كليدواژه :
ﺑﺎﺩﺍﻡ , ﻣﺎﺷﻴﻦ ﻫﺎﻱ ﻓﺮﺁﻭﺭﻱ , ﺷﺒﮑﻪ ﻋﺼﺒﻲ ﻣﻮﺟﮏ , ﺿﺮﻳﺐ ﻫﻤﺒﺴﺘﮕﻲ
چكيده فارسي :
تعيين خواص مكانيكي به منظور طراحي و ساخت ادوات و ماشينهاي مورد نياز براي مراحل مختلف پس از برداشت، فرآوري و بسته‌بندي محصولات لازم مي‌باشد. شبكه عصبي به عنوان يكي از مولفه‌هاي اصلي هوش محاسباتي از خواص مهمي بوده و تبديل موجك باعث افزايش دقت مدل مي گردد. بدين منظور جهت پيش بيني خواص مكانيكي مغز بادام ابتدا در اين تحقيق در وضعيت قرارگيري افقي بادام، نيروي شكست شبه استاتيكي مغز سه رقم بادام به نام‌هاي مامايي، ربيع و شاهرود دوازده در سه سطح رطوبتي (5/5%، 15% و 25% بر پايه تر) و سه سرعت بارگذاري (5، 15 و 25 ميليمتر بر دقيقه) تعيين و بررسي گرديد. در بخش شبكه عصبي پارامترهاي ورودي شامل سه سطح رطوبت و سه سطح سرعت به عنوان متغير مستقل وارد مدل گرديد. متغيرهاي نيروي شكست، انرژي مصرفي و مدول الاستيسيته به عنوان متغيرهاي وابسته خروجي مدل در نظر گرفته شد كه براي دقت بيش تر ابتدا موجك هاي مختلف مانند Haar، db4، Sym2 ، Coif4 بر روي اين داده ها اعمال گرديد. براي ارزيابي دقت مدل از معيار R استفاده شد. نتايج ارزيابي متقابل حاكي از برتري موجك Coif4 بود. در اين الگوريتم از يك شبكه پيشخور با الگوريتم لونبرگ ماركوات با تابع تانژانت سيگموئيد در لايه پنهان و تابع خطي در لايه خروجي استفاده گرديد. نتايج حاصل، دقت بالاي شبكه عصبي-موجك را نشان مي‌دهد. براي رقم مامايي شبكه عصبي با آرايش 1-5-2 با 9523/0=R ، آرايش 1-7-2 با 9745/0=R و آرايش 1-4-2 با 8374/0=R بهترين پيش بيني را براي مدول الاستيسيته، نيروي شكست و انرژي مصرفي داشت.
چكيده لاتين :
Dimensions, shape and mechanical properties for the design of agricultural machinery for separation, harvesting and classification are important. The neural network as one of the main components of computational intelligence has important properties and wavelet transformation improves the accuracy of the model. In Research, by horizontal position of almonds, power failure, static brain, three varieties of almond named Mamaee, Rabie and Shahrood 12, in three levels of moisture (5.5%, 15% and 25% wb) and three speed loading (5,15 and 25 millimeters per minute) were determined. In the neural network, input parameters including three levels of humidity and three levels of speed as an independent variable were introduced into the model. The variables of fracture force, energy consumption and modulus of elasticity were considered as dependent variables of the model output. For more precision, various wave-lets such as Haar, db4, Sym2, Coif4 were first applied to these data. The R-criteria was used to evaluate the accuracy of the model. The cross validation results indicated the superiority of the Coif4 wavelet. In this algorithm, a feed forward network with a Levenberg-Marquardt algorithm with a sigmoid tangent function in the hidden layer and a linear function in the output layer were used. The results show the high accuracy of the neural network-wavelet. For the mamaee Variaty neural network with an arrangement of 1-5-2 with R = 0.9523, the arrangement 1-7-2 with R = 0.9745 and the arrangement of 1-4-2 with R = 0.8374 the best prediction for the modulus Elasticity has the power of failure and energy consumption. The R-criteria was used to evaluate the accuracy of the model. The cross validation results indicated the superiority of the Coif4 wavelet. In this algorithm, a feed forward network with a Levenberg-Marquardt algorithm with a sigmoid tangent function in the hidden layer and a linear function in the output layer were used. The results show the high accuracy of the neural network-wavelet.
