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

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل بهینه سازی تعدادی از ارزیابی های بیماری سوختگی اولیه در گیاه گوجه فرنگی با استفاده از شبکه های عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۴ صفحه

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 ۱۳۵ 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 ۶ به ۲ 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

عنوان انگلیسی:

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

~~en~~ writers :

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

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

$$en!!