CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

پیش بینی حجم کوفتگی سیب با استفاده از شبکه عصبی RBF و مقایسه آن با مدل رگرسیونی

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۴۶۵ | نظرات: ۰
سال انتشار: ۱۳۹۱
نوع ارائه: پوستر
کد COI مقاله: NCAMEM07_130
زبان مقاله: فارسی
حجم فایل: ۳۰۸.۷۲ کیلوبایت (فایل این مقاله در ۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۷ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳,۰۰۰ تومان بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۷ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی حجم کوفتگی سیب با استفاده از شبکه عصبی RBF و مقایسه آن با مدل رگرسیونی

  سعید ظریف نشاط - استادیار پژوهش مرکز تحقیقات کشاورزی و منابع طبیعی خراسان رضوی
  عباس روحانی - استادیار دانشکده کشاورزی دانشگاه صنعتی شاهرود
  محمد حسین سعیدی راد - استادیار پژوهش مرکز تحقیقات کشاورزی و منابع طبیعی خراسان رضوی

چکیده مقاله:

صدمه کوفتگی ناشی از ضربه جزو انواع اصلی صدمات مکانیکی پس از برداشت میوه می باشد. مدلهای پیش بینی حجم کوفتگی برای کاربردی کردن شبیه سازی المان گسسته که صدمه کوفتگی را در هنگام حمل و نقل شبیه سازی می کند ضروری است. مدلهای پیش بینی کوفتگی اطلاعات مفیدی در مورد اثر فاکتورهای میوه (مانند رسیدگی) بر حساسیت به کوفتگی می دهد بطوریکه این اطلاعات نهایتا منجر به توصیه هاب کاربردی جهت انتقال میوه ها م یگردد. مدلهای پیش بینی کوفتگی برای سیب رقم گلدن دلیشز تعیین گردید. از حجم کوفتگی به عنوان شاخص صدمه کوفتگی استفاده شد. هدف از این تحقیق ارزیابی شبکه عصبی مصنوعی RBF در پیش بینی حجم کوفتگی سیب می باشد. در این تحقیق از داده های تجربی 120 عدد سیب استفاده گردید. پارامترهای بهینه برای شبکه عصبی مصنوعی RBF از روش آزمون و خطا بر روی داده های موجود انتخاب گردید. جهت ارزیابی مدل RBF و مدل رگرسیون در پیش بینی حجم کوفتگی سیب، علاوه بر رگرسیون خطی، از بعضی آزمونهای آماری نشیر مقایسه میانگین ها، واریانس و توزیع آماری بین داده های واقعی و داده های پیش بینی شده بوسیله مدل شبکه عصبی مصنوعی RBF استفاده شد. نتایج نشان می دهد که شبکه عصبی مصنوعی RBF م یتواند حجم کوفتگی سییب را با دقت بالاتری در مقایسه با مدل رگرسیون پیش بینی نماید.

کلیدواژه‌ها:

RBF، شبکه عصبی، مدل رگرسیونی، حجم کوفتگی، سیب

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-NCAMEM07-NCAMEM07_130.html
کد COI مقاله: NCAMEM07_130

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
ظریف نشاط, سعید؛ عباس روحانی و محمد حسین سعیدی راد، ۱۳۹۱، پیش بینی حجم کوفتگی سیب با استفاده از شبکه عصبی RBF و مقایسه آن با مدل رگرسیونی، هفتمین کنگره ملی مهندسی ماشین های کشاورزی و مکانیزاسیون، شیراز، دانشگاه شیراز، https://www.civilica.com/Paper-NCAMEM07-NCAMEM07_130.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (ظریف نشاط, سعید؛ عباس روحانی و محمد حسین سعیدی راد، ۱۳۹۱)
برای بار دوم به بعد: (ظریف نشاط؛ روحانی و سعیدی راد، ۱۳۹۱)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :

  • Azadeh A, Ghaderi SF and Sohrabkhani S, 2006. Forecasting electrical ...
  • Brusewitz G H, Bartsch J A, 1989. Impact parameters related ...
  • Garcia Ramos F J, Barreiro P, Ruiz Altisent M, Ortiz ...
  • Gupta M M, Jin J and Homma N, 2003. Static ...
  • Menesatti P, Paglia G, 2001. Development of a drop damage ...
  • دانشگاه شیراز، ۱۴ الی ۱۶ شهریور ۱۳۹۱ ...
  • مقایسه توزیع ۱/۰۰۰ ۰/۹۹۹ ۱/۰۰۰ ۰/۶۷۴ ...
  • RMSE 14/76 63/93 20/71 81/31 ...
  • Menesatti P, Paglia G, Solaini S, Zanella A, Stainer R, ...
  • Mohsenin N N, 1986. Physical Properties of Plant and Animal ...
  • Pang D W, Studman C J, Banks N H, Baas ...
  • Pasini L, Ragni L, Rombola A D, Berardinelli A, Guarnieri ...
  • Ragni L, Berardinelli A, 2001. Mechanical behaviour of apples, and ...
  • Rohani A, Abb aspour-Fard MH and Abdolahpour S, 2011. Prediction ...
  • Schotte S, Belie N, Baerdemaeker _ 1999. Acoustic impulse technique ...
  • Schulte-Paso N L, Brown G K, Timm E J, 1992. ...
  • Timm E J, Bollen A F, Dela Rue B T, ...
  • Vakil-B aghmisheh MT and Pavesic N, 2001. B ack-prop agation ...
  • Vakil-B aghmisheh MT, 2002. Farsi Character Recognition Using Artificial Neural ...
  • Van Zeebroeck M, Van linden V, Ramon H, De B ...
  • Van Zeebroeck M, Van linden V, Darius P, De Ketelaere ...
  • Wang YM and Elhag TMS, 2007. A comparison of neural ...
  • دانشگاه شیراز، ۱۴ الی ۱۶ شهریور ۱۳۹۱ ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: سازمان تحقیقات کشاورزی
    تعداد مقالات: ۱۳۷۳
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.