به‌کارگیری سیستم استنتاج عصبی-فازی سازگار و شبکه‌های عصبی مصنوعی در پیش‌بینی و مدل‌سازی تغییرات کیفی زالزالک (Crataegus pinnatifida) طی شرایط مختلف انبارمانی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 به‌کارگیری سیستم استنتاج عصبی-فازی سازگار و شبکه‌های عصبی مصنوعی در پیش‌بینی و مدل‌سازی تغییرات کیفی زالزالک (Crataegus pinnatifida) طی شرایط مختلف انبارمانی دارای ۲۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد به‌کارگیری سیستم استنتاج عصبی-فازی سازگار و شبکه‌های عصبی مصنوعی در پیش‌بینی و مدل‌سازی تغییرات کیفی زالزالک (Crataegus pinnatifida) طی شرایط مختلف انبارمانی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی به‌کارگیری سیستم استنتاج عصبی-فازی سازگار و شبکه‌های عصبی مصنوعی در پیش‌بینی و مدل‌سازی تغییرات کیفی زالزالک (Crataegus pinnatifida) طی شرایط مختلف انبارمانی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن به‌کارگیری سیستم استنتاج عصبی-فازی سازگار و شبکه‌های عصبی مصنوعی در پیش‌بینی و مدل‌سازی تغییرات کیفی زالزالک (Crataegus pinnatifida) طی شرایط مختلف انبارمانی :

سال انتشار : ۱۴۰۰

تعداد صفحات : ۲۰

در دهه‌های اخیر، از سیستم‌های هوش مصنوعی برای ایجاد مدل‌های پیش‌بینی جهت تخمین و پیش‌بینی بسیاری از فرآیندهای کشاورزی استفاده شده است. در این مطالعه، خصوصیات فیزیکی و شیمیایی میوه زالزالک طی نگهداری در شرایط مختلف با استفاده از شبکه‌های عصبی مصنوعی و سیستم استنتاج عصبی-فازی سازگار پیش‌بینی گردید. از داده‌های تجربی حاصل از نگهداری میوه، برای آموزش و آزمایش این شبکه‌ها استفاده شد. تعداد کل لایه‌های 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 لایه‌های خروجی ( ، ، ،  و ) بود. مقادیر R2 بالا و RMSE کم گویای کارایی بالای مدل شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی سازگار در پیش‌بینی خصوصیات کیفی زالزالک طی فرآیند نگهداری می‌باشد. نتایج نشان داد که شبکه عصبی پرسپترون چندلایه با الگوریتم یادگیری مومنتوم و تابع آستانه‌ای تان‌اکسون بهترین شبکه برای پیش‌بینی خصوصیات کیفی زالزالک در شرایط مختلف بود. نتایج مدل‌سازی با انفیس نشان داد که توابع عضویت ذوزنقه‌ای و گوسی بهترین عملکرد را به‌ترتیب در پیش‌بینی پارامترهای رنگی و فیزیکی داشت. با مقایسه نتایج حاصل از مدل‌سازی با شبکه عصبی مصنوعی و انفیس، تفاوت زیادی از نظر دقت و کارایی در پیش‌بینی مشاهده نشد، اگرچه شاخص RMSE در مدل‌سازی با کمک انفیس کمتر از شبکه عصبی مصنوعی بود که خود نمایان‌گر دقت بالاتر آن می‌باشد.