بخشی از مقاله
چکیده
هدف از این تحقیق، ارزیابی کارایی الگوریتم ژنتیک - GA1 - در مدلسازی تخمین پتانسیل تولید انگور با استفاده از شبکه عصبی مصنوعی - ANN 2 - میباشد. بدین منظور 160 نمونه از منطقه ملکان اخذ و سپس مدلسازی با دو مدل ANN و شبکه عصبی مصنوعی-ژنتیک - ANN-GA - انجام شد. در این تحقیق شبکههای عصبی با ساختار 5 نرون در لایه پنهان و تابع محرک سیگموئید آکسون مناسبترین ساختار بوده است.
مدل ANN-GA دارای کارایی بیشتری بوده، به طوریکه ضریب تبیین و میانگین انحراف مربعات خطا و ضریب نش -ساتکلیف به ترتیب در مرحله آموزش 0/92 ، 1/61 و 0/67 و در مرحله آزمون 0/96 ، 1/56 و 0/69 است. الگوریتم ژنتیک بهعنوان روشی مؤثر در بهینهسازی اوزان ویژگیهای ورودی در شبکه عصبی مصنوعی با به حداقل رساندن خطای شبکه ایفا میکند. نهاتاًی میتوان گفت مدل ترکیبی ژنتیک-عصبی بهعنوان یک مدل کارا در تخمین پتانسیل تولید انگور میباشد.
مقدمه
انگور - Vitis vinifera L. - یکی از محصولات باغی مهم است، پیشبینی پتانسیل تولید انگور اهمیت زیادی دارد. با این وجود پتانسیل یک محصولمستقیماً تحت تأثیر ویژگیهای خاکی قرار گرفته که برای تأثیر بهتر برنامههای مدیریت باغی شناسایی آنها ضروری است .
شناسایی ویژگیهای خاکی، به دلیل اثرات متقابل بین آنها فرآیند پیچیدهای است
راهکارها و روشهای مختلفی برای حصول به این منظور ارائه شده است که تکنیکهای محاسباتی نرم - روشهای فراکاوشی - از جمله شبکههای عصبی مصنوعی، عصبی-فازی و الگوریتمهای ترکیبی از این جمله هستند
پتانسیل تولید انگور تحت تأثیر عوامل اقلیمی، فیزیولوژیکی، ذخیره عناصر غذایی، مدیریت باغی، مدیریت اراضی و وضعیت زمین قرار میگیرد
نوروزی و همکاران از شبکههای عصبی مصنوعی بهمنظور پیشبینی عملکرد گندم دیم در مناطق نیمهخشک و کوهستانی غرب ایران استفاده نمودند و بیان داشتند که شاخص انتقال رسوب مهمترین عامل توپوگرافی بر میزان عملکرد این گیاه بوده است و میزان پروتئین موجود در دانهها تحت تأثیر میزان نیتروژن کل خاک میباشد.
باقری و همکاران بهمنظور تخمین پتانسیل تولید ذرت علوفهای، از شبکههای عصبی مصنوعی بهره بردند و نشان دادند که زمانی که آب آبیاری، مقدار کود نیتروژنی و میزان درجه حرارت روزانه بهعنوان ورودی به مدل معرفی شوند، مدل میتواند عملکرد خشک گیاه را با دقتنسبتاً بالایی برآورد نماید.
دراموند و سادث جهت تعیین روابطی میان ویژگیهای خاک، توپوگرافی و عملکرد غلات در منطقه میسوری آمریکا مطالعاتی را انجام دادند. این پژوهشگران دریافتند که روش شبکههای عصبی مصنوعی نسبت به روشهای رگرسیونی دارای خطای کمتری میباشد
امامقلی زاده نیز با مطالعات خود در منطقه اصفهان و عملکرد محصول کنجد گزارش نمودند که شبکههای عصبی مصنوعی کارایی بیشتری نسبت به رگرسیون چندگانه دارد. از آنجاییکه تخمین منطقهای پتانسیل تولید انگور یکی از نیازهای اساسی برنامه ریزی های اقتصادی برای موازنه تولید، واردات و صادرات بوده، انتظار میرود که مدل ترکیبی فازی-الگوریتم ژنتیک از طریق بهینه کردن پارامترهای تابع عضویت بر دقت مدلسازی افزوده شود. هدف از این تحقیق بررسی کارایی روش ترکیبی عصبی-الگوریتم ژنتیک - ANN-GA - در برآورد پتانسیل تولید انگور در شهرستان ملکان استان آذربایجان شرقی میباشد.
