ورود
مقالات فارسیISIکنفرانسهاژورنالها

کاربرد پرسپترون چند لایه (MLP) در برآورد مدت زمان قطع درخت

محل انتشار: دومین همایش ملی دانشجویی علوم جنگل
سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 845

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:
https://civilica.com/doc/278518

شناسه ملی سند علمی:

STUFOREST02_199

تاریخ نمایه سازی: 14 مرداد 1393

چکیده مقاله:

قطع درختان در بین مولفه های بهره برداری، اهمیت زیادی دارد. روش رایج در مدل سازی زمان قطع، تحلیل رگرسیون می باشد. امروزه همچنین به موازات روش های متداول قبلی، روش های جدیدتری به کار رگفته می شوند که شبکه های عصبی مصنوعی یکی از این تکنیک ها می باشد. مشاهدات و اندازه گیری ها در جنگل های نکا چوب انجام پذیرفت. بدین منظور تعداد 84 درخت از درختان نشانه گذاری شده انتخاب گردیده و زمان خالص قطع درخت با استفاده از شبکه پرسپترون چند لایه پیش بینی شد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه دارای دقت مناسبی در برآورد زمان خالص قطع درخت می باشد.

کلیدواژه ها:

زمان قطع درخت ، شبکه های عصبی مصنوعی ، بهره برداری جنگل

نویسندگان

هادی بیاتی

دانشجوی دکتری مهندسی جنگل دانشکده منابع طبیعی، دانشگاه تربیت مدرس

اکبر نجفی

دانشیار گروه جنگلداری دانشکده منابع طبیعی دانشگاه تربیت مدرس

پرویز عبدالمالکی

دانشیار گروه بیوفیزیک، دانشکده علوم زیستی، دانشگاه تربیت مدرس

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 :
  • بیاتی، ه. و نجفی، ا.، 139. مقایسه عملکرد شبکه های ...
  • بی نام، 1387. تجدید نظر طرح جنگلداری بخش 2 نکا ...
  • ساریخانی، ن.، 1380. بهره برداری جنگل. انتشارات دانشگاه تهران. 2099، ...
  • صفی صمغ آبادی، ا.د.، 1387. برنامه ریزی چند هدفه جنگل ...
  • ماهینی، ع.س، فقهی، ج.، ناد علی، آ. و ریاضی، ب، ...
  • مجنونیان، ب.، جورغلامی م.، زبیری، م.، فقهی، ج. و فتحی، ...
  • انجمن علمی دانشجویی جنگلداری دانشگاه تهران - 17 _ 18 ...
  • Benediktsson, J.A., Swain, P.H. and Erosy, O.K., 1990. Neural network ...
  • Blackard, J.A. and Dean, D., 1999. Comparative accuracies of artificial ...
  • Chayjan, R., Montazer, G.A., Hashjin, T., Khoshtaghaza, M.H., and Ghobadian, ...
  • Civco, D.L. and Wanug, Y., 1994. Classification of mulispectral, multitemporal, ...
  • Diamantop oulou, M.J., 2005. Artificial neural networks as an alternative ...
  • Gardner, R., 1963. New Tools for Harvesting. Pulp and Paper: ...
  • Gimblett, R.H. and Ball, G.L, 1995. Neural network architectures for ...
  • Hanewinkela, M., Zhou, W. and Schill, Ch., 2004. A neural ...
  • Hasenauer, H., Merkl, D. and Weingartner, M., 2001. Estimating tree ...
  • Hilbert, D.W., Ostendorf, B., 2001. The utility of artificial neural ...
  • Ingram, J.C., Dawson, T.P. and Whittaker, R.J., 2005. Mapping tropical ...
  • Jensen, J.R., QIU, F. and JI, M., 1999. Predictive modeling ...
  • Karaman, A. and Caliskan, E., 2009. Affective factors weight estimation ...
  • Leduc, D.J., Matney, T.G., Belli, K.L. and Baldwin, V.C.J., 2001. ...
  • McDonald, T. 1999. Time study of harvesting equipment using GPS-derived ...
  • Ozcelik, R., D iamantopoulou, M.J., Brooks, J.R. and Wiant, H.V.Jr., ...
  • Pulido-Calvo, I., Montesinos, P., Roldan J., Ruiz-Navarro, F., 2007. Linear ...
  • Strobl, R.O. and Forte, F., 2007. Artificial neural network exploration ...
  • Yilmaz, M. and Akay, A.E., 2008. Stand damage _ selection ...
    • نمایش کامل مراجع