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

video

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

sound

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

نسخه انگلیسی

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

بازدید:

445
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

489
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

به کارگیری سیستم استنتاج عصبی-فازی سازگار و شبکه های عصبی مصنوعی در پیش بینی و مدل سازی تغییرات کیفی زالزالک (Crataegus pinnatifida) طی شرایط مختلف انبارمانی

صفحات

 صفحه شروع 343 | صفحه پایان 357

چکیده

 در دهه های اخیر, از سیستم های هوش مصنوعی برای ایجاد مدل های پیش بینی جهت تخمین و پیش بینی بسیاری از فرآیندهای کشاورزی استفاده شده است. در این مطالعه, خصوصیات فیزیکی و شیمیایی میوه زالزالک طی نگهداری در شرایط مختلف با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج عصبی-فازی سازگار پیش بینی گردید. از داده های تجربی حاصل از نگهداری میوه, برای آموزش و آزمایش این شبکه ها استفاده شد. تعداد کل لایه های پنهان و تعداد نورون در هر لایه پنهان به روش سعی و خطا انتخاب گردید. شبکه عصبی و سیستم استنتاج عصبی-فازی سازگار طراحی شده دارای ورودی شامل زمان نگهداری, رطوبت اولیه و دمای نگهداری و یک متغیر در لایه های خروجی (, , , و ) بود. مقادیر R2 بالا و RMSE کم گویای کارایی بالای مدل شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی سازگار در پیش بینی خصوصیات کیفی زالزالک طی فرآیند نگهداری می باشد. نتایج نشان داد که شبکه عصبی پرسپترون چندلایه با الگوریتم یادگیری مومنتوم و تابع آستانه ای تان اکسون بهترین شبکه برای پیش بینی خصوصیات کیفی زالزالک در شرایط مختلف بود. نتایج مدل سازی با انفیس نشان داد که توابع عضویت ذوزنقه ای و گوسی بهترین عملکرد را به ترتیب در پیش بینی پارامترهای رنگی و فیزیکی داشت. با مقایسه نتایج حاصل از مدل سازی با شبکه عصبی مصنوعی و انفیس, تفاوت زیادی از نظر دقت و کارایی در پیش بینی مشاهده نشد, اگرچه شاخص RMSE در مدل سازی با کمک انفیس کمتر از شبکه عصبی مصنوعی بود که خود نمایان گر دقت بالاتر آن می باشد.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    زندی، محسن، گنجلو، علی، و بی مکر، ماندانا. (1400). به کارگیری سیستم استنتاج عصبی-فازی سازگار و شبکه های عصبی مصنوعی در پیش بینی و مدل سازی تغییرات کیفی زالزالک (Crataegus pinnatifida) طی شرایط مختلف انبارمانی. ماشین های کشاورزی، 11(2 (پیاپی 22) )، 343-357. SID. https://sid.ir/paper/405756/fa

    Vancouver: کپی

    زندی محسن، گنجلو علی، بی مکر ماندانا. به کارگیری سیستم استنتاج عصبی-فازی سازگار و شبکه های عصبی مصنوعی در پیش بینی و مدل سازی تغییرات کیفی زالزالک (Crataegus pinnatifida) طی شرایط مختلف انبارمانی. ماشین های کشاورزی[Internet]. 1400؛11(2 (پیاپی 22) ):343-357. Available from: https://sid.ir/paper/405756/fa

    IEEE: کپی

    محسن زندی، علی گنجلو، و ماندانا بی مکر، “به کارگیری سیستم استنتاج عصبی-فازی سازگار و شبکه های عصبی مصنوعی در پیش بینی و مدل سازی تغییرات کیفی زالزالک (Crataegus pinnatifida) طی شرایط مختلف انبارمانی،” ماشین های کشاورزی، vol. 11، no. 2 (پیاپی 22) ، pp. 343–357، 1400، [Online]. Available: https://sid.ir/paper/405756/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی





    بازگشت به بالا