مواد و روشها
منطقه مطالعاتی به وسعت حدود 3800 در جنوبغرب استان آذربایجانشرقی در محدوده بین 46 0 30 تا 5 10 46 طول شرقی و 37 8 29 تا 37 11 52 عرض شمالی واقع شده است. میانگین درجه حرارت سالانه دما 15/7 درجه سلسیوس و میانگین بارندگی سالانه 285/3 میلیمتر بر اساس آمار هواشناسی ایستگاه کلیماتولوژی ملکان بین سالهای 2006 تا 2015 میباشد. با توجه به میانگین درجه حرارت سالانه هوا و اضافه نمودن یک درجه سلسیوس به آن 16/7 - درجه سلسیوس - رژیم حرارتی خاکها در منطقه ترمیک میباشد.
رژیم رطوبتی خاک نیز بر اساس نرمافزار نیوهال زریک برآورد گردید. برای نیل به اهداف تحقیق 160 نمو.نه خاک از عمق 0 تا 25 سانتیمتری - با فواصل تقریبی250 متر - اخذ گردید. سپس ویژگیهای فیزیکی و شیمیایی این خاکها برای مدلسازی، شامل مقدار نسبی سه ذره - بافت - ، ذرات درشتتر از شن، کربنآلی، گچ، آهک و pH با روشهای استاندارد اندازهگیری شدند. برای مدلسازی تخمین پتانسیل تولید انگور با روش شبکههای عصبی مصنوعی و عصبی-ژنتیک ابتدا با استفاده از ماتریس همبستگی پیرسون ویژگیهای مؤثر در پتانسیل تولید انتخاب گردید.
مدلسازی با شبکههای عصبی مصنوعی در این شیوه از مدلسازی، از ساختاری نرونی و هوشمند با الگوبرداری مناسب از نرونهای موجود در مغز انسان سعی میگردد تا از طریق توابع تعریفشده ریاضی رفتار درون سلولی نرونهای مغز شبیهسازی شود و از طریق وزنهای محاسباتی موجود در خطوط ارتباطی نرونهای مصنوعی، عملکرد سیناپسی در نرونهای طبیعی به مدل تبدیل شود.
بدین منظور الگو، با دستهای از دادههای واقعی اندازهگیریشده، آموزش داده شده تا برای ورودیهای جدید با توجه به رابطه پیدا شده در مرحله آموزش، خروجی مناسب را محاسبه نماید. در این پژوهش جهت شبیهسازی و تخمین پتانسیل تولید انگور از بین ساختارهای گوناگون شبکههای عصبی مصنوعی، از روش آموزش تحت نظارت یا سرپرستی با ساختار پرسپترون چند لایه - MLP - با الگوریتم پس انتشار خطا - DuBose and Klimasauskas, 1989 - - BP - استفاده شد.
برای این منظور ابتدا دادهها دستهبندی و با رسم باکس پلات مربوط به هر ویژگی، دادههای پرت شناسایی و حذف شد. اصولا وارد کردن دادهها بهصورت خام باعث کاهش سرعت شبکههای عصبی میشود. برای اجتناب از چنین شرایطی دادهها استاندارد شدند. برای استانداردسازی دادههای اولیه از رابطه - 1 - استفاده شد.
