چکیده مقاله
امروزه بیشتر گیاهان در گلخانه ها پرورش می یابند و برای رشد نیاز به نور مصنوعی دارند یک نور معمولی توانایی لازم برای ایجاد فتوسنتز در گیاهرا ندارد لذا طراحی ماژولی برای ایجاد طیف نور مورد نیاز فتوسنتز گیاه از اهمیت بالایی برخوردار است میوه دهی از مهم ترین مراحل رشد گیاهان است پیش بینی اینکه با چه طول موج هایی، گیاهان به میوه دهی می رسند باعث می شود تا LED با طول موج های بهینه تری طراحی و تولید کنیم که اینامر باعث صرفه جویی قابل توجهی در هزینه و زمان می شود در این مقاله سعی شده است با استفاده از الگوریتم های مختلف یادگیری ماشین و تنظیمبهترین هایپرپارامترها با استفاده از تکنیک Grid Search میوه دهی گیاهان تحت طول موج های مختلف LED را با دقت عالی پیش بینی کنیم بدینمنظور در این مقاله از الگوریتم های درخت تصمیم، الگوریتم جنگل تصادفی، الگوریتم رگرسیون لجستیک، الگوریتم ماشین بردار پشتیبان و الگوریتمXGBoost به منظور پیش بینی میوه دهی گیاهان تحت طول موج های مختلف LED استفاده شده است نتایج پژوهش نشان می دهد که دقت پیش بینیمیوه دهی مبتنی بر الگوریتم XGBoost ۹ درصد است که روشی عملی و موثر برای پیش بینی میوه دهی گیاهان تحت طول موج های مختلف LED است
کلیدواژهها
نویسندگان
احمدرضا معلی
مدیر تولید، شرکت دانش بنیان پارس سامان ایرانیان، مشهد مقدس
مهدی احمدپور
محقق و پژوهشگر، شرکت دانش بنیان پارس سامان ایرانیان، مشهد مقدس
شیوه ارجاع
معلی، احمدرضا و احمدپور، مهدی،1403،پیش بینی میوه دهی گیاهان تحت طول موج های مختلف LED با استفاده از الگوریتم های یادگیری ماشین با استفاده از تکنیک Grid Search،اولین کنفرانس بین المللی دوسالانه هوش مصنوعی و علوم داده،بوشهر
ارائهشده در
همایش ملی علوم و مهندسی دفاعی سپاه3 اردیبهشت 1403 · تهران