fa ارائه یک روش تخمین در پیش‌بینی شاخص‌های آسایش حرارتی انسان با بهره‌گیری از طبقه‌بندی ماشین عصبی باور عمیق برنامه ریزی توریسم turism planing پژوهشي Research <div style="text-align: justify;"><span style="font-size:14px;"><strong><span style="font-family: b nazanin;">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 </span></strong><strong><span dir="LTR"><span style="font-family: times new roman,serif;">Tmrt</span></span></strong><strong><span style="font-family: b nazanin;"> در محیط نرم افزار </span></strong><strong><span dir="LTR"><span style="font-family: times new roman,serif;">Ray Man</span></span></strong><strong><span style="font-family: b nazanin;"> محاسبه و با استفاده از نرم افزار </span></strong><strong><span dir="LTR"><span style="font-family: times new roman,serif;">Bioklima</span></span></strong><strong><span style="font-family: b nazanin;"> مقادیر شاخص‌های </span></strong><strong><span dir="LTR"><span style="font-family: times new roman,serif;">UTC</span></span></strong><strong><span dir="LTR">I</span></strong><strong><span style="font-family: b nazanin;"> و</span></strong><strong><span dir="LTR"><span style="font-family: times new roman,serif;">PMV</span></span></strong><strong><span style="font-family: b nazanin;"> استخراج گردید. نتایج مطالعه نشان می‌دهد که شدیدترین تنش‌های سرمایی بر اساس شاخص </span></strong><strong><span dir="LTR"><span style="font-family: times new roman,serif;">PMV</span></span></strong><strong><span style="font-family: b nazanin;"> در فصل زمستان و اواخر فصل پاییز مشاهده می‌شود. و شاخص </span></strong><strong><span dir="LTR"><span style="font-family: times new roman,serif;">UTC</span></span></strong><strong><span dir="LTR">I</span></strong><strong><span style="font-family: b nazanin;"> 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 (</span></strong><strong><span dir="LTR"><span style="font-family: times new roman,serif;">MSE</span></span></strong><strong><span style="font-family: b nazanin;">) و میانگین مطلق درصد خطا (</span></strong><strong><span dir="LTR"><span style="font-family: times new roman,serif;">MAPE</span></span></strong><strong><span style="font-family: b nazanin;">) 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 </span></strong><strong><span dir="LTR"><span style="font-family: times new roman,serif;">MSE</span></span></strong><strong><span style="font-family: b nazanin;"> و </span></strong><strong><span dir="LTR"><span style="font-family: times new roman,serif;">MAPE</span></span></strong><strong><span style="font-family: b nazanin;"> محاسبه شدند. عملکرد سیستم پیشنهادی در پیش بینی وضعیت آسایش حرارتی انسان مطلوب بود. </span></strong></span></div> &nbsp; <div class="s3gt_translate_tooltip_mini_box" id="s3gt_translate_tooltip_mini" is_mini="true" style="background: initial !important; border: initial !important; border-radius: initial !important; border-spacing: initial !important; border-collapse: initial !important; direction: ltr !important; flex-direction: initial !important; font-weight: initial !important; height: initial !important; letter-spacing: initial !important; min-width: initial !important; max-width: initial !important; min-height: initial !important; max-height: initial !important; margin: auto !important; outline: initial !important; padding: initial !important; position: absolute; table-layout: initial !important; text-align: initial !important; text-shadow: initial !important; width: initial !important; word-break: initial !important; word-spacing: initial !important; overflow-wrap: initial !important; box-sizing: initial !important; display: initial !important; color: inherit !important; font-size: 13px !important; font-family: X-LocaleSpecific,sans-serif,Tahoma,Helvetica !important; line-height: 13px !important; vertical-align: top !important; white-space: inherit !important; left: 482px; top: 97px;"><div class="s3gt_translate_tooltip_mini" id="s3gt_translate_tooltip_mini_logo" title="Translate selected text"></div><div class="s3gt_translate_tooltip_mini" id="s3gt_translate_tooltip_mini_sound" title="Play" title_play="Play" title_stop="Stop"></div><div class="s3gt_translate_tooltip_mini" id="s3gt_translate_tooltip_mini_copy" title="Copy text to Clipboard"></div></div> <li<illegal tag>nk href="moz-extension://8b922523-7922-435a-ac74-8ddb59e9beaf/skin/s3gt_tooltip_mini.css" rel="stylesheet" type="text/css" > <style media="print" type="text/css">#s3gt_translate_tooltip_mini { display: none !important; } </style> <p>Human thermal comfort and discomfort of many experimental and theoretical indices are calculated using the input data the indicator of climatic elements are such as wind speed, temperature, humidity, solar radiation, etc<span dir="RTL">.</span> The daily data of temperature<span dir="RTL">، </span>wind speed<span dir="RTL">، </span>relative humidity<span dir="RTL">، </span>and cloudiness between the years 1382-1392 were used. In the First step<span dir="RTL">، </span>Tmrt parameter was calculated in the Ray Man software environment. Then UTCI and PMV index values were calculated using Bioklima software. The results showed that the most severe cold temperature stress on PMV index is in the winter and late autumn and UTCI index in January and February are the coldest stress. The power of neural networks, prediction of future performance network (generalized orientation) it simply is not possible and the new model presented in this paper have been restricted Boltzmann machine-based neural networks or neural networks is used deep belief. Using this structure, metrics Mean Squared Error (MSE) and mean absolute percentage error (MAPE) benchmark ate for seven indexes derived from data gathered by three factors related to the occurrence of weather conditions and other indicators of thermal comfort of human the system was evaluated. Assessment by dividing the data into training and testing parts, and the ratios have been of two-thirds, fifty percent and one-third And two benchmark MSE and MAPE were calculated. The proposed system performance in forecasting the human thermal comfort is desirable.</p> آسایش حرارتی,شبکه عصبی,شرایط آب و هوایی, سلامت انسان thermal comfort, neural network, weather conditions, human health. 23 40 http://jgs.khu.ac.ir/browse.php?a_code=A-10-751-2&slc_lang=fa&sid=1 Alireza Entezari علیرضا انتظاری entezari@hsu.ac.ir 100319475328460012882 100319475328460012882 No Assistant Professor of climatology, Hakim Sabzevari University, Sabzevar, Iran. دانشگاه حکیم سبزواری Fatemeh Mayvaneh فاطمه میوانه fmayvaneh@yahoo.com 100319475328460012883 100319475328460012883 Yes Ph.D. Student of Climatology, Hakim Sabzevari University, Sabzevar, Iran. دانشگاه حکیم سبزواری Khosro Rezaie خسرو رضایی f.mayvaneh@hsu.ac.ir 100319475328460012884 100319475328460012884 No Assistant Professor of Medical Engineering, Hakim Sabzevari University, Sabzevar, Iran. دانشگاه حکیم سبزواری Fatemeh Rahimi فاطمه رحیمی yasamin_yoka@yahoo.com 100319475328460012885 100319475328460012885 No Graduate student of Climatology, University of Sabzevar Landscape, Sabzevar, Iran. دانشگاه حکیم سبزواری