استفاده از مدل رگرسیون گرادیان افزایشی برای مدلسازی حسگرهای گازی در تشخیص کشمش آفتابی، گوگردی و تیزابی
- سال انتشار: 1403
- محل انتشار: مجله مهندسی بیوسیستم ایران، دوره: 55، شماره: 1
- کد COI اختصاصی: JR_IJBSE-55-1_001
- زبان مقاله: فارسی
- تعداد مشاهده: 164
نویسندگان
دانشجوی دکتری مهندسی مکانیک بیوسیستم، گروه مهندسی ماشین های کشاورزی، دانشکده کشاورزی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه
استاد، گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران
استاد، گروه مهندسی ماشین های کشاورزی، دانشکده کشاورزی، دانشکدگان کشاورزی و منابع طبیعی دانشگاه تهران، کرج، ایران
چکیده
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
حسگرهای گازی, رگرسیون گرادیان افزایشی, مدلسازی, مواد مضر کشمش, یادگیری ماشیناطلاعات 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.