به‌كارگيري سيستم استنتاج عصبي-فازي سازگار و شبكه‌هاي عصبي مصنوعي در پيش‌بيني و مدل‌سازي تغييرات كيفي زالزالك (Crataegus pinnatifida) طي شرايط مختلف انبارماني

در دهه‌هاي اخير، از سيستم‌هاي هوش مصنوعي براي ايجاد مدل‌هاي پيش‌بيني جهت تخمين و پيش‌بيني بسياري از فرآيندهاي كشاورزي استفاده شده است. در اين مطالعه، خصوصيات فيزيكي و شيميايي ميوه زالزالك طي نگهداري در شرايط مختلف با استفاده از شبكه‌هاي عصبي مصنوعي و سيستم استنتاج عصبيفازي سازگار پيش‌بيني گرديد. از داده‌هاي تجربي حاصل از نگهداري ميوه، براي آموزش و آزمايش اين شبكه‌ها استفاده شد. تعداد كل لايه‌هاي پنهان و تعداد نورون در هر لايه پنهان به روش سعي و خطا انتخاب گرديد. شبكه عصبي و سيستم استنتاج عصبيفازي سازگار طراحي شده داراي ورودي شامل زمان نگهداري، رطوبت اوليه و دماي نگهداري و يك متغير در لايه‌هاي خروجي ( WL،F، ∆E، RPI، c*، و ) بود. مقادير R^2 بالا و RMSE كم گوياي كارايي بالاي مدل شبكه عصبي مصنوعي و سيستم استنتاج عصبيفازي سازگار در پيش‌بيني خصوصيات كيفي زالزالك طي فرآيند نگهداري مي‌باشد. نتايج نشان داد كه شبكه عصبي پرسپترون چندلايه با الگوريتم يادگيري مومنتوم و تابع آستانه‌اي تان‌اكسون بهترين شبكه براي پيش‌بيني خصوصيات كيفي زالزالك در شرايط مختلف بود. نتايج مدل‌سازي با انفيس نشان داد كه توابع عضويت ذوزنقه‌اي و گوسي بهترين عملكرد را به‌ترتيب در پيش‌بيني پارامترهاي رنگي و فيزيكي داشت. با مقايسه نتايج حاصل از مدل‌سازي با شبكه عصبي مصنوعي و انفيس، تفاوت زيادي از نظر دقت و كارايي در پيش‌بيني مشاهده نشد، اگرچه شاخص RMSE در مدل‌سازي با كمك انفيس كمتر از شبكه عصبي مصنوعي بود كه خود نمايان‌گر دقت بالاتر آن مي‌باشد.