دانش رسان |
مرکز علم و دانش کشور مقاله مدل‌سازی و بهینه‌کردن مقاومت روزنه‌ای زیتون در شرایط تنش شوری ناشی از کلرید سدیم با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله مدل‌سازی و بهینه‌کردن مقاومت روزنه‌ای زیتون در شرایط تنش شوری ناشی از کلرید سدیم با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک دارای ۲۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله مدل‌سازی و بهینه‌کردن مقاومت روزنه‌ای زیتون در شرایط تنش شوری ناشی از کلرید سدیم با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک 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 مقاله مدل‌سازی و بهینه‌کردن مقاومت روزنه‌ای زیتون در شرایط تنش شوری ناشی از کلرید سدیم با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله مدل‌سازی و بهینه‌کردن مقاومت روزنه‌ای زیتون در شرایط تنش شوری ناشی از کلرید سدیم با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک :
تعداد صفحات :۲۱
مقاومت روزنه‌ای نقش مهمی در تبادلات آبی گیاه و میزان فتوسنتز در شرایط تنش دارد و یکی از پارامترهای کلیدی در بسیاری از مدل‌های اکولوژیکی و بیولوژیکی است. در این پژوهش، مقادیر بهینه پارامترهای مؤثر بر مقاومت روزنه‌ای زیتون بر‌اساس دست‌یابی به حداکثر مقاومت روزنه‌ای تعیین شد. سطوح شوری (۰، ۲۵، ۵۰ و ۱۰۰ میلی‌مول در لیتر کلرید سدیم)، درصد عناصر برگ (کلر، سدیم، پتاسیم، کلسیم، فسفر، منیزیم)، نسبت K/Na، وزن تر برگ (mg)، سطح برگ (cm2)، میزان آب نسبی برگ (درصد) و نسبت سطح برگ (cm2/g) به‌عنوان پارامترهای مؤثر بر مقاومت روزنه‌ای زیتون در نظر گرفته شد. مقاومت روزنه‌ای با استفاده از مدل شبکه عصبی تابع پایه شعاعی (RBF) به‌صورت تابعی از متغیرهایی مدل شد که قبلاً لیست شد. نتایج پیش‌بینی‌شده نشان داد که شبکه عصبی توانسته است عملکرد خوبی فراهم کند، زیرا نتایج پیش‌بینی‌شده مطابق نتایج اندازه‌گیری‌شده بودند. بیشترین درصد خطا بین داده‌های آزمایشگاهی و پیش‌بینی‌شده کمتر از ۵۷/۲ درصد و ضریب همبستگی بین آن‌ها ۹۹۴/۰ شد. همچنین، مقایسه آماری بین داده‌های آزمایشگاهی و پیش‌بینی‌شده نشان‌دهنده قابلیت اطمینان پیش‌بینی‌ها با مدل شبکه عصبی RBF بود. شبکه عصبی آموزش‌دیده به‌عنوان تابع هدف برای دست‌یابی به پارامترهای بهینه با استفاده از الگوریتم ژنتیک استفاده شد. به‌ترتیب مقادیر بهینه برای اولین تا آخرین پارامترها در ۱۰۰، ۱۵/۰، ۵۷/۰، ۷۸/۰، ۳۲/۰، ۰۶/۰، ۱۷/۰، ۲۹/۱، ۶۳/۲۶، ۰۳/۵، ۷۶/۰ و ۸۹/۷۲ به‌دست آمد.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
