رده بندی و جایابی رایانآموختی گروه های اندازه ای ذرات خاک در کلاس های بافت

در این پژوهش کارآیی شبکه عصبی مصنوعی پرسپترون چند لایه 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 بر پایه الگوریتم پسانتشار با شیب توام مقیاس شده ساخته؛ متغیرهای سه گانه بافت خاک به عنوان ورودی و کلاس های از پیش تعیین شده فازی بافت به عنوان متغیرهای هدف به آن معرفی شد. با استفاده از شاخص های نمودار و نمودار ارزیابی عملکرد شبکه، ماتریس های پراکندگی و نمودار مشخصه عملکرد ارزیابی گردید. نتایج به دست آمده نشان داد که کارآیی کامل MLP در جایابی نمونه ها در کلاس های فازی بود به گونه ای که هیچ خطایی در پیش بینی ها دیده نشد. توان بالای SCGB در کنار شمار کلاس های 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 بزرگ تر و متنوع تر را میتوان در گام های بعدی در نظر گرفت.

کلیدواژه ها:

فازی ، پیش بینی ، پرسپترون ، خوشه بندی ، پس انتشار