پیش بینی جرم و حجم پرتقال رقم محلی دزفول با استفاده از شبکه های عصبی mlp
Authors
abstract
استفاده از شبکه های عصبی مصنوعی بهعنوان روشی جدید برای برآورد مشخصه های فیزیکی محصولات کشاورزی و درجه بندی آنها بر حسب پارامترهای مختلف مطرح شده است. در این پژوهش ابتدا مقادیر مشخصه های فیزیکی 100 عدد پرتقال رقم محلی دزفول شامل سه بعد هندسی، جرم، حجم و سطح تصویر عمودی اندازه گیری شد و از دو شبکه عصبی مصنوعی برای مدلسازی جرم و حجم پرتقال برحسب ابعاد هندسی (ann(h,w,t)) و سطح تصویر (ann(a)) میوه استفاده گردید. شبکه عصبی پرسپترون چندلایه (mlp) با یک لایه مخفی، تابع سیگموئید به عنوان تابع فعال سازی نرون ها و الگوریتم پس انتشار با نرخ یادگیری کاهشی (bdlrf) برای آموزش شبکه انتخاب شد. نتایج مقایسههای آماری نشان داد که اختلاف بین مقادیر واقعی و پیش بینی شده توسط شبکه های عصبی معنی دار نیست؛ همچنین حداقل مقدار ضریب تبیین (r2) برای هر یک از متغیرهای جرم و حجم در هر سه مرحله پیاده سازی شبکه عصبی(آموزش، معتبرسازی و آزمون) برابر با 96/0 بود. در مقایسه عملکرد دو مدل شبکه عصبی، بر اساس کوچکی معیارهای rmse و mape و بزرگی me ، مشخص شد که شبکه عصبی ann(h, w, t) به ann(a) در هر سه مرحله آموزش، معتبرسازی و آزمون برتری دارد. همچنین مقایسه عملکرد مدل های شبکه عصبی با مدل های رگرسیونی ( f(h,w,t) و f(a) ) نشان داد که اختلاف بین آنها معنی دار نبوده، ولی عملکرد پیش بینی مدل رگرسیونی f(h,w,t) بهتر از f(a) و در نهایت عملکرد مدل ann(h,w,t) بهتر از مدل رگرسیونی f(h,w,t) می باشد.
similar resources
پیشبینی جرم و حجم پرتقال رقم محلی دزفول با استفاده از شبکه های عصبی MLP
استفاده از شبکه های عصبی مصنوعی بهعنوان روشی جدید برای برآورد مشخصه های فیزیکی محصولات کشاورزی و درجه بندی آنها بر حسب پارامترهای مختلف مطرح شده است. در این پژوهش ابتدا مقادیر مشخصه های فیزیکی 100 عدد پرتقال رقم محلی دزفول شامل سه بعد هندسی، جرم، حجم و سطح تصویر عمودی اندازه گیری شد و از دو شبکه عصبی مصنوعی برای مدلسازی جرم و حجم پرتقال برحسب ابعاد هندسی (ANN(h,w,t)) و سطح تصویر (ANN(A)) میوه ا...
full textتعیین مشخصه های فیزیکی و مدل سازی رگرسیونی جرم و حجم پرتقال رقم محلی دزفول
تعیین مشخصه های فیزیکی و مدل سازی رگرسیونی جرم و حجم پرتقال رقم محلی دزفول حسن مسعودی1* و عباس روحانی2 1- استادیار گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه شهید چمران اهواز 2- استادیار گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه فردوسی مشهد در این پژوهش 100 نمونه تصادفی از میوه پرتقال (رقم محلی دزفول) پس از برداشت از باغ به آزمایشگاه منتقل شده و اندازهگیریهای مختلفی برای تعیین م...
full textپیش بینی تبخیر-تعرق مرجع با استفاده از شبکه های عصبی مصنوعی rbf ،mlp svm
تخمین تبخیر-تعرق گیاه مرجع یکی از مهم ترین مؤلفه ها در بهینه سازی مصرف آب کشاورزی و مدیریت منابع آب است. پیش بینی تبخیر-تعرق مرجع روزانه و هفتگی می تواند در پیش بینی نیاز آبی گیاهان و برنامه ریزی کوتاه مدت آبیاری مورداستفاده قرار گیرد. هدف از این تحقیق، ارزیابی عملکرد سه نوع شبکه عصبی مصنوعی mlp(پرسپترون چندلایه)، rbf (شبکه تابع پایه ای شعاعی)، svm (ماشین بردار پشتیبان) در پیش بینی تبخیر-تعرق م...
full textپیش بینی حجم کوفتگی سیب با استفاده از شبکه عصبی تابع پایه شعاعی RBF ( و مقایسه آن با مدل رگرسیونی)
full text
پیش بینی کوتاه مدت بار استان چهارمحال و بختیاری با استفاده از اجماع شبکه های عصبی
پیشبینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تأثیرگذار بر پیشبینی کوتاه مدت بار به ویژگیهای بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از دادههای واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیشبینی کوتاه مدت بار الکتریکی استان پرداختهایم. بدین منظور با استفاده از چهار روش مختلف شبکه عصبی پرسپترون (MLp < /strong>)، مجمعی از شبکه عصبی ...
full textمدل سازی و پیش بینی رشد اقتصادی در ایران با استفاده از شبکه های عصبی مصنوعی
شبکه های عصبی مصنوعی، یک ابزار قدرتمند برای تجزیه و تحلیل داده ها و مدل سازی روابط غیر خطی به حساب می آید که استفاده از آن طی سال های گذشته در اقتصاد کلان گسترش یافته است. در این مطالعه، کارایی یک مدل شبکه عصبی با یک مدل خطی رگرسیون برای پیش بینی نرخ رشد اقتصادی در ایران مقایسه می شود. برای این منظور ابتدا، یک مدل رگرسیون رشد برای دوره 1315-1373 برآورد شده و سپس با همان مجموعه رگرسورها (متغیرها...
full textMy Resources
Save resource for easier access later
Journal title:
مهندسی زراعیجلد ۳۹، شماره ۲، صفحات ۱۳۳-۱۴۲
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023