مدل سازی و مطالعه باززایی آزمایشگاهی در پرورش لوبیا با استفاده از شبکه های عصبی مصنوعی و الگوریتم های یادگیری ماشینی
Publish place: Journal of agricultural biotechnology، Vol: 16، Issue: 1
Publish Year: 1403
نوع سند: مقاله ژورنالی
زبان: Persian
View: 96
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JOAGK-16-1_014
تاریخ نمایه سازی: 29 بهمن 1402
Abstract:
هدف: در حوزه ارتقای بیوتکنولوژیکی لوبیاهای معمولی، با توجه به دشواری ذاتی بازسازی این محصول در محیط های آزمایشگاهی، یک چالش ضروری در ابداع یک استراتژی قابل اعتماد و موثر بازسازی در شرایط آزمایشگاهی نهفته است. این تحقیق، با هدف پرداختن به این چالش، از قدرت مدل های یادگیری ماشین (ML)، به ویژه با استفاده از الگوریتم هایی برای شبکه های عصبی مصنوعی (ANN) استفاده می کند. هدف اصلی ایجاد یک فرآیند بازسازی آزمایشگاهی کارآمد و قابل تکرار همزمان با بهینه سازی و پیش بینی نتایج آینده است.مواد و روش ها: این مطالعه متغیرهای مختلفی مانند ژنوتیپ لوبیا، ریزنمونه ها و دوزهای مختلف ۶-benzylaminopurine (BAP) و CuSO۴ را در بر می گیرد. یک شبکه عصبی رگرسیون مکرر (RRNN) برای مدل سازی و پیش بینی نتایج بازآفرینی محصول در شرایط آزمایشگاهی، به ویژه بر روی لوبیاهای معمولی استفاده شد. تنظیم تجربی شامل آماده سازی جنین های لوبیا با ۱۰، ۱۵ و ۲۰ میلی گرم در لیتر BAP به مدت ۲۵ روز، و به دنبال آن رشد در محیط پس از تیمار شامل ۳/۰، ۶/۰، ۹/۰، و ۲/۱ میلی گرم در لیتر BAP به مدت ۷ هفته بود. متعاقبا، اپیس پلومولار برای بازسازی در شرایط آزمایشگاهی جدا شد. قابل ذکر است، مدل RRNN نیز با یک الگوریتم ژنتیک (GA) یکپارچه شد تا فرآیند بازسازی را بیشتر بهینه کند.نتایج: نتایج با RRNN برابر با ۰۶۱/۰، که کمترین میانگین مربعات خطا را نشان می دهد قانع کننده بود و این امر نشان دهنده دقت پیش بینی برتر در بازسازی کل است. در مقایسه، مدل های رگرسیون بردار پشتیبان (SVR)، جنگل تصادفی (RF) و تقویت گرادیان شدید (XGB) مقادیر MSE بالاتری را به ترتیب برابر با ۰۸۱/۰، ۰۸۱/۰ و ۰۹۷/۰ نشان دادند. این یافته ها بر اثربخشی الگوریتم RRNN تاکید می کند، که از سایر مدل ها در همه پارامترها بهتر عمل می کند.نتیجه گیری: عملکرد برتر RRNN کاربرد بالقوه آن را در پیش بینی دقیق در مورد بازسازی لوبیا نشان می دهد. در زمینه یک برنامه اصلاح مشترک لوبیا، این نتایج را می توان برای بهینه سازی و پیش بینی روش های کشت بافت گیاهی مهار کرد و در نتیجه تکنیک های بیوتکنولوژیکی مورد استفاده در کشت لوبیا معمولی را تقویت کرد. ادغام مدل هایML، به ویژه RRNN، به عنوان یک راه امیدوارکننده برای پیشبرد استراتژی های بازسازی محصول و کمک به کارایی مداخلات بیوتکنولوژیکی در کشاورزی است.
Keywords:
Authors
کومار شوتابه
استادیار، دانشکده علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، نایا رایپور، چاتیسگار، هند.
آشا امبایکار
استاد، دانشکده علوم کامپیوتر و فناوری اطلاعات، دانشگاه کالینگا، نایا رایپور، چاتیسگار، هند.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :