مقایسۀ عملکرد الگوریتمهای مختلف یادگیری شبکۀ عصبی در پیشبینی الگوی توزیع سفید بالک پنبه Bemisia tabaci در خیارکاریهای بهبهان | ||
| دانش گیاهپزشکی ایران | ||
| مقاله 10، دوره 48، شماره 1، 1396، صفحه 119-126 اصل مقاله (422.93 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijpps.2017.215628.1006736 | ||
| نویسندگان | ||
| علیرضا شعبانی نژاد1؛ بهرام تفقدی نیا* 2 | ||
| 1دانشجوی سابق کارشناسی ارشد حشرهشناسی، دانشکدۀ کشاورزی، دانشگاه شاهرود، شاهرود | ||
| 2استادیار، گروه گیاهپزشکی سازمان پژوهشهای علمی و صنعتی ایران، تهران | ||
| چکیده | ||
| امروزه تشریح الگوهای پراکندگی حشرات با استفاده از روشهای درونیابی و برآورد تراکم بهمنظور بررسی امکان مدیریت و کنترل متناسب با مکان آنها مورد توجه بسیاری از محققان قرار گرفته است. این پژوهش بهمنظور ارزیابی قابلیت الگوریتمهای مختلف شبکۀ عصبی پرسپترون چندلایهای (MLP) در درونیابی و برآورد جمعیت سفید بالک پنبه در نقاط نمونهبرداری نشده و نیز ترسیم نقشۀ پراکنش آن انجام شد. برای ارزیابی قابلیت الگوریتمهای مختلف شبکۀ عصبی MLP از میانگین مربعات خطا و ضریب تبیین استفاده شد و برای ارزیابی شبکه با الگوریتم مطلوب از مقایسۀ فراسنجه (پارامتر)هایی مانند میانگین، واریانس، توزیع آماری و نیز ضریب تبیین رابطۀ خطی رگرسیونی بین مقادیر پیشبینیشده توسط شبکۀ عصبی با الگوریتم یادگیری مطلوب و مقادیر واقعی آنها استفاده شد. نتایج نشان از عملکرد مطلوب شبکۀ عصبی با الگوریتم لونبرگ- مارکوات و نرخ یادگیری 26/0، عامل مومنتوم 75/0 و شمار یازده نرون در لایۀ میانی و همچنین نبود تفاوت معنیداری بین مقادیر ویژگیهای آماری (میانگین، واریانس) و توزیع آماری مجموعۀ دادههای پیشبینیشدۀ تراکم آفت و میزان واقعی آن بود. به عبارتی شبکۀ عصبی مصنوعی با الگوریتم لونبرگ- مارکوات بهخوبی توانست مدل دادههای تراکم سفید بالک پنبه را بیاموزد. نقشۀ بهدستآمده از درونیابی نشان داد، این آفت توزیع تجمعی داشته و لذا امکان کنترل مناسب با مکان آن در مزرعۀ مورد بررسی وجود دارد. | ||
| کلیدواژهها | ||
| توزیع مکانی؛ درونیابی؛ سفید بالک پنبه؛ شبکۀ عصبی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,131 تعداد دریافت فایل اصل مقاله: 730 |
||