مقاله

پیش بینی پاسخ آکوستیک، شاخص تردی و سفتی میوه خیار با استفاده از شبکه های عصبی مصنوعی

مهدی جهانگیری صالح، دانشجوی دکتری گروه مهندسی فنی کشاورزی پردیس ابوریحان، دانشگاه تهران سید رضا حسن بیگی، دانشیار گروه مهندسی فنی کشاورزی پردیس ابوریحان، دانشگاه تهران محمد ابونجمی، دانشیار گروه مهندسی فنی کشاورزی پردیس ابوریحان، دانشگاه تهران محمود لطفی، دانشیار گروه باغبانی پردیس ابوریحان، دانشگاه تهران

چکیده

چکیده خیار یک میوه پر مصرف در ایران است که مصرف زیادی در تمام فصول دارد؛ لذا بررسی پارامترهای موثر در میزان کیفیت آن امری اجتناب ناپذیر به نظر می رسد. با توجه به صرف هزینه و زمان زیاد برای اندازه گیری پارامتر ها، پیش-بینی آن ها با توجه به عوامل تاثیرگذار بسیار مفیدتر خواهد بود. در تحقیق حاضر ارتباط بین دو ویژگی مکانیکی (شاخص تردی و سفتی) و فشار صدای حاصل از شکستن (پاسخ آکوستیک) میوه خیار با زمان و شرایط مختلف انبارداری و در قسمت های مختلف میوه با استفاده از شبکه­های عصبی مصنوعی مدل سازی شد. ورودی شبکه­ها زمان نگهداری، شرایط نگهداری و موقعیت انجام تست در طول میوه بودند. با استفاده از مقادیر ویژگی های مکانیکی و صوتی به عنوان خروجی های هدف، شبکه های مختلفی با پیکربندیهای متفاوت تعریف و آموزش داده شدند. شبکه عصبی چند لایه پرسپترون و شبکه عصبی با تابع پایه شعاعی با تعداد نرون های مختلف و توابع آموزش مومنتوم، گرادیان نزولی و لونبرگ-مارکوارت و توابع آستانهsigmoidaxon و tanhaxon به کار گرفته شدند. دقت یادگیری شبکه ها در تخمین ویژگی های مکانیکی و صوتی مورد بررسی قرار گرفت. نتایج نشان داد که شبکه عصبی پرسپترون چندلایه با تابع آستانه tanhaxon و تابع آموزش مومنتوم و پیکربندی 3-3-5-3 بهترین عملکرد در پیش­بینی فشار صوت، شاخص تردی و و سفتی میوه خیار رقم ویولا را دارا بود. شبکه عصبی مذکور توانایی پیش­بینی فشار صوت، شاخص تردی و سفتی خیار با ضرایب تبیین به ترتیب 9973/0، 9456/0 و 9129/0 و ریشه میانگین مربعات خطای 021/0، 052/0 و 059/0 را داشت.

اسناد مشابه

  • پیش‌بینی پاسخ آکوستیک، شاخص تردی و سفتی میوه خیار با استفاده از شبکه‌های عصبی مصنوعی

    مقاله۲۰۱۷علوم و صنایع غذایی ایرانمهدی جهانگیری صالح، سید رضا حسن بیگی، محمد ابونجمی، محمود لطفی

    چکیده خیار یک میوه پر مصرف در ایران است که مصرف زیادی در تمام فصول دارد؛ لذا بررسی پارامترهای موثر در میزان کیفیت آن امری اجتناب ناپذیر به نظر می‌رسد. با توجه به صرف هزینه و زمان زیاد برای اندازه‌گیری پارامتر‌ها، پیش-بینی آن‌ها با توجه به عوامل تاثیرگذار بسیار مفیدتر خواهد بود. د

  • کاربرد مدل شبکه عصبی مصنوعی در پیش بینی پاسخ های آمیخته بیماری قلبی

    مقالهمجله علوم پزشکی رازیمهین عادلی، mahin adeli university of social welfare and rehabilitation sciencesدانشگاه علوم بهزیستی و توان بخشی تهران اکبر بیگلریان، akbar biglarian university of social welfare and rehabilitation sciencesدانشگاه علوم بهزیستی و توان بخشی تهران عنایت اله بخشی، enayatollah bakhshi university of social welfare and rehabilitation sciencesدانشگاه علوم بهزیستی و توان بخشی تهران امیدعلی عادلی

