---

ارتفاع موج شاخص، در طراحی و تحلیل سازه­های دریایی و بهره برداری از آنها پارامتر بسیار با اهمیتی می‌باشد در نتیجه پیش‌بینی این پارامتر کمک شایانی به بهبود طراحی و آنالیز سازه‌های دریایی می‌نماید، از روش‌های مدل‌سازی مشخصات امواج می‌توان به مدل‌های عددی، تجربی و هوش مصنوعی اشاره کرد، در این پژوهش از مدل سوان که یکی از انواع مدل­های نسل سوم در مدل‌سازی و تخمین مشخصات امواج است، استفاده شده است. سپس از مدل­های مبتنی بر محاسبات نرم شامل مدل­های منفرد و ترکیبی هوش مصنوعی مانند سیستم استنتاج عصبی‌-‌فازی انطباقی، مدل ماشین بردار پشتیبان و شبکه عصبی مصنوعی احساسی، در پیش‌بینی ارتفاع موج استفاده شده است و از داده­های بویه امیرآباد جهت صحت‌سنجی استفاده شده است. ورودی مدل­ها در این پژوهش پارامتر سرعت باد و خروجی مدل‌ها نیز ارتفاع موج می­باشد. تحلیل مدل­های مختلف با استفاده از سنجه­های آماری اریبی، جذر میانگین مربع خطاها، ضریب پراکندگی و ضریب تبیین، انجام شده است. ارزیابی مدل‌ها توسط آماره­های فوق، حاکی از انطباق قابل قبول ارتفاع موج شاخص بدست آمده از مدل سوان با بویه دارد. همچنین هر سه مدل مبتنی بر هوش مصنوعی مذکور قابلیت پیش­بینی نسبتاً دقیق پارامتر ارتفاع موج را دارند. همچنین مقایسه نتایج مدل­های مبتنی بر هوش مصنوعی نشان داد که مدل ماشین بردار پشتیبان، نسبت به بقیه مدل‌ها، دقیق‌تر است. مدل ماشین بردار پشتیبان به عنوان روشی جایگزین برای مدل سوان یا سایر روش­های عددی، در مواردی که داده‌های ارتفاع موج در دسترس نبوده و یا کیفیت آماری لازم را ندارد نتایج مدل‌سازی را بهبود می‌بخشد.
 

---

---

موضوع تحقیق: در ده­های اخیر روش­های بهینه‌سازی مبتنی بر پدیده­های طبیعی به دلیل عدم نیاز به انجام محاسبات سنگین ریاضی، عدم وابستگی به نقاط انتخابی اولیه و قابلیت بهینه­سازی نسبت به سایر روش­ها، در زمینه بهینه­سازی ترکیبی جایگاه ویژه­ای پیدا کرده­ است. علاوه بر این شبکه عصبی مصنوعی به‌عنوان یکی از ابزار قدرتمند هوش مصنوعی در شبیه­سازی فرایندها به‌کار برده می­شود. به­کارگیری شبکه عصبی برای مدل­سازی  فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و روش فرا ابتکاری در به دست آوردن شرایط بهینه برای کاتالیست و واکنش می­تواند گام موثری، در جهت انجام فرایند با بازده بالا فراهم ­سازد.
روش تحقیق: در این پژوهش شبکه عصبی برای پیش­بینی فرایند آلکیلاسیون متاکروزل با ایزوپروپانول و الگوریتم کلونی زنبورهای عسل به منظور بهینه‌سازی بازده فرایند به کار گرفته شد. شبکه عصبی طراحی شده دارای ۵ نرون در لایه پنهان می­باشد. به منظور بررسی عملکرد الگوریتم پیشنهادی، شبکه عصبی مصنوعی برای پیش بینی تبدیل متاکروزل و گزینش پذیری آن به تیمول در فرایند آلکیلاسیون متاکروزل با ایزوپروپانول ۱۲۰ داده استفاده شد. در این فرایند،‌ سرعت فضایی (WHSV)، فشار و دما، به‌عنوان متغیرهای ورودی و تبدیل متاکروزل و گزینش پذیری تیمول به‌عنوان متغیرهای خروجی شبکه عصبی در نظر گرفته شده است.
نتایج اصلی: سیستم شبیه­سازی طراحی شده با ضریب رگرسیون (R^۲) بالاتر از %۹۷,۵،‌ نشان‌دهنده دقت بالای شبکه عصبی طراحی شده برای این فرایند می­باشد. میزان بیشینه بازده این فرایند با استفاده از الگوریتم کلونی زنبورهای عسل  ۲۸.۹%  )با متغیرهای قابل تنظیم  h^-۱۰,۰۶۲ WHSV=، فشار  bar۱,۵ و دمای ^˚C ۳۰۰( حاصل شد. هم­چنین برای دستیابی به کارایی بهتر الگوریتم بهینه سازی، مقادیر مطلوب ضریب شتاب و جمعیت زنبورها با آزمون سعی و خطا ۱۰۰ و ۱۰حاصل شد.

