جهانگیری صالح, مهدی, حسن بیگی, سید رضا, ابونجمی, محمد, لطفی, محمود (2017). پیش‌بینی پاسخ آکوستیک، شاخص تردی و سفتی میوه خیار با استفاده از شبکه‌های عصبی مصنوعی. , 14(63), 276-265.
مهدی جهانگیری صالح; سید رضا حسن بیگی; محمد ابونجمی; محمود لطفی. "پیش‌بینی پاسخ آکوستیک، شاخص تردی و سفتی میوه خیار با استفاده از شبکه‌های عصبی مصنوعی". , 14, 63, 2017, 276-265.
جهانگیری صالح, مهدی, حسن بیگی, سید رضا, ابونجمی, محمد, لطفی, محمود (2017). 'پیش‌بینی پاسخ آکوستیک، شاخص تردی و سفتی میوه خیار با استفاده از شبکه‌های عصبی مصنوعی', , 14(63), pp. 276-265.
جهانگیری صالح, مهدی, حسن بیگی, سید رضا, ابونجمی, محمد, لطفی, محمود پیش‌بینی پاسخ آکوستیک، شاخص تردی و سفتی میوه خیار با استفاده از شبکه‌های عصبی مصنوعی. , 2017; 14(63): 276-265.

پیش‌بینی پاسخ آکوستیک، شاخص تردی و سفتی میوه خیار با استفاده از شبکه‌های عصبی مصنوعی

مجله علوم و صنایع غذایی ایران
Article 24, Volume 14, Issue 63, 1396, Pages 276-265    PDF (774.78 K)
Authors
مهدی جهانگیری صالح1; سید رضا حسن بیگی* 2; محمد ابونجمی2; محمود لطفی3
1دانشجوی دکتری گروه مهندسی فنی کشاورزی پردیس ابوریحان، دانشگاه تهران
2دانشیار گروه مهندسی فنی کشاورزی پردیس ابوریحان، دانشگاه تهران
3دانشیار گروه باغبانی پردیس ابوریحان، دانشگاه تهران
Abstract
چکیده
خیار یک میوه پر مصرف در ایران است که مصرف زیادی در تمام فصول دارد؛ لذا بررسی پارامترهای موثر در میزان کیفیت آن امری اجتناب ناپذیر به نظر می‌رسد. با توجه به صرف هزینه و زمان زیاد برای اندازه‌گیری پارامتر‌ها، پیش-بینی آن‌ها با توجه به عوامل تاثیرگذار بسیار مفیدتر خواهد بود. در تحقیق حاضر ارتباط بین دو ویژگی مکانیکی (شاخص تردی و سفتی) و فشار صدای حاصل از شکستن (پاسخ آکوستیک) میوه خیار با زمان و شرایط مختلف انبارداری و در قسمت‌های مختلف میوه با استفاده از شبکه­های عصبی مصنوعی مدل‌سازی شد. ورودی‌ شبکه­ها زمان نگهداری، شرایط نگهداری و موقعیت انجام تست در طول میوه بودند. با استفاده از مقادیر ویژگی‌های مکانیکی و صوتی به عنوان خروجی‌های هدف، شبکه‌های مختلفی با پیکربندیهای متفاوت تعریف و آموزش داده شدند. شبکه‌ عصبی چند لایه پرسپترون و شبکه عصبی با تابع پایه شعاعی با تعداد نرون‌های مختلف و توابع آموزش مومنتوم، گرادیان نزولی و لونبرگ-مارکوارت و توابع آستانهSigmoidAxon و TanhAxon به کار گرفته شدند. دقت یادگیری شبکه‌ها در تخمین ویژگی‌های مکانیکی و صوتی مورد بررسی قرار گرفت. نتایج نشان داد که شبکه عصبی پرسپترون چندلایه با تابع آستانه TanhAxon و تابع آموزش مومنتوم و پیکربندی 3-3-5-3 بهترین عملکرد در پیش­بینی فشار صوت، شاخص تردی و و سفتی میوه خیار رقم ویولا را دارا بود. شبکه عصبی مذکور توانایی پیش­بینی فشار صوت، شاخص تردی و سفتی خیار با ضرایب تبیین به ترتیب 9973/0، 9456/0 و 9129/0 و ریشه میانگین مربعات خطای 021/0، 052/0 و 059/0 را داشت.
Keywords
کلید واژه‌گان: شبکه‌های عصبی مصنوعی; خیار; شاخص تردی; سفتی; فشار صوت؛ویولا
Statistics
Article View: 174
PDF Download: 76
Statistics
Number of Journals45
Number of Issues2,174
Number of Articles24,684
Article View25,076,730
PDF Download17,776,712