دانلود مقاله و خرید ترجمه:بهینه سازی تعدادی از ارزیابی های بیماری سوختگی اولیه در گیاه گوجه فرنگی با استفاده از شبکه های عصبی مصنوعی - 2017
بلافاصله پس از پرداخت دانلود کنید

با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد). 

مقالات ترجمه شده شبکه های عصبی ( Neural Networks )
  • Optimization of the number of evaluations for early blight disease in tomato accessions using artificial neural networks بهینه سازی تعدادی از ارزیابی های بیماری سوختگی اولیه در گیاه گوجه فرنگی با استفاده از شبکه های عصبی مصنوعی
    دانلود مقاله | مقاله انگلیسی رایگان | خرید ترجمه فارسی مقاله

    دسته بندی:

    شبکه های عصبی - Neural Networks


    سال انتشار:

    2017


    ترجمه فارسی عنوان مقاله:

    بهینه سازی تعدادی از ارزیابی های بیماری سوختگی اولیه در گیاه گوجه فرنگی با استفاده از شبکه های عصبی مصنوعی


    عنوان انگلیسی مقاله:

    Optimization of the number of evaluations for early blight disease in tomato accessions using artificial neural networks


    منبع:

    Sciencedirect - Elsevier - Scientia Horticulturae 218 (2017) 171–176


    نویسنده:

    Bruno Soares Laurindo ∗, Renata Dias Freitas Laurindo, Alcinei Mistico Azevedo, Fábio Teixiera Delazari, José Cola Zanuncio, Derly José Henriques da Silva


    چکیده انگلیسی:

    The efficacy of artificial neural networks (ANN) to solve complex problems can optimize evaluation processes for early blight disease on tomato plants, reducing required time and resources. The objective of the study was to verify the efficiency of ANN to predict the area under the disease progress curve (AUDPC) to reduce the number of assessments and establish the best time to evaluate early blight disease in tomato accessions. The severity of this disease was evaluated in one hundred and thirty-five tomato accessions from the Germplasm Vegetable Bank of the Federal University of Vic¸ osa (BGH-UFV) in three experiments. The area under the disease progress curve (AUDPC) was calculated with data from six evaluations of the disease’s severity. Several ANN MLP types (Multi-Layer-Perceptron) were trained, taking into account AUDPC values for desired output. Different numbers and assessment combinations for early blight disease severity were used as input. ANN’s were efficient at predicting AUDPC and reduced the number of evaluations from six to two. The twelfth and eighteenth days after pathogen inoculation are the best to evaluate the severity of early blight disease. Genotype by environment affects the efficiency in predicting the AUDPC. ANNs were efficient at predicting the area under the early blight disease progress curve (AUDPC) with fewer evaluations, and as such optimized assessment of this disease in tomato accessions.
    Keywords: Alternaria tomatophila | Computational intelligence | Genetic | Resources | Solanum lycopersicum


    چکیده فارسی:

    سودمندی شبکه های عصبی مصنوعی (ANN) در حل مشکلات پیچیده، به بهینه سازی فرآیندهای ارزیابی بیماری سوختگی اولیه در گیاهان گوجه فرنگی ، کاهش زمان و منابع مورد نیاز کمک می¬کند. هدف این مطالعه، بررسی بهره وری ANN برای پیش بینی سطح زیرین منحنی پیشرفت بیماری (AUDPC) و به منظور کاهش تعداد ارزیابی و ایجاد بهترین زمان برای ارزیابی بیماری سوختگی اولیه در گیاه گوجه است. شدت این بیماری در 135 گوجه فرنگی از بانک گیاهی ژرم پلاسم دانشگاه فدرال Vic¸osa (BGH-UFV) در سه آزمایش بررسی شد. سطح زیر منحنی پیشرفت بیماری (AUDPC) توسط داده¬ی شش ارزیابی شدت بیماری محاسبه شد. چند نوع ANN MLP (چند لایه پرسپترون)، با در نظر گرفتن ارزش AUDPC برای خروجی مورد نظر آموزش دیده بودند. ارزیابی اعداد و ترکیب های مختلف شدت بیماری سوختگی اولیه به عنوان ورودی استفاده شد. ANN در پیش بینی AUDPC کارآمد است و تعداد ارزیابی ها از 6 به 2 کاهش می یابد. بهترین زمان برای ارزیابی شدت بیماری سوختگی اولیه، روز دوازدهم و هجدهم پس از تلقیح پاتوژن می¬باشد. بهره وری ژنوتیپ و محیط زیست در پیش بینی AUDPC تاثیر می گذارد. ANN در پیش بینی سطح زیرین سوختگی اولیه¬ی در منحنی پیشرفت بیماری (AUDPC) با ارزیابی کمتر کارآمد می¬باشد، و مشابه ارزیابی بهینه سازی شده این بیماری در گیاه گوجه فرنگی می¬باشد.
    واژه های کلیدی: Alternaria tomatophila | هوش محاسباتی | ژنتیک | منابع | Solanum lycopersicum


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 6
    تعداد صفحات فایل doc فارسی(با احتساب مراجع): 18

    وضعیت ترجمه عناوین تصاویر و جداول: به صورت کامل ترجمه شده است

    وضعیت ترجمه متون داخل تصاویر و جداول: به صورت کامل ترجمه شده است

    حجم فایل: 692 کیلوبایت


    قیمت: 43680 تومان   


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi
بازدید امروز: 11649 :::::::: بازدید دیروز: 0 :::::::: بازدید کل: 11649 :::::::: افراد آنلاین: 79