عملکرد شبکه های عصبی مصنوعی در پیش بینی اثرات میزان بوجاری، رطوبت، دما و زمان بر ویژگی های فیزیکی و میکروبی دانه ی گندم

شناخت ویژگی های فیزیکی دانه ی گندم در فرآیند انتقال، جداسازی و ذخیره این محصول ارزشمند، نقش اساسی ایفا می نماید. در این مطالعه و در گام نخست، اثرات میزان بوجاری، رطوبت، دما و مدت زمان نگهداری روی برخی از ویژگی های فیزیکی (هکتولیتر، وزن هزار دانه و دانسیته توده) و میکروبی (شمارش کلی میکروارگانیسم ها و کپک ها) دانه ی گندم رقم n-۸۰ بررسی شد و سپس داده های حاصله توسط شبکه ی عصبی مصنوعی مدل پرسپترون چند لایه و شبکه تابع پایه ی شعاعی با توابع آستانه مختلف، شبیه سازی شد و داده های پیش بینی شده توسط شبکه عصبی مصنوعی با داده های تجربی مورد مقایسه قرار گرفتند. نتایج نشان داد، شبکه پرسپترون چند لایه با یک لایه مخفی با تابع فعال سازی تانژانت هیپربولیک- تانژانت هیپربولیک، برای ویژگی های های فیزیکی با چیدمانی با پنج ورودی، ۱۱ نرون در لایه پنهان، ۳ خروجی (۳-۱۱-۵) با تعداد تکرار ۳۰۰۰ و همچنین برای ویژگی های میکروبی، چیدمانی با پنج ورودی، ۴ نرون در لایه پنهان، ۲ خروجی (۲-۴-۵) و با تعداد تکرار ۴۰۰۰، بهترین نتیجه را برای پیش بینی این ویژگی ها در مقایسه با شبکه ی تابع پایه ی شعاعی داشتند. ضرایب تبیین برای ویژگی های هکتولیتر، وزن هزار دانه، دانسیته توده، شمارش کلی میکروارگانیسم ها و کپک در شبکه ی پرسپترون چند لایه به ترتیب برابر با ۹۵۰/۰، ۹۸۹/۰، ۹۰۸/۰، ۹۰۸/۰ و ۹۳۸/۰ بودند. میزان هکتولیتر و دانسیته توده با بالا رفتن سطوح رطوبتی، مدت زمان نگهداری و دما کاهش و با افزایش سطوح بوجاری افزایش یافت. میزان شمارش کلی میکروارگانیسم ها و کپک با افزایش رطوبت، دما و مدت زمان نگهداری افزایش و با بالا رفتن سطوح بوجاری کاهش یافتند.

کلیدواژه ها:

شبکه عصبی ، مدل پرسپترون چند لایه ، مدل تابع پایه شعاعی ، ویژگی های فیزیکی و میکروبی