---

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 ۳-۳-۵-۳ 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 ۹۹۷۳/۰، ۹۴۵۶/۰ و ۹۱۲۹/۰ و ریشه میانگین مربعات خطای ۰۲۱/۰، ۰۵۲/۰ و ۰۵۹/۰ را داشت.