پيش بيني جرم و حجم پرتقال رقم محلي دزفول با استفاده از شبكه هاي عصبي MLP

استفاده از شبكه هاي عصبي مصنوعي بهعنوان روشي جديد براي برآورد مشخصه هاي فيزيكي محصولات كشاورزي و درجه بندي آنها بر حسب پارامترهاي مختلف مطرح شده است. در اين پژوهش ابتدا مقادير مشخصه هاي فيزيكي 100 عدد پرتقال رقم محلي دزفول شامل سه بعد هندسي، جرم، حجم و سطح تصوير عمودي اندازه گيري شد و از دو شبكه عصبي مصنوعي براي مدلسازي جرم و حجم پرتقال برحسب ابعاد هندسي (ANN(h،w،t)) و سطح تصوير (ANN(A)) ميوه استفاده گرديد. شبكه عصبي پرسپترون چندلايه (MLP) با يك لايه مخفي، تابع سيگموئيد به عنوان تابع فعال سازي نرون ها و الگوريتم پس انتشار با نرخ يادگيري كاهشي (BDLRF) براي آموزش شبكه انتخاب شد. نتايج مقايسههاي آماري نشان داد كه اختلاف بين مقادير واقعي و پيش بيني شده توسط شبكه هاي عصبي معني دار نيست؛ همچنين حداقل مقدار ضريب تبيين (R2) براي هر يك از متغيرهاي جرم و حجم در هر سه مرحله پياده سازي شبكه عصبي(آموزش، معتبرسازي و آزمون) برابر با 96/0 بود. در مقايسه عملكرد دو مدل شبكه عصبي، بر اساس كوچكي معيارهاي RMSE و MAPE و بزرگي ME ، مشخص شد كه شبكه عصبي ANN(h، w، t) به ANN(A) در هر سه مرحله آموزش، معتبرسازي و آزمون برتري دارد. همچنين مقايسه عملكرد مدل هاي شبكه عصبي با مدل هاي رگرسيوني ( F(h،w،t) و F(A) ) نشان داد كه اختلاف بين آنها معني دار نبوده، ولي عملكرد پيش بيني مدل رگرسيوني F(h،w،t) بهتر از F(A) و در نهايت عملكرد مدل ANN(h،w،t) بهتر از مدل رگرسيوني F(h،w،t) مي باشد.