مقاله مقایسه عملکرد شبکه های عصبی مصنوعی با تحلیل رگرسیون در برآورد حجم تنه درختان که چکیده‌ی آن در زیر آورده شده است، در تابستان ۱۳۹۲ در جنگل و فرآورده های چوب (منابع طبیعی ایران) از صفحه ۱۷۷ تا ۱۹۱ منتشر شده است.
نام: مقایسه عملکرد شبکه های عصبی مصنوعی با تحلیل رگرسیون در برآورد حجم تنه درختان
این مقاله دارای ۱۵ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله برآورد حجم تنه درخت
مقاله بهره برداری جنگل
مقاله پرسپترون چند لایه
مقاله مدیریت جنگل
مقاله تابع پایه شعاعی
مقاله رگرسیون
مقاله هوش مصنوعی

نویسنده(ها):
جناب آقای / سرکار خانم: بیاتی هادی
جناب آقای / سرکار خانم: نجفی اکبر

چکیده و خلاصه‌ای از مقاله:
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.