---

- بار پردازشی زیاد، نیاز متناوب به به‌روزرسانی، پیچیدگی و خطای زیاد در تشخیص، برخی از مشکلات و ضعفهای موجود در طراحی سیستمهای تشخیص ناهنجاری و تشخیص سوءاستفاده است. هدف این تحقیق، طراحی نوعی سیستم تشخیص نفوذ مبتنی بر شبکه‌ است که این ضعفها را تا حد امکان کم کند. برای رسیدن به این هدف، سیستمهای تشخیص سوءاستفاده و تشخیص ناهنجاری را ادغام کرده‌ایم. این رویکرد تاکنون در طراحی سیستمهای تشخیص نفوذ به‌کار برده نشده است. برای ادغام سیستمهای تشخیص ناهنجاری و تشخیص سوءاستفاده در سیستم ترکیبی تشخیص نفوذ، از ساختار ترکیبی جدیدی از شبکه‌های پس انتشار خطا و کوهونن که برای کاربردهای بازشناسی الگو و دسته‌بندی پیشنهاد شده - استفاده کرده‌ایم. نتایج به‌دست آمده نشانگر اثر بسیار مثبت این ادغام سیستمهای تشخیص ناهنجاری و سوءاستفاده و همچنین توانایی ساختار شبکه عصبی پیشنهادی در بهبود عملکرد سیستم ترکیبی تشخیص نفوذ است. .

---

موضوع تحقیق: عملیات حفاری همواره دچار مشکلات فراوانی بوده است. این مشکلات می‌توانند خسارات مالی، جانی یا حتی محیط زیستی فراوانی ایجاد کنند. به همین دلیل به‌دنبال راه‌حلی باید بود که این مشکلات را کاهش دهد و قبل از واردشدن خسارات جانی و مالی، این اتفاقات را پیش‌بینی کند و اقدامات لازم را برای رفع و کاهش خسارات عملی سازد. در این پژوهش، تأثیر استفاده از الگوریتم‌های هوش مصنوعی برای پیش‌بینی رخداد‌های حفاری مورد بررسی قرار می‌گیرد. برای این منظور از داده‌های نمودارگیری از گل حفاری (Mud Logging) که به‌صورت برخط اندازه‌گیری شده و از چاه­های موجود در یکی  از میادین نفتی ایران جمع‌آوری شده‌اند، استفاده می‌شود.
روش تحقیق: معماری ترکیبی شامل شبکه عصبی حافظه کوتاه مدت طولانی (LSTM) و شبکه عصبی تماماً متصل برای شناسایی و تشخیص ناهنجاری‌هایی مانند سیلان چاه (Kick) و گیرکردن لوله حفاری (Stuck Pipe) به کار گرفته شد. به‌دلیل کمبود نمونه‌های این ناهنجاری‌ها در مجموعه داده‌ها که می‌تواند به‌طور قابل‌توجهی دقت و عملکرد مدل را کاهش دهد، از روش نمونه‌برداری دسته اقلیت (SMOTE) برای تعادل توزیع دسته‌ها و بهبود عملکرد کلی شبکه استفاده شد. علاوه بر این، تأثیر تغییرات ابرمتغیرها بر کاهش خطای شبکه مورد بررسی قرار گرفت.
نتایج تحقیق:  در شبکه‌هایی که با ساختارها و معماری‌های مختلف مورد بررسی قرار گرفتند، نتایج تجربی نشان داد که شبکه عصبی با دقت ۴۵/۹۴ درصد بر روی مجموعه داده‌های آزمایشی عمل کرد. این عملکرد با تنظیم ابرمتغیرها به‌صورت زیر حاصل شد: پنجره نگاه به عقب ۷، نرخ یادگیری ۰۰۱/۰، نرخ حذف ۲/۰، اندازه دسته ۳۲ و معماری شبکه چهار لایه با تعداد واحدهای {(۵۱۲,۲۵۶,۲۵۶)} در لایه‌های پنهان اول، دوم و سوم. این پیکربندی در تشخیص ناهنجاری نسبت به سایر گزینه‌های آزمایش‌شده، دقت بالاتر و هشدارهای کاذب کمتری داشت. با توجه به نتایج به‌دست‌آمده این روش در تشخیص برخط ناهنجاری در فرایند حفاری مؤثر خواهد بود.

