولوجية

روابط وملفات

التعريف والنوع

رقم الوثيقة

fcca614f-1195-4ddb-aaa8-5bb260c90ee7

رقم العقد

0

نوع الوسائط

Crawler

نوع المحتوى

الرسائل العلمية

صيغة المصدر

رسائل ماجيستير

نوع الملف

pdf text

أسماء الملفات

993498_1.pdf

بيانات النشر

ترجمة العنوان

نظام ذكي لتصنيف ومراقبة جودة الهواء باستخدام تقنيات تعلم الالة

ألقاب المؤلفين

[{"name_ar":"صبا محمد حسين","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"غيداء عبد الحسين بلال","title_ar":"اشراف","title_en":"Supervision"},{"name_ar":"هدى كاظم علوان حسون","title_ar":"اعداد","title_en":"Preparation"}]

اللغة

Arabic

المصدر والدورية

اسم المصدر

Intelligent air quality classification and monitoring system using machine learning techniques

المحتوى والصفحات

عدد الصفحات

0

ترجمة الملخص

يعد تلوث الهواء مصدر قلق عالمي متزايد بسبب آثاره الضارة على صحة اإلنسان والبيئة. على الرغم من االهتمام الكبير الممنوح لتلوث الهواء باعتباره قضية بيئية مهمة، إال أن هناك فجوة بحثية من حيث القياسات الشاملة لتركيزات الملوثات، بما في ذلك ثاني أكسيد الكربون، وثاني أكسيد النيتروجين، وثاني أكسيد الكبريت، واالوزون ، و 5.PM2 ،و PM10. وتحد هذه الفجوة من القدرة على التنبؤ بدقة بتلوث الهواء مقدما، مما يجعل من الصعب على األفراد إدارة صحتهم وعلى الحكومات وضع سياسات مستنيرة. تقدم هذه الرسالة نظا ًما ذكيًا لمراقبة جودة الهواء يعمل على دمج تقنية إنترنت الالشياء IoT مع نماذج التعلم العميق متعددة الطبقات MLP Perceptron للتنبؤ بمستويات تلوث الهواء. تم إنشاء هذا النظام باستخدام normalization max_min وتصحيح القيم المفقودة في المعالجة المسبقة، وتم استخدام coefficient correlation Pearson وهو اختيار حكيم للميزات Features الالكثر تأثيرا، بما في ذلك 5.PM2 ،وPm10 ،وNOx ،و NO2 ،و NO ،وO3 ،وCO2 .في مرحلة التصنيف، يفضل هذا النموذج اختيار محسن adam الذي يعتبره أكثر مالءمة للتعلم العميق. ReLU وsoftmax كوظائف التنشيط. تم تنفيذ مجموعتي بيانات لتقييم النموذج المقترح، ومجموعة بيانات المجلس المركزي لمكافحة التلوث CPCB القياسي ومجموعة بيانات محطة جودة الهواء الهندية. تعد مكونات إنترنت األشياء، مثل ، جز ًء مكونات النظام المقترح، والتي أجهزة الاستشعار sensors وأجهزة Arduino يتجزأ من تلعب دورا أساسيًا في جمع بيانات جودة الهواء في الوقت الفعلي. ثم تتم معالجة هذه البيانات وإدخالها في نموذج MLP ، الذي تم تدريبه على مجموعة البيانات للتنبؤ بدقة عالية بمستويات تلوث الهواء. الذي تم تدريبه بدقة على مجموعة بيانات CPCB ،وبالتالي إنشاء تنبؤات دقيقة بتلوث الهواء. وقد أظهرت نتائج العمل المقترح نتائج مشجعة من حيث الدقة العالية. تصل دقة مجموعة بيانات CPCB إلى 115.99 .%عالوة على ذلك، بعد التحقق من صحته باستخدام مجموعة بيانات متميزة من محطات جودة الهواء في الهند، يحافظ النموذج على معدل أداء جدير بالثناء يبلغ 47.97 . %يؤكد هذا التحقق المتبادل على قوة النموذج وإمكانية تطبيقه عبر سياقات جغرافية متنوعة.

إشراف وإعداد

الإشراف

صبا محمد حسين, غيداء عبد الحسين بلال

الإعداد

هدى كاظم علوان حسون

الاقتباسات الببليوغرافية