%0 Journal Article %A Entezari, Alireza %A Mayvaneh, Fatemeh %A Rezaie, Khosro %A Rahimi, Fatemeh %T An adaptive estimation method to predict thermal comfort indices man using car classification neural deep belief %J Journal of Applied Research in Geographical Sciences %V 18 %N 51 %U http://jgs.khu.ac.ir/article-1-2727-fa.html %R 10.29252/jgs.18.51.23 %D 2018 %K thermal comfort, neural network, weather conditions, human health., %X آسایش و عدم آسایش حرارتی انسان از طریق شاخص‌های تئوری و تجربی زیادی محاسبه می‌شوند که داده‌های ورودی این شاخص‌ها بسیاری از عناصر آب و هوایی از جمله سرعت باد، درجه حرارت، رطوبت، تابش خورشید و غیره می‌باشد. در مطالعه حاضر از داده‌های روزانه درجه حرارت، سرعت باد،رطوبت نسبی و ابرناکی شهر مشهد بین سال‌های1392-1383 استفاده شده است. ابتدا پارامتر Tmrt در محیط نرم افزار Ray Man محاسبه و با استفاده از نرم افزار Bioklima مقادیر شاخص‌های UTCI وPMV استخراج گردید. نتایج مطالعه نشان می‌دهد که شدیدترین تنش‌های سرمایی بر اساس شاخص PMV در فصل زمستان و اواخر فصل پاییز مشاهده می‌شود. و شاخص UTCI نیز در ماه‌های دی و بهمن بیشترین تنش سرمایی را دارند. با وجود توانایی شبکه‌های عصبی، پیش بینی عملکرد آینده شبکه (تعمیم یافتگی) به سادگی امکان‌پذیر نیست و لذا مدل جدیدی در این مقاله ارائه گردیده که از شبکه‌های عصبی مبتنی بر ماشین بولتزمان محدود شده یا شبکه‌های عصبی باور عمیق بهره گرفته است. با بکارگیری این ساختار، معیارهای میانگین مربعات خطای استاندارد (MSE) و میانگین مطلق درصد خطا (MAPE) محک خوردند و برای 7 شاخصه حاصل از داده‌های گردآوری شده که سه شاخصه مربوط به زمان وقوع شرایط آب و هوایی و سایرین، شاخص‌های حرارتی آسایش انسان است، در سیستم ارزیابی گردید. ارزیابی با تقسیم داده‌ها به بخش‌های آموزشی و آزمایشی و به ترتیب به نسبت‌های دوسوم، پنجاه درصد و یک سوم صورت پذیرفته است و دو محک MSE و MAPE محاسبه شدند. عملکرد سیستم پیشنهادی در پیش بینی وضعیت آسایش حرارتی انسان مطلوب بود. #s3gt_translate_tooltip_mini { display: none !important; } %> http://jgs.khu.ac.ir/article-1-2727-fa.pdf %P 23-40 %& 23 %! %9 Research %L A-10-751-2 %+ Ph.D. Student of Climatology, Hakim Sabzevari University, Sabzevar, Iran. %G eng %@ 2228-7736 %[ 2018