28179

پياده سازي سيستم رابط عصبي فازي تطبيقي با شبكه هاي عصبي براي كنترل محيط گلخانه اي

كارشناسي ارشد

مهندسي مكانيك- ساخت و توليد

1398

1401/8/22

نوروز محمد نوري

پرديس دانشگاهي - دانشكده مهندسي مكانيك

افزايش مداوم جمعيت جهان مشكلات و نيازهاي جديدي را براي توليد مواد غذايي تازه موثر ايجاد مي كند. گلخانه‌هاي هوشمند مجهز به حسگرها و محرك‌هايي هستند كه استاندارد هستند (مانند گرمايش و روشنايي) كه كنترل آب و هواي داخلي را امكان‌پذير مي‌كند. توليد محصول، به توليد محصول بيشتر كمك مي كند. با اين حال، آنها به مهارت نياز دارند. نياز به انرژي زيادي دارد، نه به ذكر نيروي كار گران. يك تكنيك مستقل مديريت گلخانه كه توسط الگوريتم هاي هوش مصنوعي با بهينه سازي همزمان كارايي و استفاده از منابع پياده سازي شده است، بهترين راه حل را براي اين مشكل ارائه مي دهد. در اين كار، ما يك چارچوب يادگيري فازي عميق براي پيش‌بيني متغيرهاي داخل گلخانه معرفي كرده‌ايم. در بخش‌هاي مختلف، تكنيك‌هاي يادگيري عميق علاقه و رقابت زيادي را برانگيخته است. در اين زمينه، ما مي خواهيم از رويكردهاي شبكه عصبي براي افزايش وظايف مدل سازي و كنترل گلخانه استفاده كنيم. رطوبت نسبي و دما در داخل گلخانه با استفاده از شبكه عصبي MLP و سيستم استنتاج عصبي فازي تطبيقي در اين تحقيق پيش‌بيني شد. با توجه به نتايج، خطاي پيش‌بيني در شبكه ANFIS بسيار كمتر از شبكه MLP است كه نشان‌دهنده توانايي بالاي اين شبكه در كنترل متغيرهاي محيطي يك گلخانه است.

1402/02/09

Implementation of Adaptive Neuro-fuzzy Interface System with Neural Networks to Control the Greenhouse Environment

11/13/2023 12:00:00 AM

The world's constantly rising population creates new problems and needs for effective fresh food production. Smart greenhouses are fitted with sensors and actuators that are standard (such. as heating and .lighting) which enable indoor climate control. crop production, help produce more yields. However, they need skills. requires a lot of energy, not to mention expensive labor. An independent greenhouse management technique, implemented by artificial intelligence algorithms with simultaneous optimization of efficiency and resource utilization, provides the best remedy to this problem. in this work, we have introduced a deep fuzzy learning framework for predicting variables inside the greenhouse. In a variety of sectors, deep learning techniques have sparked a lot of interest and rivalry. In this context, we want to apply neural network approaches to enhance greenhouse modeling and control duties. the relative humidity and temperature. within the greenhouse was predicted utilizing the MLP neural network and Adaptive Neuro-Fuzzy Inference System in this research. According to the results, the prediction error in the ANFIS network is much less than MLP network, which indicates the high ability of this network to control the environmental variables of a greenhouse.

كنترل هوشمند , گلخانه هوشمند

intelligent control , Smart greenhouse

Hassan Naeme

Dr. Noorooz Mohammad Noori