پس از استانداردسازی دادهها، کل دادهها به دو بخش آموزش و آزمون تفکیک شد. 80 درصد مجموعه دادهها برای آموزش و 20 درصد مجموعه دادهها برای آزمون در نظر گرفته شدند. برای کنترل و نظارت بر یادگیری صحیح شبکه، 25 درصد مابقی دادهها بهعنوان دادههای آزمون مدل معرفی گردید. برای مدلسازی شبکههای عصبی مصنوعی پس از وارد کردن دادهها به نرمافزار، جهت تعیین شبکه بهینه از کلیه توابع محرک تعریف شده در نرمافزار - تانژانت هیپربولیک آکسون، سیگموئید آکسون، تانژانت هیپربولیک خطی آکسون، سیگموئید خطی آکسون، بایاس آکسون، آکسون خطی و آکسون - به شکل سعی و خطا تا حصول بهترین نتیجه استفاده شد.
برای آموزش شبکههای طراحی شده با معماری متفاوت، از توابع آموزشی بایزین1 استفاده شد. این الگوریتم آموزش، بهترین روش برای آموزش شبکههای عصبی مصنوعی طراحی شده میباشد و پایداری بیشتری نسبت به دیگر الگوریتمهای پس انتشار خطا دارد
مدلسازی با الگوریتم شبکههای عصبی مصنوعی-ژنتیک در این روش الگوریتم ژنتیک به تنظیم اوزان اتصالات شبکه میپردازد. شایان ذکر است که در شبکههای عصبی مصنوعی بایستی تعداد و نوع ورودیها، لایههای میانی، نرونها و الگوریتم مناسب آموزش شبکه درست انتخاب شوند، تا شبکه کارآمد و دقیق طراحی گردد. شکل 1 چگونگی تعامل شبکه عصبی و الگوریتم ژنتیک را نمایش میدهد. پس از فرآیند پیشپردازش، مجموعه دادهها بهعنوان ورودی شبکه عصبی مورد استفاده قرار گرفت.
وزنه ای اولیه متناظر با ورودیهای شبکه عصبی - کروموزمهای الگوریتم ژنتیک - در تکرار اول به صورت تصادفی شدند. همچنین، رابطه میانگین مجذور خطا2 به عنوان تابع برازش هر کروموزم از الگوریتم ژنتیک انتخاب شد و از این رو به کارگیری عملگر تقاطع3 امکانپذیر شد. در پایان هر تکرار، 10 درصد از بهترین کروموزمها به همراه 90 درصد کروموزم تولید شده تصادفی جدید، به نسل بعد منتقل گردید. فرآیند مذکور تا رسیدن به شرایط توقف الگوریتم ادامه یافت.
در پایان بهترین کروموزم به عنوان وزنهای اولیه به شبکه عصبی مصنوعی اعمال شد. تعداد کل تکرار الگوریتم ژنتیک برابر با 200 در نظر گرفته شد و اگر بعد از 40 تکرار بهینهشدن افزایش نیافت، الگوریتم متوقف شد. به منظور انتخاب پارامترهای الگوریتم ژنتیک شامل تعداد جمعیت اولیه، احتمال تقاطع و احتمال جهش، الگوریتم از روش سعی و خطا استفاده شد. فرآیند آموزش و تست شبکه عصبی پیشنهادی و همچنین الگوریتم ژنتیک در نرمافزار متلب نسخه 2012 کدنویسی شده و نتایج محاسباتی آنها توسط سیستم یکسان با مشخصات پردازنده 2/27 گیگاهرتزیرَمِو 4 گیگا بیتی بهدست آمد.
شکل -1 بهینهسازی شبکههای عصبی مصنوعی با الگوریتم ژنتیک
نتایج و بحث
جدول 1 میانگین ویژگیهای فیزیکی و شیمیایی مورد استفاده را در ایجاد توابع انتقالی نشان میدهد. این ویژگیها به همراه آمارههای توزیع برای مراحل آموزش و آزمون جداگانه مورد بررسی قرار گرفتند. چنانچه ملاحظه میشود، خاکهای مورد بررسی در دامنه وسیعی از نظر ویژگیهای مورد بررسی قرار دارند. نرمال بودن دادهها نیز با استفاده از روش کولموگروف-اسمیرنوف مورد بررسی قرار گرفت که نتایج مؤید نرمال بودن داده است.
