کشاورزی ماشینی

مهندسی مکانیک بیوسیستم

مهندسی مکانیک بیوسیستم

امیدی ارجنکی هستم دانشجوی دکتری مهندسی مکانیک ماشین های کشاورزی (مهندسی مکانیک بیوسیستم) و در این وبلاگ آموخته هایم را نشر می دهم.
آموزش و یاد دادن از زکات علم است.پیامبر خوبی ها حضرت محمد صلوا تالله علیه و آله فرمودند حکایت کسی که علم آموزد و از آن سخن نکند چون کسی است که گنجی نهد و از آن خرج نکند.
این روزها که دانش مهندسی ماشین ها و مکانیزاسیون کشاورزی غریب و محجور افتاده است، آموزش و بیان فایده ها و سودهای استفاده از اتوماسیون در کشاورزی شاید راهی برای تغییر نگرش بر این رشته باشد.
فارغ التحصیلان، استادان و دانشجویان رشته مهندسی مکانیک ماشین های کشاورزی بهترین متخصصان برای ارتباط علم نوین مهندسی با کشاورزی هستند. چون در این رشته انوع تخصص ها آموزش داده می شود. برق، کشاورزی، باغبانی، دامپروری، کامپیوتر، تجهیزات و ابزار اندازه گیری، علوم نوین مثل شبکه های عصبی، بینایی ماشین، انرژی های نوین که همه و همه از ملزمات توسعه کشاورزی نوین هستند.
استفاده از علم نوین در کشاورزی صد در صد باعث تولید غذای بیشتر، رفع وابستگی، تولید غذای با کیفیت تر، ارزانی محصولات و بازارپسندی و سود بیشتر می شود.
امیدوارم بتوانم گامی را برای این مهم بردارم.
از نظرات دوستان و هم رشته ای هایم در این وبلاگ استقبال خواهم کرد.
در آخر هم:
کارتان را برای خدا نکنید؛ برای خدا کار کنید!
تفاوتش فقط همین اندازه است که ممکن است حسین (علیه السلام) در کربلا باشد و من در حال کسب علم برای رضایت خدا ...!
شهید سید مرتضی آوینی

آخرین نظرات


برای تمرین شبکه عصبی مصنوعی در نرم افزار متلب با استفاده از nntool میتوان مسئله زیر را حل کرد:


1- تأمین داده:
10 الگو اعداد در تصاویر به ابعاد 5 در 5 پیکسل در نرم افزار Paint ویندوز رسم شد. سپس این تصاویر توسط دستورات مربوطه در نرم افزار مطلب فراخوانی شدند.


2- تحلیل داده:
به منظور تحلیل در شبکه عصبی داده ها به صورت ماتریس های 25 در 10 برای هر عدد شکل بندی شدند. در حقیقت 25 ورودی و 10 الگو. هر ستون از ماتریس معرف یک الگو در آن عدد و هر ردیف معرف یک ورودی است. این ماتریس های ده گانه معرف Input های شبکه خواهند بود (qi ها). برای Target های شبکه هم باید ماتریس هایی با تعداد ستون های مساوی با Input تهیه کرد. به طور مثال برای عدد صفر ماتریسی تعریف شد که درایه اول آن مقدار یک و مابقی درایه های آن صفر بودند. به همین ترتیب برای بقیه خروجی ها در اعداد دیگر هم ماتریس هایی تهیه شد که درایه متناظر با آن عدد در ماتریس هدف برابر با یک و بقیه درایه ها صفر فرض شدند (ti ها). 


0    1    0    0    0    0    0    0    0    0    0
1    0    1    0    0    0    0    0    0    0    0
2    0    0    1    0    0    0    0    0    0    0
3    0    0    0    1    0    0    0    0    0    0
4    0    0    0    0    1    0    0    0    0    0
5    0    0    0    0    0    1    0    0    0    0
6    0    0    0    0    0    0    1    0    0    0
7    0    0    0    0    0    0    0    1    0    0
8    0    0    0    0    0    0    0    0    1    0
9    0    0    0    0    0    0    0    0    0    1


برای هر عدد یک شبکه تهیه شد. شبکه از نوع Feed-forward BackProp؛ با ورودی qi و خروجی ti؛ سه لایه که لایه های اول و دوم هر کدام 25 نرون و هر سه لایه تابع انتقال TANSIG دارند. هر شبکه با ورودی qi و خروجی ti، با epoch=10000 آموزش داده شدند.


