مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

63
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

69
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

مدل سازی و مطالعه باززایی آزمایشگاهی در پرورش لوبیا با استفاده از شبکه های عصبی مصنوعی و الگوریتم های یادگیری ماشینی

صفحات

 صفحه شروع 283 | صفحه پایان 299

چکیده

 هدف: در حوزه ارتقای بیوتکنولوژیکی لوبیاهای معمولی, با توجه به دشواری ذاتی بازسازی این محصول در محیط های آزمایشگاهی, یک چالش ضروری در ابداع یک استراتژی قابل اعتماد و مؤثر بازسازی در شرایط آزمایشگاهی نهفته است. این تحقیق, با هدف پرداختن به این چالش, از قدرت مدل های یادگیری ماشین (ML), به ویژه با استفاده از الگوریتم هایی برای شبکه های عصبی مصنوعی (ANN) استفاده می کند. هدف اصلی ایجاد یک فرآیند بازسازی آزمایشگاهی کارآمد و قابل تکرار همزمان با بهینه سازی و پیش بینی نتایج آینده است.
مواد و روش ها: این مطالعه متغیرهای مختلفی مانند ژنوتیپ لوبیا, ریزنمونه ها و دوزهای مختلف 6-benzylaminopurine (BAP) و CuSO4 را در بر می گیرد. یک شبکه عصبی رگرسیون مکرر (RRNN) برای مدل سازی و پیش بینی نتایج بازآفرینی محصول در شرایط آزمایشگاهی, به ویژه بر روی لوبیاهای معمولی استفاده شد. تنظیم تجربی شامل آماده سازی جنین های لوبیا با 10, 15 و 20 میلی گرم در لیتر BAP به مدت 25 روز, و به دنبال آن رشد در محیط پس از تیمار شامل 3/0, 6/0, 9/0, و 2/1 میلی گرم در لیتر BAP به مدت 7 هفته بود. متعاقبا, اپیس پلومولار برای بازسازی در شرایط آزمایشگاهی جدا شد. قابل ذکر است, مدل RRNN نیز با یک الگوریتم ژنتیک (GA) یکپارچه شد تا فرآیند بازسازی را بیشتر بهینه کند.
نتایج: نتایج با RRNN برابر با 061/0, که کمترین میانگین مربعات خطا را نشان می دهد قانع کننده بود و این امر نشان دهنده دقت پیش بینی برتر در بازسازی کل است. در مقایسه, مدل های رگرسیون بردار پشتیبان (SVR), جنگل تصادفی (RF) و تقویت گرادیان شدید (XGB) مقادیر MSE بالاتری را به ترتیب برابر با 081/0, 081/0 و 097/0 نشان دادند. این یافته ها بر اثربخشی الگوریتم RRNN تأکید می کند, که از سایر مدل ها در همه پارامترها بهتر عمل می کند.
نتیجه گیری: عملکرد برتر RRNN کاربرد بالقوه آن را در پیش بینی دقیق در مورد بازسازی لوبیا نشان می دهد. در زمینه یک برنامه اصلاح مشترک لوبیا, این نتایج را می توان برای بهینه سازی و پیش بینی روش های کشت بافت گیاهی مهار کرد و در نتیجه تکنیک های بیوتکنولوژیکی مورد استفاده در کشت لوبیا معمولی را تقویت کرد. ادغام مدل هایML, به ویژه RRNN, به عنوان یک راه امیدوارکننده برای پیشبرد استراتژی های بازسازی محصول و کمک به کارایی مداخلات بیوتکنولوژیکی در کشاورزی است.

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button