عبداله ایمان مهر

در طراحی و ساخت ادوات و ماشین های مورد نیاز برای مراحل مختلف پس از برداشت، فرآوری و بسته بندی محصولات، تعیین خواص مکانیکی ضروری است. شبکه عصبی به عنوان یکی از مولفه های اصلی هوش محاسباتی بوده و تبدیل موجک باعث افزایش دقت مدل می شود. به این منظور برای پیش ‍ بینی خواص مکانیکی مغز بادام، در این تحقیق ابتدا در وضعیت قرارگیری افقی بادام، نیروی شکست شبه استاتیکی مغز سه رقم بادام به نام های مامایی، ربیع و شاهرود دوازده در سه سطح رطوبتی (5/5%، 15% و 25% بر پایه تر) و سه سرعت بارگذاری (5، 15 و 25 میلی متر بر دقیقه) تعیین و بررسی شد. در بخش شبکه عصبی، پارامترهای ورودی شامل سه سطح رطوبت و سه سطح سرعت به عنوان متغیر مستقل وارد مدل شدند. متغیرهای نیروی شکست، انرژی مصرفی و مدول الاستیسیته به عنوان متغیرهای وابسته خروجی مدل در نظر گرفته شدند که برای دقت بیشتر ابتدا موجک های مختلف مانند Haar، db4، Sym2 و Coif4 بر روی این داده ها اعمال گردید. برای ارزیابی دقت مدل از معیار ضریب همبستگی (R) استفاده شد. نتایج ارزیابی متقابل، حاکی از برتری موجک Coif4 بود. در این الگوریتم از یک شبکه پیش خور با الگوریتم لونبرگ مارکوات با تابع تانژانت سیگموئید در لایه پنهان و تابع خطی در لایه خروجی استفاده شد. نتایج حاصل، دقت بالای شبکه عصبی- موجک را نشان می دهد. بطور مثال در رقم مامایی، شبکه عصبی با آرایش 1-5-2 با 9523/0=R، آرایش 1-7-2 با 9745/0=R و آرایش 1-4-2 با 8374/0=R بهترین پیش بینی را به ترتیب برای مدول الاستیسیته، نیروی شکست و انرژی مصرفی نشان داد.