شبیه سازی اثرباکتریهای محرک رشدبرذرت با استفاده ازشبکه های عصبی مصنوعی

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 737

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

SADHE02_587

تاریخ نمایه سازی: 3 آذر 1392

چکیده مقاله:

تحقیقات زیادی درزمینه اثرباکتریهای محرک رشدبرذرت انجام شده و روابط متعددی ارایه گردیده است اماهرپژوهش فقط نقش عوامل معدودی را ارزیابی می کند که بسیاروقت گیروپرهزینه است شبکه های عصبی مصنوعی ابزاری است که قادربه تقریب روابط و توابع بسیارپیچده درمدت زمان کمتر می باشد هدف ازاین تحقیق بررسی اثرباکتریهای محرک رشدگونه ازوسپیریلیوم برذرت پیش بینی عملکردعلوفه درهکتار با استفاده ازشبکه عصبی مصنوعی می باشد ازنتایج تجربی محققین شبکه های مختلف بایک لایه مخفی و تابع تبدیل سیگموئید درتعداد 20و25و15و10و5 نرون درلایه مخفی با 14پارامترورودی و یک پارامترخروجی طراحی گردید نتایج نشان داد ازبین شبکه های طراحی شده شبکه عصبی مصنوعی پرسپترون بایک لایه مخفی و تابع تبدیل سیگموئید و باتعداد10 نرون درلایه مخفی دارای حداقل میزان میانگین مربعات خطا 0/0001131= MS و حداکثر ضریب همبستگی است لذا به عنوان شبکه مطلوب برای پیش بینی عملکردعلوفه درهکتار مناسب می باشد بنابراین همین شبکه برای شبیه سازی انتخاب و معرفی گردید نتایج شبیه سازی نشان میدهد عوامل محیطی ازجمله دما تاثیرات ناچیزی برمیزان رشدوعملکرددارند همچنین پیش بینی شد جمعیت باکتریها باغلظت 8 10 موجب حداکثر عملکردعلوفه درهکتارمیشود.

نویسندگان

علیرضا رضایی

کارشناسی ارشد

معصومه نژادعلی

استادیاردانشگاه آزاد اسلامی واحد گرمسار

علی غفوریان

استادیاردانشگاه آزاد اسلامی واحد گرمسار

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 :
  • حاجیلو، م. عباس دخت، ح .عامریان، م.غلامی _ _ خاوازی، ...
  • حمیدی، آ.قلاوند، آ.دهقان شعار، م .ملکوتی، م.اصغر زاده، آ.چوکان _ ...
  • کاراموز، م .رمضانی، ف .ورضوی، س 1385 پیش بینی بلند ...
  • منهاج، م .1379 مبانی شبکه های عصبی، نشر دانشگاه صنعتی ...
  • محمدزاده فخرداوود، ع. 1380، کاربرد شبکه های عصبی فازی برگشتی ...
  • یزدانی، م.پیرد شتی _ _ _ ا سماعیلی، م.بهمینار، م(1389)بررسی ...
  • قلاوند، ا، دهقان شعار، م، ملکوتی، ج، اصغرزاد ه، وچوکان، ...
  • Alvarez, A. 2009. Predicting average regional yield and production of ...
  • Ahmad, F. Ahmad, I. and khan, M. S. 2005. "Indole ...
  • Carletti, S. 2002. Use of plant gro wth-promoting rhizobacteria in ...
  • Cicchino, M., Rattalino Edreira, J.I, Uribelarrea M., and Otegui, M.E. ...
  • Chuan, C , S, 1997, Weather Prediction Using Artificial Neural ...
  • Gheysari, M., Mirlatifi, S.M., Homaee, M., Asadi, M.E., , and ...
  • Kapulnik, Y., Sarig, S., Nur, A., Okon, Y. and Henis, ...
  • Kaul, M., Hill, R.L, and Walthall, C. 2005. Artificial neural ...
  • Keskin, M.E., and Taylan, D., 2009. Artificial models for interbasin ...
  • Kisi, O., 2004. Multi-layer perceptions with Levenberg-M arquardt training algorithm ...
  • Liu, Z., and Liu, J. 1998, Seismic _ O ntrollednonline ...
  • Manaffee, W. F. and Kloepper, J. W. 1994. Applications of ...
  • Merdun, H., 6. Cnar, R. Meral and M Apan. 2006. ...
  • Mubiru, J. 2008. Predicting total solar irradiation values using artificial ...
  • Mukerj, A., Chatterjee, C., and Raghuwanshi, N.S. 2009. Flood forecasting ...
  • Nanda, D., Tung, K., Li, Y., Lin, N., and Chuang, ...
  • o. Cnar, R. Meral and M. Apan. 2006. Comparison of ...
  • pedotransfer functions for prediction of soil water retention and saturated ...
  • Piri, J., Amin, S., Moghad damnia, A., Keshavarz, A., Han, ...
  • Ranaee, V, M ahoodian, M, _ ..and Rahati.S.201 0, "sensitivity ...
  • Shaukat, K., Affrasayab, S. and Hasnain, S. 2006. Growth response ...
  • Zaied, K.A., Abd El-Hady, A.H., Afify, Aida.H. and Nassef, M.A. ...
  • Vessey J. K. 2003. Plant growth promoting rhizobacteria _ biofertilizers, ...
  • نمایش کامل مراجع