---

در این مقاله نوعی روش کنترل جستجوگر فازی همراه با جداول جستجو برای بهینه‌سازی کارایی در درایو موتور القایی- پمپ ارائه شده است. برای مدل‌سازی موتور القایی و کانورتر از مدلهای مبتنی بر تلفات حرارتی و برای مدل‌سازی پمپ و سیستم هیدرولیکی- که سیستم غیرخطی و نسبتاً پیچیده‌ای است- از شبکه عصبی استفاده شده است. بهینه‌سازی کارایی پمپ و سیستم هیدرولیکی، از طریق کنترل مقدار دبی خروجی به‌وسیله تنظیم سرعت چرخش پمپ انجام می‌شود. همچنین با انتخاب مناسب فرکانس سویچ‌زنی اینورتر و تعیین مقدار مناسب فرکانس و ولتاژ تغذیه موتور، میزان تلفات مجموعه درایو حداقل می‌شود. نتایج شبیه‌سازی نشان می‌دهد که کنترل‌کننده پیشنهادی توانسته است علاوه بر افزایش کارایی مجموعه درایو در شرایط تغییر دبی، مشکلات موجود در روشهای بهینه‌سازی کارایی مانند کند بودن همگرایی و نوسان حول نقطه بهینه را بهبود بخشد.

---

---

یکی از فرایندهای اقتصادی برای تولید قطعه در شکل‌دهی فلزها، برش دقیق است که در آن، دقت و کیفیت قطعات بسیار بیشتر از روش معمولی است. در برش دقیق قطعه کار بین سه نیرو قرار می‌گیرد که عبارتند از: نیروی سنبه، نیروی ورقگیر (رینگV شکل) و نیروی سنبه مخالف. در این مقاله، با مدل‌سازی برش دقیق، پس از اعتبار‌سنجی نتایج اولیه، به بررسی عوامل مؤثر بر فرایند پرداخته می‌شود. افزایش ارتفاع v-رینگ و نیروی ورقـگیر و سنبه مـخالف، باعث افـزایش فــشار هیدرواستاتیک و افزایش عمق برش می‌شود. در همین حال این عوامل باعث افزایش تنش شعاعی و فشار روی ابزار و لذا باعث تسریع فرسایش قالب می‌شود. به‌کار‌گیری v-رینگ در ماتریس، اثر بسیار مثبتی بر افزایش دقت و کیفیت قطعه و افزایش عمر قالب دارد. در ادامه با استفاده از بخشی از نتایج به‌دست آمده در روش المان محدود، این فرایند ‌به‌روش شبکه عصبی مصنوعی نیز شبیه‌سازی شد. با توجه به نتایج به‌دست آمده از روش المان محدود و شبکه عصبی، این دو روش، ابزار مناسبی برای مدل‌سازی و پیش‌بینی اثر عوامل مختلف در برش دقیق است.

---

یکی از مهم ترین‌ موضوع های‌ مطرح‌ شده‌ در زمینه‌ مدیریت مالی، این است که سرمایه گذاران فرصت های مطلوب سرمایه گذاری را از فرصت های نامطلوب تشخیص دهند و منابعشان را در فرصت های مناسب سرمایه گذاری کنند. از مهمترین روش‌هایی که می توان با استفاده از آن به بهره گیری مناسب از فرصت های سرمایه گذاری و همچنین جلوگیری از به هدر رفتن منابع کمک کرد، پیش بینی ورشکستگی شرکت ها است. برای این منظور مدل های مختلفی وجود دارد. در این پژوهش جهت پیش بینی ورشکستگی از مدل شبکه های عصبی به همراه مقایسه آن با دو روش آماری رگرسیون لجستیک و تحلیل ممیزی استفاده شده است. در این مقاله علاوه بر معرفی مدل های شبکه های عصبی، یک مدل شبکه عصبی برای پیش بینی ورشکستگی شرکت های تولیدی طراحی شده است که برای استان کرمان مورد استفاده قرار گرفته است. اطلاعات استفاده شده مربوط به دوره زمانی ۱۳۸۶-۱۳۷۴ می باشد. نتایج پژوهش نشان می دهد که مدل ANN از دو روش آماری دیگر دقت بالاتری در پیش بینی دارد. همچنین مدل ANN نشان داد که هیچ کدام از این شرکت های تولیدی در سال بعد از دوره مورد بررسی، ورشکسته نخواهند شد.

