استفاده از مدل رگرسیون گرادیان افزایشی برای مدلسازی حسگرهای گازی در تشخیص کشمش آفتابی، گوگردی و تیزابی
محل انتشار: مجله مهندسی بیوسیستم ایران، دوره: 55، شماره: 1
سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 159
فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJBSE-55-1_001
تاریخ نمایه سازی: 21 شهریور 1403
چکیده مقاله:
مدلسازی یادگیری ماشین می تواند به غلبه بر برخی از محدودیت های حسگرهای گازی، مانند شرایط عملیاتی سخت، خطاهای رانش، انتخاب محدود، نیاز به مقدار زیادی از داده های برچسب گذاری شده و چالش های هزینه و ساخت کمک کند. در این پژوهش یک سامانه بینی الکترونیک جهت تشخیص کشمش آفتابی، گوگردی و تیزابی ساخته شد. تیمارها شامل سه تیمار آفتابی، تیزابی و گوگردی هرکدام در سه تکرار آماده شدند و هرکدام ۶۰ دقیقه در معرض حسگرهای بویایی قرار گرفتند تا پاسخ حسگرها به هر کدام از تیمارها ثبت شود. سپس داده های بدست آمده از پاسخ حسگرها توسط مدل های یادگیری ماشین مورد بررسی قرار گرفتند تا دقت مدلسازی هر روش مشخص شده و مورد بررسی قرار گیرد. نتایج نشان داد مدل رگرسیون گرادیان افزایشی استفاده شده با ضریب تبیین ۹۹۷۲/۰، ریشه میانگین مربعات خطای ۰۲۰۹/۰، میانگین مطلق خطای ۰۰۲۶/۰ و ریشه میانگین مربعات خطای نسبی ۰۲۰۹/۰ برای داده های آزمون توانسته است پاسخ حسگرهای گازی را به خوبی نسبت به تیمارهای معرفی شده مدلسازی کند. همچنین با بررسی و تحلیل نتایج بدست آمده، نوع و میزان همبستگی بین پاسخ حسگرها نسبت به هم و نسبت به زمان مشخص شد تا در پیش بینی رفتار آنها مورد ارزیابی قرار بگیرد. سپس با مدلسازی انجام شده مشخص شد حسگرهای MQ۹، MQ۳، MQ۵، TGS۲۶۲۰ به ترتیب با ضرایب تبیین ۸۶۶۸/۰، ۸۷۸۶/۰، ۹۴۵۸/۰ و ۹۰۷۴/۰ و ریشه میانگین مربعات خطای ۰۱۶۳/۰، ۰۱۶۸/۰ ، ۰۰۸۳/۰ و ۰۲۲۷/۰ پاسخ های دقیق تر و پیش بینی پذیرتری نسبت به حسگرهای MQ۱۳۵، TGS۸۲۲، TGS۸۱۰ و MQ۴ نشان دادند.
کلیدواژه ها:
نویسندگان
محمد قوشچیان
دانشجوی دکتری مهندسی مکانیک بیوسیستم، گروه مهندسی ماشین های کشاورزی، دانشکده کشاورزی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه
سید سعید محتسبی
استاد، گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران
شاهین رفیعی
استاد، گروه مهندسی ماشین های کشاورزی، دانشکده کشاورزی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :