کشاورزی ماشینی

مهندسی مکانیک بیوسیستم

مهندسی مکانیک بیوسیستم

امیدی ارجنکی
دکتری مهندسی مکانیک بیوسیستم

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

۴ مطلب با کلمه‌ی کلیدی «شبکه عصبی» ثبت شده است

شبکه های AE (Autoencoder) و GAN (Generative Adversarial Networks) در حوزه یادگیری ماشین و بینایی ماشینی استفاده می شوند. این دو شبکه به دو رویکرد متفاوت برای یادگیری نمایش داده ها و ساخت داده های جدید متکی هستند. در ادامه به بررسی مقایسه این دو شبکه پرداخته می شود:

 

AE (Autoencoder):
Autoencoder یک شبکه عصبی است که به منظور کاهش ابعاد داده ها و به دست آوردن نمایش مناسبی از داده ها استفاده می شود. این شبکه معمولاً دو بخش کدگذار و کدگشا دارد. در بخش کدگذار، داده ها به فضای برداری کاهش می یابند و در بخش کدگشا، داده ها به فضای بعد بالاتر بازگردانده می شوند. با تنظیم پارامترهای شبکه، داده ها به نمایشی خوب از خود می رسند. در نتیجه، با استفاده از AE می توان از یادگیری نمایش داده ها به نحوی که اطلاعات کلیدی آن ها حفظ شود، استفاده کرد.

 

GAN (Generative Adversarial Networks):
GAN یک شبکه عصبی مولد است که به منظور تولید داده های جدید بر اساس یادگیری توزیع احتمالی داده های ورودی به کار می رود. GAN دارای دو شبکه متفاوت است. یکی از این شبکه ها مولد است که داده های جدید تولید می کند، و دیگری شبکه بحرانی یا تشخیص دهنده است که سعی می کند داده های واقعی را از داده های تولیدی تشخیص دهد. دو شبکه با هم در یک فرایند آموزشی بر اساس مینیمم کردن یک تابع هدف متقابل آموزش داده می شوند تا مولد بتواند داده های جدید را به صورتی که شباهت زیادی با داده های واقعی داشته باشند، به طوری که تشخیص دهنده نتواند آن ها را از داده های تولیدی تشخیص دهد. با آموزش GAN، می توان داده های جدید و واقعی سازی شده را تولید کرد که بسیار مفید در بسیاری از حوزه هایی مانند تصویر سازی، طراحی، تبلیغات، بازی های رایانه ای و... هستند.

۰ نظر موافقین ۰ مخالفین ۰ ۲۴ اسفند ۰۱ ، ۰۸:۱۰

در پست های قبلی این کار را با شبکه معمولی پیش خور و همینگ انجام دادیم. با روش هاپفیلد نتایج بهتری کسب خواهیم کرد.



۲ نظر موافقین ۰ مخالفین ۰ ۲۲ آذر ۹۲ ، ۰۰:۳۲
در پست های قبل همین پروژه را با شبکه عصبی معمولی پیش خور انجام دادیم که نتایج آن چنگی به دل نمیزد. در این پست همین کار را با شبکه عصبی همینگ انجام میدیم. دقت کنید که کد این نوع شبکه در متلب نوشته شده است.




۲ نظر موافقین ۰ مخالفین ۰ ۲۲ آذر ۹۲ ، ۰۰:۲۴


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

۰ نظر موافقین ۰ مخالفین ۰ ۰۹ آذر ۹۲ ، ۲۰:۰۷