---

چکیده - در این تحقیق، با بهره گیری از شبکه های عصبی مصنوعی و ر وش المان محدود، تیرهای طرهایشکل آسیب دیده که دارای ترک های طولی هستند، مورد بررسی و سلامت سنجی قرار گرفته اند . رفتار غیرخط ی ترک ها (بازوبستهشدن آنها ) در این تحقیق مورد توجه قرار گرفته است که بر اساس بررسیهای انجام شده توسط نویسندگان، در ردیا بی ترک در سازه ها به کمک شبکه های عصبی مصنوعی، رفتار مزبور تاکنون مورد توجه محققان دیگر قرار نگرفته است . بر ای منظورنمودن اثرات غیرخطی ترک، از روش المان محدود استفاده شده است . تغییرات ایجاد شده در فرکانس های طبیعی مودهای مختلف ارتعاشی در اثر وجود ترک، به عنو ان داده های لازم در آموزش و آزمایش شبکه های عصبی مورد استفاده قرار گرفته اند. با ایجاد سناریوهای مختلف برای حالات تیرهای سالم و آسیب دیده (با موقعیت ها و شدت های ترک خوردگی مختلف ) دو کلاس مشخص از شبکه های عصبی برای تعیین موقعیت و طول (شدت) ترکهای طولی در تیرها آموزش داده شده اند . نتایج حاصل از دو کلاس مزبور نشان می دهند که شبکههای آموزش دیده به صورت مطلوبی طول ترک را پیش بینی می کنند . همچنین ملاحظه می شود که پیشبینی شبکههای آموزش دیده برای تعیین محل ترک در حد قابل قبول بوده، که علل تقریبات وارده در این پیشبینی مورد بحث قرار گرفته است.

---

در هنگام استرس، جریان خون در ناحیه دور چشم افزایش یافته و موجب افزایش دمای این ناحیه می شود. دلیل این پدیده آن است که چشم باید در چنین مواقعی آمادگی انجام حرکت های متنوع و سریع را داشته باشد و این خون و انرژی بیشتری را می طلبد.این تغییر دما، در سطح پوست و تشعشع حرارتی آن مشهود است. این حرارت، نور مادون قرمز را در محدوده طول موج ۳ تا ۱۲ میکرو متر منتشر می کند. بنابراین باید بتوان با تصویربرداری مادون قرمز دو بعدی از تغییراتِ حرارت در سطح چهره، به وجود و میزان استرس پی برد.با تحلیل این تغییرات ناشی از استرس، سیگنال دمایی استخراج و تحلیل می شود. در این پژوهش با ثبت همزمان سیگنال‎های پلی گرافی سطحی و تصاویر حرارتی چهره، امکان برچسب‎زنی صحیح تصاویر حرارتی فراهم شده و همچنین تغییرات سیگنال‎های مختلف فیزیولوژیکی بدن در هنگام وقوع استرس مقایسه شده است. در این تحقیق استرس در دو سطح کم و زیاد مورد توجه بوده است. ثبت داده برای شش نفر و برای هر یک چهار بار، به مدت دو دقیقه انجام شده است. دادگان پس از طی مراحل پیش پردازش و استخراج ویژگی، به سیستم شناخت وارد می شود. در سیستم شناخت از دو روش جداسازی خطی و شبکه عصبی استفاده شده است. نتایج به دست آمده از روش شبکه عصبی MLP نسبت به روش LDA به اندازه ای جزیی بهتر است.

