حسین مجیدزاده؛ باقر عمادی؛ عبدلعلی فرزاد
چکیده
در این تحقیق محتوی رطوبت میوه کیوی خشک‌شده در خشک کن خلاء با استفاده از روش شبکه عصبی مصنوعی پیش‌بینی گردید. دمای خشک شدن (50 ،60 و 70 درجه سانتی‌گراد)، فشار خلاء (500، 550 و 600 میلی‌متر جیوه)، ضخامت قطعه‌های کیوی (3، 5 و 7 میلی‌متر) و مدت زمان خشک شدن به‌عنوان پارامترهای مستقل ورودی و محتوی رطوبت کیوی به‌عنوان متغیر وابسته خروجی تعریف شدند. ...
بیشتر
در این تحقیق محتوی رطوبت میوه کیوی خشک‌شده در خشک کن خلاء با استفاده از روش شبکه عصبی مصنوعی پیش‌بینی گردید. دمای خشک شدن (50 ،60 و 70 درجه سانتی‌گراد)، فشار خلاء (500، 550 و 600 میلی‌متر جیوه)، ضخامت قطعه‌های کیوی (3، 5 و 7 میلی‌متر) و مدت زمان خشک شدن به‌عنوان پارامترهای مستقل ورودی و محتوی رطوبت کیوی به‌عنوان متغیر وابسته خروجی تعریف شدند. داده‌های به‌دست آمده از فرآیند خشک کردن خلاء به‌منظور آموزش و آزمون شبکه استفاده گردید. چندین معیار شامل الگوریتم‌های آموزش، نرخ یادگیری، ضریب اندازه حرکت، تعداد لایه‌های مخفی، تعداد نرون در هر لایه و تابع‌های فعال‌سازی به‌منظور بهبود کارایی شبکه عصبی مصنوعی مورداستفاده قرار گرفتند. تعداد لایه‌های مخفی و تعداد نرون‌ها در هر لایه به‌روش سعی و خطا به‌دست آمد. بهترین الگوریتم آموزشی، لونبرگ-مارکوارت با کمترین میزان میانگین مربعات خطا بود. مقادیر مطلوب نرخ یادگیری و ضریب اندازه حرکت برای شبکه با استفاده از الگوریتم آموزش کاهش شیب با مومنتم به‌ترتیب 2/0 و 05/0 به‌دست آمدند. ساختارهای مطلوب به‌دست آمده، 1-20-4 با تابع انتقال تانژانت سیگموئید و مقدار میانگین مربعات خطا، 0016/0 و 1-20-15-4 با توابع انتقال یکسان لگاریتم سیگموئید در هر دو لایه پنهان و مقدار میانگین مربعات خطا، 000147/0 بودند. همبستگی میان مقادیرآزمایشی و پیش‌بینی‌شده در ساختارهای مطلوب بیشتر از 75/99 درصد به‌دست آمد.
