مقایسه مدل های NEMIS و شبکه های عصبی مصنوعی در پیش بینی دی نیتریفیکاسیون
Publish place: The 1st national conference on solutions to access sustainable development in agriculture,natural resources and the environment
Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 548
This Paper With 5 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
SDCONF01_2140
تاریخ نمایه سازی: 28 اردیبهشت 1392
Abstract:
برای مطالعه اثرات دنیتریفیکاسیون درتعادل نیتروژن درسیستم های کشاورزی مدل های شبیه سازی دنیتریفیکاسیون می تواند ابزار مفیدی باشد دراین تحقیق برای پیش بینی مقدار دنیتریفکاسیون براساس سه عامل محتوای رطوبت خاک نیترات خاک و دمای خک دو مدل NEMIS و شبکه های عصبی پرسپترون چندلایه MLP استفاده و مقایسه گردید برای اموزش شبکه عصبی ازالگوریتم یادگیری گرادیان نزولی با گشتاور استفاده شد و تابع تانژانت هیپربولیک به عنوان تابع فعالیت انتخاب گردید با تغییر تعدادگره ها درلایه پنهان توپولوژیهای مختلفی ازشبکه های عصبیدرنظر گرفته شد درکلیه شبکه ها ازنرخ یادگیری 0/1 و ضریب مومنتم برابر 0/7 استفاده گردید میزان حداقل میانگین مربعات خطای نرمالیزه شده NMSE برای اعتبارسنجی شبکه مبنای انتخاب تعدادنرونهای لایه پنهان گردید برای بررسی توانایی مدل حالتهای مختلف طراحی شده باتوجه به پارامترهای NMSE و ضریب تبیین R2 بایکدیگر مقایسه شدند نتایج نشان داد شبکه عصبی MLP با سه نرون درلایه ورودی بیست و پنج نروم درلایه میانی و یک نرون درلایه خروجی با تابع فعالیت تانژانت هیپربولیک بهترین عملکرد را با حداقل میزان خطا NMSE=0/13 , بیشترین مقدار ضریب تبیین R2=0/87 دارد که درمقایسه با مدل NEMIS با R2=0/67 دقت بالاتری را درپیش بینی دنیتریفیکاسیون نشان داد
Keywords:
Authors
علیرضا خوشرو
استاددانشگاه یاسوج
حکیمه افشین
دانشجو دانشکده کشاورزی یاسوج
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 :