طبقه‌بندی خواص بیولوژیکی میوه گلابی در بارگذاری دینامیکی و استاتیکی با استفاده از شبکه عصبی مصنوعی

شبکه‌های عصبی مصنوعی تکنیک‌های مدل‌سازی قدرتمند هستند که با آرایه‌هایی از نورون‌ها در حافظه و یادگیری بیولوژیک کار می‌کنند. در این تحقیق به بررسی طبقه‌بندی نوع بارگذاری دینامیکی و شبه استاتیکی (لبه پهن و لبه نازک) با استفاده از داده‌های ورودی محتوای فنول، انتی اکسیدان، ویتامین c و سفتی با شبکه عصبی مصنوعی پرداخته‌شده است. در این آزمایش برای طبقه‌بندی از دو شبکه تابع پایه شعاعی و پرسپترون چندلایه با دو تابع فعال سازی تانژانت هیپربولیک و سیگموئیدی در یک‌لایه مخفی با نرون هایی به تعداد 4 و 8 نرون استفاده شد. با توجه به نتایج بدست آمده بهترین مقدار r و درصد صحیح (percent correct) برای بارگذاری دینامیکی ( =100 – r=9999997درصد صحیح)، بارگذاری لبه نازک (=100 – r=9999993درصد صحیح) و بارگذاری لبه پهن (=100 – r=9999992درصد صحیح) بود، که در شبکه تابع پایه شعاعی با تابع فعال‌سازی سیگوئید و تعداد 8 نورون در لایه مخفی ایجادشده است. همچنین بیشترین داده‌های صحیح تشخیص داده‌شده برای نوع بارگذاری دینامیکی، لبه پهن و لبه نازک در شبکه‌های ایجادشده برای شبکه تابع پایه شعاعی مشاهده شد و این شبکه توانسته است که به‌طور 100 درصد برای تمامی بارگذاری‌ها میزان داده‌ها را به‌درستی طبقه‌بندی کند. درمجموع شبکه عصبی با ورودی داده‌های کلی توانایی مطلوبی را در طبقه‌بندی داده‌ای بارگذاری دینامیکی و شبه استاتیکی داشته است.

Biological Properties Classification of Pear Fruit in Dynamic and Static Loading using Artificial Neural Network

Artificial Neural Networks (ANNs) are powerful modeling techniques that work in brief with arrays of neurons in memory and biological learning. In this research, the classification of dynamic and quasistatic loading type (broad and thin edge) was investigated using input data of phenol, antioxidant, vitamin C content and stiffness with artificial neural network. In this experiment for the classification of two Radial basic function and Multilayer perceptron networks were used with two hyperbolic tangent and sigmoid activation functions in one layer. According to the obtained results, the best value for R and Percent Correct for dynamic loading was (Percent Correct = 100 R = 9999997), loading the thin edge (Percent Correct = 100 R = 9999993) and loading the wide edge (Percent Correct = 100 R = 9999992), which was created in the RBF network with a sigmoid function activation and 8 neurons in the one hidden layer. Also, the most accurate data found for the dynamic loading type, the wide edge and the thin edge was observed in the networks created for the RBF network, and this network has been able to 100% accurately classify the data rate for all loads. In sum, the neural network with the input of general data has the desirable capability in the stacking of dynamic loading and quasistatic data.