فهرست نشریات علمی دسترسی آزاد ایران

مدلسازی یادگیری ماشین می‌تواند به غلبه بر برخی از محدودیت‌های حسگرهای گازی، مانند شرایط عملیاتی سخت، خطاهای رانش، انتخاب محدود، نیاز به مقدار زیادی از داده‌های برچسب‌گذاری شده و چالش‌های هزینه و ساخت کمک کند. در این پژوهش یک سامانه بینی الکترونیک جهت تشخیص کشمش آفتابی، گوگردی و تیزابی ساخته شد. تیمارها شامل سه تیمار آفتابی، تیزابی و گوگردی هرکدام در سه تکرار آماده شدند و هرکدام 60 دقیقه در معرض حسگرهای بویایی قرار گرفتند تا پاسخ حسگرها به هر کدام از تیمارها ثبت شود. سپس داده‌های بدست آمده از پاسخ حسگرها توسط مدل‌های یادگیری ماشین مورد بررسی قرار گرفتند تا دقت مدلسازی هر روش مشخص شده و مورد بررسی قرار گیرد. نتایج نشان داد مدل رگرسیون گرادیان افزایشی استفاده شده با ضریب تبیین 9972/0، ریشه میانگین مربعات خطای 0209/0، میانگین مطلق خطای 0026/0 و ریشه میانگین مربعات خطای نسبی 0209/0 برای داده‌های آزمون توانسته است پاسخ حسگرهای گازی را به خوبی نسبت به تیمارهای معرفی شده مدلسازی کند. همچنین با بررسی و تحلیل نتایج بدست آمده، نوع و میزان همبستگی بین پاسخ حسگرها نسبت به هم و نسبت به زمان مشخص شد تا در پیش‌بینی رفتار آنها مورد ارزیابی قرار بگیرد. سپس با مدلسازی انجام شده مشخص شد حسگرهای MQ9، MQ3، MQ5، TGS2620  به ترتیب با ضرایب تبیین 8668/0، 8786/0، 9458/0 و 9074/0 و ریشه میانگین مربعات خطای 0163/0، 0168/0 ، 0083/0 و 0227/0 پاسخ‌های دقیق‌تر و پیش‌بینی پذیرتری نسبت به حسگرهای MQ135، TGS822، TGS810 و MQ4  نشان دادند.