به کارگیری سیستم استنتاج عصبی-فازی سازگار و شبکه های عصبی مصنوعی در پیش بینی و مدل سازی تغییرات کیفی زالزالک (Crataegus pinnatifida) طی شرایط مختلف انبارمانی

در دهه های اخیر، از سیستم های هوش مصنوعی برای ایجاد مدل های پیش بینی جهت تخمین و پیش بینی بسیاری از فرآیندهای کشاورزی استفاده شده است. در این مطالعه، خصوصیات فیزیکی و شیمیایی میوه زالزالک طی نگهداری در شرایط مختلف با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج عصبی-فازی سازگار پیش بینی گردید. از داده های تجربی حاصل از نگهداری میوه، برای آموزش و آزمایش این شبکه ها استفاده شد. تعداد کل لایه های پنهان و تعداد نورون در هر لایه پنهان به روش سعی و خطا انتخاب گردید. شبکه عصبی و سیستم استنتاج عصبی-فازی سازگار طراحی شده دارای ورودی شامل زمان نگهداری، رطوبت اولیه و دمای نگهداری و یک متغیر در لایه های خروجی (، ، ،  و) بود. مقادیر R2 بالا و RMSE کم گویای کارایی بالای مدل شبکه عصبی مصنوعی و سیستم استنتاج عصبی-فازی سازگار در پیش بینی خصوصیات کیفی زالزالک طی فرآیند نگهداری می باشد. نتایج نشان داد که شبکه عصبی پرسپترون چندلایه با الگوریتم یادگیری مومنتوم و تابع آستانه ای تان اکسون بهترین شبکه برای پیش بینی خصوصیات کیفی زالزالک در شرایط مختلف بود. نتایج مدل سازی با انفیس نشان داد که توابع عضویت ذوزنقه ای و گوسی بهترین عملکرد را به ترتیب در پیش بینی پارامترهای رنگی و فیزیکی داشت. با مقایسه نتایج حاصل از مدل سازی با شبکه عصبی مصنوعی و انفیس، تفاوت زیادی از نظر دقت و کارایی در پیش بینی مشاهده نشد، اگرچه شاخص RMSE در مدل سازی با کمک انفیس کمتر از شبکه عصبی مصنوعی بود که خود نمایان گر دقت بالاتر آن می باشد.