کاربرد سیستم استنتاج تطبیقی عصبی- فازی برای پیشبینی عملکرد گندم بر اساس داده های انرژی

Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 657

This Paper With 13 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NCAMEM08_331

تاریخ نمایه سازی: 14 شهریور 1393

Abstract:

با توجه به اهداف کشاورزی پایدار، تعیین روابط بین انرژی های ورودی و خروجی می تواند مرحله مهمی در دستیابی به این اهداف باشد چرا که می تواند منجر به ارائه الگوی صحیح مصرف انرژی برای افزایش بهره وری انرژی شود. سیستم استنتاج تطبیقی عصبی- فازی ANFIS برای پیشبینی عملکرد دانه گندم آبی بر اساس ورودی های انرژی در شهر آبیک استان قزوین استفاده شد. با توجه به تعداد زیاد ورودیها ( 8 ورودی) برای سیستم، از دو ANFIS مختلف با سه و پنج ورودی استفاده شد. ورودی های ANFIS1 شامل انرژیهای سوخت دیزل، کود و الکتریسیته و برای 2 ANFIS شامل انرژی های نیروی کارگری، ماشینها، سم، آب برای آبیاری و بذر بودند. جهت ارزیابی و اعتبار سنجی مدل 70 درصد داده ها برای آموزش مدل و 30 درصد داده های آموزش ندیده برای آزمون مدل استفاده شدند. مقادیر میانگین مربعات خطا و ضریب تعیین برای 1 ANFIS به ترتیب 0/013 و 0/996 و برای 2 ANFIS و 0/018 و 0/992 بودند. نتایج همچنین نشان داد که تأثیر مقدار ورودی های انرژی سوخت دیزل، کود و الکتریسیته که سهم بیشتری در انرژی مصرفی کل داشته اند، در پیش بینی نهایی عملکرد محصول بیشتر از دیگر ورودی های انرژی بوده است. در نهایت، مقادیر پیش بینی شده این دو ANFIS به عنوان ورودی برای ANFIS سوم استفاده شد. مقادیر میانگین مربعات خطا و ضریب تعیین در مرحله آموزش مدل 3 ANFIS به ترتیب 4- 10 × 1/6 و 0/996 و برای مرحله آزمون 0/004 و 0/931 بدست آمد. بنابراین نتیجه نهایی نشان داد که ANFIS میتواند عملکرد دانه گندم را بر اساس ورودی های انرژی به خوبی پیش بینی کند.

Authors

لیلا ندرلو

گروه مهندسی مکانیک ماشین های کشاورزی، دانشکده کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه رازی کرمانشاه

رضا علیمردانی

گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران

محمود امید

گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران

فریدون سرمدیان

گروه مهندسی علوم خاک، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران

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 :
  • دانشگاه فردوسی مشهد _ _ _ بهمن ماه 1392 ...
  • دانشگاه فردوسی مشهد _ _ _ بهمن ماه 1392 ...
  • Acaroglu, M. 1998. Energy from biomass, and applications: University of ...
  • Akbarzadeh, A., R.T. Mehrjardi, H. Rouhipour, M. Gorji and H.G. ...
  • Arkhipov, M., E. Krueger and D. Kurtener. 2008. Evaluation of ...
  • Avci, E. 2008. Comparison of wavelet families for texture classification ...
  • Azadeh, A., M. Saberi, Anvari M., A. Azaron, M. Mohammadi. ...
  • Buragohain, M. and C. Mahanta. 2008. A novel approach for ...
  • Cheng, C.B., C.J. Cheng and E.S. Lee. 2002. Neuro-Fuzzy and ...
  • Esengun, K., O. Gunduz and G. Erdal. 2007. Input-output energy ...
  • Fahimifard, S. M., M. Salarpour, M. Sabouhi and S. Shirzady. ...
  • Ghorbani, R., F. Mondani, S. Amirmoradi, H. Feizi, S. Khorramdel, ...
  • Hatirli, S.A., B. Ozkan and C. Fert. 2006. Energy inputs ...
  • Jang J.S.R. 1993. ANFIS Adaptive -network-based fuzzy inference system. IEEE ...
  • Kiralakis, L. and N.C. Tsourveloudi. 2005. Modeling and Optimization of ...
  • Krueger, E., S.A. Prior, D. Kurtener, H.H. Rogers and G.B. ...
  • Lin, C.T. and G.C.S. Lee. 1996. Neural fizzy systems, A ...
  • Mandal, K.G., K.P. Saha, P.L. Gosh, K.M. Hati and K.K ...
  • MATLAB. 2010. Fuzzy, ANFIS TOOOLBOX. Natick, MA: The Mathworks In, ...
  • Metin, E.H. and H. Murat. 2008. Comparative analysis of an ...
  • Mohammadi, A, R. Rafiee, S.S. Mohtasebi, H. Rafiee. 2010. Energy ...
  • Naderloo, L., R. Alimardani, M. Omid, F. Sarmadian, P. Javadikia, ...
  • Ozkan, B., H. Akcaoz and . Fert. 2004. Energy input-output ...
  • Pao, Y.H. 1989. Adaptive pattern recognition and neural networks. Addison ...
  • Sajikumar, N., and B. S. Thandaveswar _ 1999. A nonlinear ...
  • Serge, G. 2001. Designing fuzzy inference systems from data: Interpretability ...
  • Singh, J.M. 2002. On farm cnergy use pattern in different ...
  • Singh, J. and S. Gill. 2010. Modeling for tensile strength ...
  • Singh, J., and S. Singh. 2008. Multi input single output ...
  • Singh, S., S. Singh, J.P. Mittal and C.J.S. Pammu. 1998. ...
  • Shrestha D.S. 1998. Energy use efficiency indicator for agriculture _ ...
  • Sugeno, M. 1985. Industrial Applications of Fuzzy Control. Elsevier Press, ...
  • Ubeyli, E.. D. 2008. Adaptive peuro-fuzzy inference system employing wavelet ...
  • Zadeh, L.A. 1973. Outline of a rew approach to the ...
  • نمایش کامل مراجع