    زمینه و هدف: در مطالعات اپیدمیولوژی و پزشکی، گاهی پژوهشگر با مواردی مواجه می­شود که لازم است دو متغیر پاسخ را به صورت توام (همزمان) از روی تعدادی متغیر کمکی پیش­بینی نماید. زمانی که متغیر پاسخ آمیخته باشد، با توجه به محدودیت­ها و برقرار نبودن برخی پیش فرض­ها، روش­های کلاسیک آماری

  • پیش بینی دمای کمینه ایستگاه کرج با استفاده از داده های شاخص های پیوند از دور و شبکه عصبی مصنوعی

    مقاله۲۰۱۸جغرافیای طبیعیتقی طاوسی، محمود خسروی، مهدی اژدری مقدم، هانیه شکیبا

    توجه علمی به مخاطرات محیطی که آسیب پذیری بسیاری از کشورهای دنیا را به دنبال دارد، آغازی نسبتاً تازه دارد. یکی از این خطرها یخبندانها می باشند که سبب زیانهای عظیمی در زمینه های کشاورزی، حمل و نقل، انرژی ، زیست محیطی و غیره شده است. جهت جلوگیری از خطرات ناشی از آنها استفاده از روشه

  • پیش‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎‎بینی بقای بیماران مبتلا به سرطان پستان با استفاده از دو مدل رگرسیون لجستیک و شبکه عصبی مصنوعی

    مقالهمجله اپیدمیولوژی ایرانآذر اسد آبادی، a asadabadi msc, department of biostatistics & epidemiology, school of health, kerman university of medical sciences, iranکارشناس ارشد آمار زیستی، گروه آمار زیستی و اپیدمیولوژی دانشکده بهداشت و مرکز تحقیقات مدل سازی در سلامت دانشگاه علوم پزشکی کرمان، کرمان، ایران عباس بهرامپور، a bahrampour professor, phd, modeling of health research center, department of biostatistics & epidemiology, school of health, kerman university of medical sciences, iranاستاد گروه آمار زیستی و اپیدمیولوژی دانشکده بهداشت و مرکز تحقیقات مدل سازی در سلامت دانشگاه علوم پزشکی کرمان، کرمان، ایران علی اکبر حقدوست، aa haghdoost associate professor, phd, modeling of health research center, department of biostatistics & epidemiology, school of health, kerman university of medical sciences, iranاستاد گروه آمار زیستی و اپیدمیولوژی دانشکده بهداشت و مرکز تحقیقات مدل سازی در سلامت دانشگاه علوم پزشکی کرمان، کرمان، ایران

    مقدمه و اهداف: در سال‎های اخیر، توجه قابل ملاحظه‎ای به مدل‎های آماری برای طبقه‎بندی داده‎های پزشکی با توجه به بیماری‎های مختلف و پیامدهای آن‎ها شده است. شبکه‎های عصبی مصنوعی به دلیل عدم نیاز به پیش فرض با موفقیت برای تشخیص الگو و پیش‎بینی در برخی از مطالعه های بالینی استفاده شده‎

  • پیش بینی قیمت زنجیره محصولات پلی اتیلن ترفتالات با استفاده از سیستم مبتنی بر شبکه های عصبی

    مقاله۲۰۱۵مجله پژوهش های مدیریت منابع سازمانیالناز ایقانی اردبیلی، محمد منصور ریاحی کاشانی، احمد آقامحمدی

    فقدان پیش بینی ساختارمند درخصوص محصول پرکاربرد پلی اتیلن ترفتالات شرکت صنایع پتروشیمی را بر آن داشته است که پیش بینی های قیمت را از شرکت های خارجی خریداری کند. جلوگیری از خروج ارز و تحمل عوامل سیاسی مانند تحریم ها در این حوزه نیازمند پیش بینی علمی قیمت ها در داخل است. به دلیل ماه

  • تهیه نقشه پیش بینی پراکنش مکانی رویشگاه گونه های گیاهی با استفاده از شبکه های عصبی مصنوعی در مراتع استان قم

    مقالهپژوهش های آبخیزداری

    این تحقیق با هدف ارزیابی قابلیت مدل شبکه عصبی مصنوعی در تهیه نقشه پیش بینی پراکنش رویشگاه گونه های گیاهی و شناخت نقاط قوت و ضعف این روش انجام شد. بدین منظور بعد از تعیین واحدهای همگن با استفاده از مدل رقومی ارتفاع و نقشه زمین شناسی با مقیاس 1:25000، نمونه برداری از پوشش گیاهی و ع