3- تحلیل نتایج شبکه:
خروجی هر شبکه به شرح زیر بدست آمد:

0    [0.99992,4.9725e-05,1.7671e-06,0.040654,0.00037796,3.7214e-05,3.6527e-06,0.019003,0.01166,2.9554e-05]
1    [6.5098e-05,2.9489e-06,1.2695e-05,3.4441e-05,9.9979e-07,4.1907e-06,1.7494e-05,2.9304e-05,3.26e-06,0.0021453]
2    [6.8002e-05,0.0017926,0.99988,6.6737e-05,3.6021e-05,0.00035595,4.531e-05,0.00012083,1.6068e-05,0.092291]
3    [2.5144e-05,4.0569e-05,0.0063247,0.99993,0.00040028,6.2485e-05,0.34758,4.0892e-05,0.027589,3.8455e-05]
4    [1.4357e-05,2.4637e-06,6.5854e-07,4.465e-05,0.99999,1.6918e-05,3.6206e-06,2.5962e-05,6.9156e-05,1.516e-05]
5    [0.011737,0.023499,0.00332,0.020809,6.9177e-05,0.016958,0.030744,0.090168,0.13024,0.028836]
6    [3.043e-05,0.00014756,6.7088e-06,3.1653e-05,6.5538e-07,2.281e-06,3.3134e-06,8.1877e-06,2.2659e-06,7.3393e-07]
7    [6.9188e-05,3.7426e-05,0.00055262,7.9546e-05,7.7026e-06,1.1256e-05,0.00023441,0.0087708,1.0612e-06,0.069374]
8    [1.0423e-05,7.3414e-05,1.2585e-05,4.8841e-06,8.6015e-05,1.3391e-05,1.8509e-06,0.012729,0.99996,1.6247e-06]
9    [5.9235e-05,7.1233e-05,2.0543e-05,5.2722e-05,6.0488e-05,3.7694e-05,4.8072e-05,9.0098e-05,1.9078e-05,3.3969e-05]


همین اعداد را برای بررسی بهتر وقتی به حالت uint8 میبریم:


0    1    0    0    0    0    0    0    0    0    0
1    0    0    0    0    0    0    0    0    0    0
2    0    0    1    0    0    0    0    0    0    0
3    0    0    0    1    0    0    0    0    0    0
4    0    0    0    0    1    0    0    0    0    0
5    0    0    0    0    0    0    0    0    0    0
6    0    0    0    0    0    0    0    0    0    0
7    0    0    0    0    0    0    0    0    0    0
8    0    0    0    0    0    0    0    0    1    0
9    0    0    0    0    0    0    0    0    0    0


شبکه های مربوط به اعداد 0-2-3-4-8 به خوبی خروجی مطلوب را ارائه داده اند. در شبکه مربوط به عدد 1 را با تغییر پارامتر های (max_fil=60) و (min_grad=0) و توقف آموزش در تکرار 200 ام به نتیجه مطلوب رسیدیم.


در شبکه مربوط به عدد 5 و 6 و 9 نیز نتیجه نهایی حتی با تغییر پارامتر های آموزش نیز به شکل زیر خواهد بود که مستلزم تهیه داده های جدید برای آموزش با داده های جدید است:


5    0    0    0    0    1    1    0    0    0    0
6    0    0    0    0    0    1    0    1    0    0
9    0    0    0    0    0    0    0    0    0    0


شبکه عدد 7 با تغییر پارامترها مثل شبکه 1 و (mu=.001) و توقف دستی در تکرار 50 ام به نتیجه مطلوب رسیدیم.



4- آزمایش شبکه:
برای تست شبکه نیز یک تصویر عدد 5 جدید به شبکه داده شد و نتایج زیر حاصل شد:


Output=[0 0 0 1 0 0 0 1 0 0];


نتیجه عدم شناخت صحیح این عدد را نشان میدهد. پس شبکه نیاز به تغییر یا آموزش بیشتر برای تشخیص عدد 5 جدید دارد.

نظرات  (۰)

هیچ نظری هنوز ثبت نشده است

ارسال نظر

ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">
تجدید کد امنیتی