Χρήση δικτύου για την βελτιστοποίηση λίπανσης τριφυλλιού
Use of a network to optimize clover fertilization
Keywords
Νευρωνικά δίκτυα ; Labview ; Καλλιέργεια ; Αυτοματοποιημένη γεωργίαAbstract
Υπάρχει μια μη γραμμική σχέση μεταξύ της εισροής λιπασμάτων και του επιπέδου θρεπτικών ουσιών του εδάφους. Για να υπολογιστεί ακριβέστερα ο ρυθμός λίπανσης, έχει προταθεί μια νέα μέθοδος ολικού νευρωνικού δικτύου, στην οποία χρησιμοποιείται η μέθοδος clustering -means για την επιλογή των βέλτιστων δικτύων χωριστά και ένας πολλαπλασιαστής Lagrange που χρησιμοποιείται για να συνδυάσει αυτά τα επιλεγμένα δίκτυα. Με βάση τη μέθοδο του συνόλου του νευρικού δικτύου, κατασκευάζεται ένα μοντέλο λίπανσης. Σε αυτό το μοντέλο, το επίπεδο θρεπτικών συστατικών του εδάφους και το ποσοστό λίπανσης θεωρούνται εισροές νευρωνικών δικτύων και η απόδοση λαμβάνεται ως παραγωγή. Αυτό το μοντέλο μετατρέπει τον υπολογισμό του ποσοστού λίπανσης σε επίλυση ενός προβλήματος προγραμματισμού και μπορεί να χρησιμοποιηθεί για τον υπολογισμό του ποσοστού λίπανσης με μέγιστη απόδοση και μέγιστο κέρδος, καθώς και για την πρόβλεψη της απόδοσης. Επιπλέον, αυτό το μοντέλο λίπανσης έχει δοκιμαστεί σε δεδομένα σχετικά με το αποτέλεσμα των λιπασμάτων. Τα αποτελέσματα δείχνουν ότι η πρόβλεψη της αξίας χρησιμοποιώντας το σύνολο νευρωνικού δικτύου είναι ακριβέστερη από αυτή που επιτυγχάνεται με μεμονωμένα νευρωνικά δίκτυα. Το μοντέλο λίπανσης που παρουσιάζεται στην παρούσα εργασία αφορά την καλλιέργεια τριφυλλιού, και μπορεί όχι μόνο να προσομοιώσει με ακρίβεια τη μη γραμμική σχέση μεταξύ απόδοσης και θρεπτικού συστατικού στο έδαφος, αλλά μπορεί επίσης να χρησιμοποιήσει επαρκώς τα υπάρχοντα δεδομένα για το αποτέλεσμα των λιπασμάτων.
Abstract
There is a non-linear relation between the inflow of fertilizers and the level of soil nutrients. In order to calculate the fertilization rate more accurately, a new method of a whole neural network has been proposed, in which the clustering-means method is used for the selection of the optimal networks separately, as well as a Lagrange multiplier that is used to combine these selected networks. A fertilization model is constructed based on the method of the total neural network. In this model, the level of soil nutrients and the fertilization rate are considered neural network inputs and the yield is obtained as output. This model converts the calculation of the fertilization rate into a solution of a programming problem and can be used to calculate the fertilization rate with maximum yield and maximum profit, but also to predict the yield. In addition, this fertilization model has been tested on data relevant to the effect of fertilizers. The results show that, predicting the value by using the total neural network is more accurate than that achieved by using individual neural networks. The fertilization model that is presented in this thesis concerns the cultivation of clover, and not only can it simulate with precision the non-linear relationship between yield and soil nutrients, it can also make good use of the existing data on the effect of fertilizers.
Number of pages
95Faculty
Σχολή Τεχνολογικών ΕφαρμογώνAcademic Department
Τμήμα Μηχανικών Αυτοματισμού Τ.Ε.Language
GreekCollections
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα
Αναφορά Δημιουργού-Μη Εμπορική Χρήση 3.0 Ελλάδα