مقایسه عملکرد شبکه های عصبی مصنوعی با تحلیل رگرسیون در برآورد حجم تنه درختان

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 مقایسه عملکرد شبکه های عصبی مصنوعی با تحلیل رگرسیون در برآورد حجم تنه درختان دارای ۲۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقایسه عملکرد شبکه های عصبی مصنوعی با تحلیل رگرسیون در برآورد حجم تنه درختان  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقایسه عملکرد شبکه های عصبی مصنوعی با تحلیل رگرسیون در برآورد حجم تنه درختان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقایسه عملکرد شبکه های عصبی مصنوعی با تحلیل رگرسیون در برآورد حجم تنه درختان :

نام کنفرانس، همایش یا نشریه : جنگل و فرآورده های چوب (منابع طبیعی ایران)

تعداد صفحات :۲۰

آنالیز رگرسیون روش رایجی است که امروزه برای برآورد حجم تنه درختان استفاده می شود. این روش با تعیین رابطه ای، حجم را با دقت خاصی برآورد می کند، اما محدودیت هایی مانند نرمال بودن متغیر وابسته و همگن بودن واریانس خطاها نیز دارد. در این پژوهش سعی شده از شبکه های عصبی مصنوعی (ANN)، به عنوان یکی از زیر مجموعه های فناوری جدید هوش مصنوعی (AI)، به منظور برآورد حجم تنه، استفاده شود. بدین منظور، تعداد ۱۰۱ درخت از درختان نشانه گذاری شده جنگل آموزشی پژوهشی دانشگاه تربیت مدرس انتخاب، و قطر برابر سینه، قطر در ارتفاع کنده، قطر انتهای تنه، ارتفاع تنه، و ارتفاع کل درخت، با دقت بسیار اندازه گیری شدند. از دو مدل شبکه عصبی، پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF)، به منظور پیش بینی حجم تنه استفاده شد. نتایج نشان داد با افزایش متغیرهایی که همبستگی بیشتری با حجم تنه دارند، ضریب تشخیص شبکه عصبی از ۰.۸۰ به ۰.۹۵ افزایش می یابد.شبکه عصبی تابع پایه شعاعی در مقایسه با شبکه عصبی پرسپترون چند لایه دقت بیشتری در برآورد حجم تنه دارد. مقایسه معیارهای ارزیابی شبکه عصبی مصنوعی با رگرسیون گام به گام نشان داد که شبکه عصبی MLP و RBF به ترتیب دارای مقدار ۱.۱۸ RMSE و ۱.۰۵ است، درحالی که مقدار RMSE مدل رگرسیون ۲.۵۷ می باشد. ضریب تشخیص رگرسیون در مقایسه با هر دو مدل شبکه عصبی نیز مقدار کمتری است.

کلید واژه: برآورد حجم تنه درخت، بهره برداری جنگل، پرسپترون چند لایه، مدیریت جنگل، تابع پایه شعاعی، رگرسیون، هوش مصنوعی