---

---

در این تحقیق تحلیل کاملی از تاثیر سوخت بیودیزل بر پارامترهای عملکرد و آلایندگی موتور دیزل تک سیلندر لیستر M۸/۱ انجام گرفت. بیودیزل مورد نیاز از روغن پسماند رستوران (با پایه روغن آفتابگردان) به روش ترنس استریفیکاسیون تولید شده و با استاندارد ASTM کاملا مطابقت داشت. آزمون موتور در دور ثابت rpm۷۵۰ و تحت بارهای مختلف(در پنج سطح) و مخلوط‌های مختلفی از سوخت بیودیزل و گازوئیل(در شش سطح) در شرایط تمام بار انجام‌گرفت و پارامترهای گشتاور و توان ترمزی موتور، مصرف ویژه سوخت و انتشار آلایندهای CO و UHC اندازه‌گیری شد و سپس یک مدل شبکه عصبی مصنوعی بر اساس داده‌های تجربی توسعه داده شد. از شبکه پرسپترون چند لایه برای نگاشت غیرخطی بین پارامترهای ورودی (بار دینامومتر و درصد بیودیزل موجود در مخلوط سوخت) و خروجی (گشتاور و توان ترمزی، مصرف ویژه سوخت، غلظت CO و UHC) استفاده شد. نتایج مدل نشان داد که با آموزش کافی الگوریتم پس انتشار خطا، مدل شبکه عصبی ارائه شده توانایی بسیار بالایی در پیش‌بینی پارامتراهای عملکرد و آلایندگی موتور دارد، بدون آنکه به آزمون‌های پرهزینه و وقت‌گیر موتور نیاز باشد.

---

در این پژوهش رفتار مکانیکی مصالح درشت دانه شنی با استفاده از شبکه عصبی چند لایه پرسپترون، که از پرکاربردترین شبکه های عصبی مصنوعی در مسائل ژئوتکنیکی است، شبیه سازی شده است. ابتدا اطلاعات دقیقی از آزمون های منابع مختلف در سراسر کشور تهیه و عوامل مؤثر بر مقاومت برشی خاک های درشت دانه بررسی شده است. پس از حذف اطلاعات نادرست، روند یادگیری، آزمایش و پیش بینی شبکه طی شده است. در آموزش شبکه از الگوریتم یادگیری پس انتشار خطا استفاده شده است . پارامترهای استفاده شده در آموزش شبکه شامل خصوصیات دانه بندی، چگالی خشک، چگالی نسبی، درصد سایش لس آنجلس، فشار همه جانبه، کرنش و تنش انحرافی است. برای تعیین چگونگی و مقدار تأثیر ورودی ها بر خروجی مدل، تحلیل حساسیت روی آن ها انجام شده و نتایج به دست آمده با قوانین مکانیک خاک مقایسه شده است. بررسی مدل گویای این واقعیت است که شبکه ارائه شده، توانایی لازم برای پیش بینی رفتار تنش_کرنش خاک های درشت دانه را دارد.

---

چکیده       به منظور بررسی سینتیک خشک شدن میوه زرشک، آزمایش­هایی در سه سطح دمایی و سه سطح سرعت بر روی نمونه­های شاهد و تیمار شده با شوک حرارتی و امولسیون "۶% کربنات پتاسیم + ۳% روغن زیتون" در ۳ تکرار در قالب طرح بلوک کاملا تصادفی و به صورت فاکتوریل اجرا گردید. بیشترین مدت زمان خشک شدن ۲۹۲۰ دقیقه، برای نمونه­های شاهد در دمای Cº۶۰ و سرعت ۳/۰ متر بر ثانیه و کمترین مدت زمان ۷۰ دقیقه برای نمونه­های تیمار شده با امولسیون در دمای Cº۸۰ و سرعت ۱ متر بر ثانیه ثبت شد. در این تحقیق از شبکه پرسپترون چندلایه با الگوریتم یادگیری لونبرگ- مارکوارت و توابع غیرخطی تانژانت سیگموئیدی و سیگموئید لگاریتمی برای مدلسازی فرایند خشک شدن استفاده شد. تعداد نورون­های ورودی شبکه برابر چهار متغیر در ورودی (نوع پیش­تیمار، دمای هوا، سرعت هوا و زمان) و خروجی شبکه میزان رطوبت زرشک می­باشد. بهترین توپولوژی از شبکه MLP با الگوریتم یادگیری LM و تابع آستانه Tansig، ۱-۱۶-۳۰-۴ با ضریب همبستگی ۹۹۹۲/۰ و خطای حقیقی ۰۰۰۲۵/۰ بود. علاوه بر این بهترین توپولوژی از شبکه MLP با الگوریتم یادگیری LM و تابع آستانه Logsig، ۱-۵-۲۵-۴ با ضریب همبستگی ۹۹۹۱/۰ و خطای حقیقی ۰۰۰۳۲/۰ بود.  

