امكان سنجي استفاده از مدل هاي مختلف پيش بيني كننده در تخمين جرم دانه ي پسته و تعيينمناسب ترين مدل

Possibility of using different predictive models to estimate pistachio seed mass and determine suitable model

شناخت خواص فيزيكي مغز پسته در فرآيندهاي انتقال، خشك كردن، درجه بندي، جداسازي فرآوري و ذخيره اين محصول ارزشمند نقش اساسي ايفا مي كند. در اين مطالعه به منظور پيش بيني جرم دانه ي پسته از ابزارهاي مختلف پيش بيني كننده شامل شبكه ي عصبي مصنوعي، ژنتيك الگوريتم، سطح پاسخ و رگرسيوني خطي استفاده گرديد. نتايج نشان داد كه كليه ي مدل ها از دقت بالايي در تخمين وزن دانه ي پسته برخوردار بوده به طوري كه مدل هاي شبكه ي عصبي پرسپترون، شبكه تابع پايه ي شعاعي، روش رگرسيون خطي، روش رگرسيون خطي-ژنتيك الگوريتم و روش سطح پاسخ-شبكه ي عصبي قادر بودند جرم دانه ي پسته را به ترتيب با ضرايب تبيين 9949/0، 914/0، 986/0، 995/0 و 945/0 پيش بيني نمايند. به طوري كلي مقايسه مدل هاي مورد بررسي نشان داد كه مدل تركيبي رگرسيوني-الگوريتم ژنتيك با ضريب تبيين 995/0 بالاترين دقت را داشت.

Understanding the physical properties of pistachio kernel are necessary for the proper design of equipments for handling, transporting, processing, drying, sorting, grading and storage this crop. In this study, different predictive tools include artificial neural network, genetic algorithm, response surface and liner regression were used to predict mass of pistachio seed. Result demonstrated that all models have a high degree of accuracy to estimate mass of pistachio seed, so that, models of perseptron neural network, radial basis function, linear regression, linear regression coupled with genetic algorithm and response surface conjugated with neural network were able to predict pistachio seed mass with R2 value 0.9949, 0.914, 0.986, 0.995 and 0.945, respectively. Generally, comparison of the models showed that synthetic model of linear regression-genetic algorithm with R2 value equal 0.995 has the highest accuracy.