TY - JOUR ID - 12609 TI - پیش‌بینی جرم و حجم پرتقال رقم محلی دزفول با استفاده از شبکه های عصبی MLP JO - مهندسی زراعی JA - AGEN LA - fa SN - 2588-526X AU - مسعودی, حسن AU - روحانی, عباس AD - استادیار گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه شهید چمران اهواز، ایران AD - استادیار گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه فردوسی مشهد، ایران Y1 - 2017 PY - 2017 VL - 39 IS - 2 SP - 133 EP - 142 KW - پرتقال KW - تخمین جرم و حجم KW - ابعاد KW - سطح تصویر KW - شبکه عصبی مصنوعی DO - 10.22055/agen.2017.12609 N2 - 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 پیش‌بینی شده توسط شبکه های عصبی معنی‌دار  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 مدل‌های شبکه عصبی با مدل‌های رگرسیونی ( F(h,w,t) و F(A) ) نشان داد که اختلاف بین آنها معنی‌دار نبوده، ولی عملکرد پیش‌بینی 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) می‌باشد.  UR - https://agrieng.scu.ac.ir/article_12609.html L1 - https://agrieng.scu.ac.ir/article_12609_054e45e49b7688008a04c1da7e095207.pdf ER -