رده بندی و جایابی رایان آموختی۱ گروه های اندازه ای ذرات خاک در کلاسهای بافت خاک
- سال انتشار: 1400
- محل انتشار: پنجمین کنگره بین المللی توسعه کشاورزی، منابع طبیعی، محیط زیست و گردشگری ایران
- کد COI اختصاصی: ICSDA05_629
- زبان مقاله: فارسی
- تعداد مشاهده: 340
نویسندگان
دانشجوی کارشناسی ارشد گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران
استادیار گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران
چکیده
بافت خاک یکی از مهم ترین ویژگی های ایستای خاک است که بر روی بسیاری از ویژگی های فیزیکی و شیمیایی آن موثر است، به گونه ای که کمبود اینگونه اطلاعات میتواند منجر به اتخاذ سیاستهای غلط در مدیریت و تخریب منابع زمین و آب شود. در این پژوهش کارآیی شبکه عصبی مصنوعی پرسپترون چند لایه ( MLP) ۲ در رده بندی نمونه ها در کلاس های فازی بافت خاک بررسی شد . بدین منظور داده های ذرات شن، سیلت و رس بدست آمده از ۱۲۰ نمونه خاک سطحی در قالب یک شبکه منظم از منطقه مطالعاتی به روش خوشه بندی فازی در سه کلاس رده بندی شد. یک شبکه MLP با یک لایه پنهان متشکل از ۵ نورون ساخته؛ متغیرهای سه گانه بافت خاک به عنوان ورودی و کلاس های فازی بافت از پیش تعیین شده به عنوان متغیرهای هدف به آن معرفی شد . با استفاده از شاخص های نمودار و نمودار ارزیابی عملکرد شبکه، ماتریس های پراکندگی(CM) ۳ و نمودار مشخصه عملکرد( ROC) ۴ ارزیابی گردید. نتایج به دست آمده نشان داد که کارآیی کامل MLPدر جایابی نمونه ها در کلاسهای فازی بود به گونهای که هیچ خطایی در پیش بینی ها دیده نشد . توان بالای الگوریتم SCGB در کنار شمار کلاسهای فازی سه گانه، نیز کم بودن نسبی تعداد کل داده ها، تعداد کم داده های پرت و نیز دامنه نه چندان بزرگ متغیرها در این مطالعه را میتوان از دلایل دستیابی به بیشینه صحت ممکن دانست. ارزیابی بهتر توان ANN به کمک مجموعه داه های بزرگتر و متنوعتر را میتوان در گامهای بعدی در نظر گرفت.کلیدواژه ها
فازی، پیشبینی، پرسپترون، خوشهبندی، پسانتشار.مقالات مرتبط جدید
- تاثیر گردشگری ورزشی ماجراجویانه بر جذب گردشگر خارجی و ارتقای برند مقصدهای ناشناخته ایران
- ارزیابی ریسک های جامعه فناورانه در پروژه های نوسازی فناوری اطلاعات در مقیاس بزرگ با استفاده از شبکه های بیزین و با تمرکز بر فرهنگ سازمانی و پیچیدگی فناورانه
- چارچوب راهبردی برای حاکمیت فناوری اطلاعات تقویت شده با هوش مصنوعی با تمرکز بر شفافیت الگوریتمی اعتماد ذی نفعان و سازوکارهای سیاست گذاری تطبیقی در سازمان های پیچیده
- بررسی تاثیر مشارکت مدیریت ارشد بر عملکرد بازاریابی شرکت های B۲B با توجه به نقش متغیرهای میانجی و تعدیلگر همسان سازی رسانه های اجتماعی و ظرفیت جذب
- گردشگری سلامت در ایران: تحلیل وضعیت موجود، چالش ها و فرصت ها
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.