بررسي نقش شوري بر روي گل ليليوم با استفاده از شبكه عصبي مصنوعي

The role of salinity on flower Lilium using artificial neural networks

استرس شوري بسياري از فرايندهاي فيزيولوژيكي گياهان را تحت تاثير قرار مي دهد. بررسي اثر تنش شوري درگياهان در آزمايشگاه ها و گلخانه هاي مجهز انجام مي شود كه به علت وقت گير بودن اين موضوع و صرف هزينه بسيار براي آن،كاربردآن با محدوديت مواجه خواهد شد. در اين پژوهش تاثير سطوح مختلف شوري بر عمر پس از برداشت گل ليليوم با استفاده از شبكه عصبي مصنوعي بررسي شد. شبكه عصبي مصنوعي به عنوان ابزاري قوي است كه قادر به محاسبه معادلات پيچيده و تحليل عددي با مناسب ترين تقريب مي باشد.در اين تحقيق با استفاده از شبكه هاي عصبي مصنوعي اثرات 6 غلظت مختلفشوري بر روي صفات گل ليليوم بررسي گرديد. شبكه هاي مختلف با يك لايه مخفي و تابع تبديل سيگموئيد در تعداد 5 و 10 و 15 و 20 و 25 و 30 ، نرون در لايه مخفي طراحي گرديد ولي با توجه به نتايج حداقل ميزان ميانگين مربعات خطا MSE=o/00017731 ، و حداكثر ضريب همبستگي از بين شبكه هاي طراحي شده ،شبكه اي با تعداد 10، نرون در لايه مخفي به عنوان شبكه مطلوب براي پيش بيني عمر پس برداشت گل ليليوم انتخاب شد. در اين تحقيق به منظور بررسي و ارزيابي نتايج حاصل از شبيه سازي ها ، كمترين و بيشترين ميزان غلظت شوري با شبكه مطلوب شبيه سازي گرديد ونتايج بدست آمده نشان مي دهد شبكه عصبي مصنوعي پرسپترون با يك لايه مخفي و تابع تبديل سيگموئيد و با تعداد 10، نرون در لايه مخفي ابزار مناسبي جهت پيش بيني تنش شوري بر عمر پس از برداشت مي باشد

Salt stress can affect many physiological processes on plants. Studies on salt stress have been limited because of the time consuming and high cost of equippedlaboratories andgreenhouses. The aim of this study was to investigate the effects of different levels of salinity on the life of cut flowers of Lilium using artificial neural networks (ANN). ANNhas emerged as a powerful tool due to its ability to calculating the complex equation and analysis of data with suitable access. In this study using the ANN, effects of six different levels of salinity on the Lilium flower traits were assesse Different networks with one hidden layer and a sigmoid function of the number 5, 10, 15, 20, 25 and 30 neuronsin the hidden layer were designed. However, according to the results (minimum mean square error (00017731/0 = MSE and the maximum correlation coefficient), the network with 10 neurons among the designed networks, has been chosen as an optimum network for predicting the harvest life of the Lilium flower