---

ارتعاش محسوس تیرهای باربر فولادی در دهانه های بزرگ امری ناخوشایند در ساختمان ها است. حتی اگر محاسبات مربوطه به این تیر ها از نظر مقاومت و معیارهای کنترل تغییر شکل طبق آیین نامه به خوبی صورت گرفته باشد، با این وجود ممکن است هنگام عبور افراد دچار نوساناتی گردند. مبحث دهم مقررات ملی ساختمان رابطه ای برای کنترل ارتعاش تیرهای با اتصال مفصلی در حالت بهره برداری ارائه کرده است اما برای تعیین فرکانس تیرهای با اتصالات گیردار روابطی را بیان نکرده است. از آنجا که این تیرها سهم قابل توجهی از قابهای ساختمانی را به خود اختصاص می دهند، کنترل ارتعاش آنها از اهمیت خاصی برخوردار می باشد. روابط ارائه شده در تحقیقات سال های اخیر برای تعیین فرکانس تیر های گیردار دارای پیچیدگی های زیاد می باشد که استفاده از آنها برای کنترل ارتعاش سقف ها مشکل است. در این مقاله رابطه ارائه شده در آیین نامه ی طرح و اجرای ساختمان های فولادی ایران بررسی شده است، همچنین با استفاده از تحلیل دینامیکی، روش اجزای محدود و شبکه های عصبی روابطی برای تعیین فرکانس تیر های دو سر گیر دار و کنسول پیشنهاد گردیده است. مقایسه فرکانس حاصل از روابط مورد نظر با داده های بدست آمده از شبکه عصبی با خطای بسیار کم همراه بود که حاکی از دقت بالای روابط معرفی شده می باشد. پس پیشنهاد می گردد برای محاسبه فرکانس طبیعی تیرهای کنسول و دو سر گیر دار جهت کنترل ارتعاش سقف های ساختمانی از روابط معرفی شده در این مقاله استفاده گردد.

---

---

در این پژوهش از شبکه عصبی پیشرو با الگوریتم پس انتشار خطا برای پیش بینی اثر ترکیب شیمیایی بر سختی و انرژی ضربه فولاد میکروآلیاژی گرید API X۶۵ استفاده شده است. فولاد مورد مطالعه به طور گسترده در خطوط انتقال گاز ایران به شکل لولههای قطور فولادی استفاده می شود. داده های تجربی با جدا کردن نمونه از ۱۰۰ لوله ساخته شده در مقیاس صنعتی (با قطر خارجیmm ۱۲۱۹، ضخامت دیواره mm ۳/۱۴ با ذوب و فرایند ساخت یکسان) و انجام آنالیز شیمیایی، تست سختی ویکرز و آزمون ضربه شارپی روی این نمونه ها مطابق الزامات تعیین شده در استاندارد۵L API فراهم شد. درصد وزنی عناصر C، Si، Mn، P، S، Ni، Cr، Mo، Al، Cu، V، Ti، Nb و Ca در ترکیب شیمیایی فولاد مورد مطالعه به عنوان متغیرهای ورودی و عدد سختی ویکرز و انرژی ضربه شارپی به عنوان متغیرهای خروجی در نظر گرفته شدند. از نمودار پراکندگی و معیارهای آماری ضریب همبستگی و مجذور میانگین مربعات خطای نسبی (MSRE) برای ارزیابی شبکه استفاده شد. سپس با توجه به عملکرد دقیق شبکه عصبی توسعه داده شده از آن برای پیش بینی اثر کرم و وانادیوم بر سختی و انرژی ضربه شارپی نمونه فولادی به صورت کمّی استفاده گردید.

---

  چکیده میوه سیب از جمله محصولات باغی بسیار ارزشمند از لحاظ غذایی به شمار می‌آید و تولید آن در کشور ما از جایگاه بالایی در زمینه اشتغال زایی و ارزآوری برخوردار است. از میان روشهای غیر مخرب کنترل کیفی سیب، فناوری ماشین بینایی چشم اندازی مطمئن برای دستیابی به سرعت، کیفیت ارزیابی بالاتر و حصول بهره وری بیشتر برای این محصول ترسیم نموده است. تشخیص لهیدگی سیب در بسیاری از موارد با تشخیص دمگل همپوشانی داشته و این امر بکارگیری ماشین بینایی را به منظور درجه بندی کیفی سیب با چالش جدی مواجه می نماید. پژوهش حاضر به منظور رفع چالش مذکور و افزایش دقت عملکرد سیستم های درجه بندی سیب صورت پذیرفت. به منظور تحقق این امر دو الگوریتم جداگانه بر اساس رنگ برای شناسایی لهیدگی و دمگل در نرم افزار Matlab طراحی گردید. برای الگوریتم لهیدگی دقت %۱۴/۹۷ و برای الگوریتم دمگل دقت %۱۰۰ بدست آمد. سپس با ادغام این دو الگوریتم یک الگوریتم جامع بدست آمد که دارای دقت %۲۹/۹۴ می باشد. در ادامه آزمایشاتی جهت بررسی احتمالی افزایش دقت در شناسایی لهیدگی با گذشت زمان نگهداری توسط الگوریتم لهیدگی انجام گرفت. نتایج حاکی از آنست که کیفیت تشخیص لهیدگی توسط این الگوریتم به تدریج افزایش یافته و پس از دو تا سه روز به ثبات مطلوبی می رسد. همچنین الگوریتم دیگری که ویژگیهای خاصی از شکل تصاویر لهیدگی و دمگل از جمله میزان گِرد بودن، نسبت مساحت به مربع محیط آن ناحیه و نیز ضریب تغییراتِ (cv) فواصل نقاط روی لبه از مرکز ثقل تصویر را استخراج می نمود، طراحی گردید و سپس همراه با به کارگیری فناوری شبکه های عصبی مصنوعی لهیدگی و دمگل با دقت %۱۰۰ از یکدیگر تمییز داده شدند که اثباتی بر لزوم استفاده از این تکنیک در تلفیق با روش های ماشین بینایی جهت افزایش دقت کارایی دستگاه های درجه بند می باشد.  

---

چکیده در این تحقیق، مدل سازی با شبکه عصبی مصنوعی و از نوع پرسپترون (الگوریتم طبقه بندی ورودی) چند لایه به منظور ارزیابی استفاده از  اسید سیتریک در کاهش تولید آفلاتوکسین در نان های خشک ضایعاتی در سطح شهر مشهد استفاده شد. از آن جا که نان های ضایعاتی به عنوان ماده اصلی تغذیه حیوانات هستند و به دلیل فراهم بودن شرایط محیطی مناسب جهت رشد قارچ ها، این نان ها به شدت به مایکوتوکسین و به ویژه آفلاتوکسین آلوده بوده و نگرانی هایی برای بشر و حیوانات به وجود می آورند. به همین علت آلودگی غذاها با مایکوتوکسین، از طریق زنجیره ی غذایی باید به دقت کنترل گردد. نتایج نشان داده اند که مدل سازی با شبکه عصبی مصنوعی روش مناسبی خصوصا در صنایع غذایی است. هم چنین نتایج نشان می دهند که افزودن زئولیت نسبت به اسید سیتریک کاهش آفلاتوکسین بیشتری را به همراه دارد. هم چنین استفاده توام از زئولیت و اسید سیتریک نسبت به زمانی که از هر یک از مواد به تنهایی استفاده می شود کاهش بیشتری در میزان آفلاتوکسین را به همراه دارد. براساس نتایج حاصل از به کار گیری شبکه عصبی مصنوعی مدل شبکه عصبی مصنوعی برای داده های زئولیت با یک لایه مخفی،تابع انتقال تانژانت هیپربولیک، قاعده یادگیری لیونبرگ و تعداد ۳ نرون٬ با ۶۰% برای زیر گروه آموزشی و ۲۰% برای هر یک از زیر گروه های ارزیابی و آزمایشی با ضریب همبستگی ۹۷۳/۰ بهترین برازش را به همراه داشت. نتایج مدل سازی مبین سازگاری بالابین مقادیر آفلاتوکسین اندازه گیری شده و پیش بینی شده می باشد.