\documentclass[11pt,a4paper]{report} 

% استفاده از بسته‌ی زیر الزامی نیست ولی با استفاده از آن می‌توانید لینکهای رنگی به مراجع خود داشته باشید. 
%\usepackage[colorlinks,citecolor=blue]{hyperref}
\usepackage[colorlinks=true,linkcolor=red,citecolor=blue,urlcolor=black,pagebackref]{hyperref}
\usepackage{setspace} 
\usepackage{array}
\usepackage{xcolor,color}
\usepackage{fancyhdr, graphicx}
%\usepackage[demo]{graphicx}
\usepackage{verbatim}
\usepackage{float}
\usepackage{caption}
\usepackage{subcaption}
\usepackage[top=30mm, bottom=30mm, left=30mm, right=30mm]{geometry}
\usepackage{indentfirst} %جهت ایجاد تورفتگی در اول پاراگراف
\usepackage{bidipoem}
\usepackage{amsthm,amssymb,amsmath}
\usepackage{xfrac}
\usepackage{multirow}
\usepackage{tabulary}
\usepackage{morefloats}
\usepackage{framed} 
%\usepackage[notlof]{tocbibind}%[notbib, notlof,nottoc]  
\usepackage{xepersian}
\numberwithin{equation}{section}
\defpersianfont\nastaliq{IranNastaliq}
\settextfont{XB Zar}
\setlatintextfont[Scale=1]{Linux Libertine}
\linespread{1.3}
\frenchspacing
%\usepackage{caption}  
%\captionsetup[table]{font=small,skip=0pt} 
\captionsetup[figure]{font=small,skip=0pt} 
%% Adjust here %or equivalently 
%\usepackage[font=small,skip=0pt]{caption}
\setlength{\textfloatsep}{20.0pt plus 2.0pt minus 2.0pt}
\setlength{\floatsep}{12pt plus 2pt minus 2pt}
\setlength{\intextsep}{12pt plus 2.0pt minus 2.0pt}
%\newlength{\drop}
\renewcommand{\bibname}{مراجع}
\pagestyle{plain} 
\begin{document}
\pagenumbering{arabic}
\subsection{مروری بر شبکه عصبی} 
شبکه‌های عصبی مصنوعی از نورون‌های بیولوژیکی برای حل مسائل پیچیده به همان روشی که ذهن انسان عمل می‌کند استفاده می‌کنند. از نیمه قرن گذشته به بعد علاقه به مطالعه مکانیسم‌ و ساختار ذهن افزایش یافته است. این افزایش علاقه منجر به توسعه مدل‌های محاسباتی جدید، سیستم‌های پیوندگرا یا شبکه‌های عصبی مصنوعی براساس پیشینه بیولوژیکی برای حل مسائل پیچیده مانند تشخیص الگو، پردازش سریع اطلاعات و انطباق شد. در اوایل دهه‌ی 1940مکالو و پیتس، پیشگام مطالعه پتانسیل و امکانات جهت بهم ‌پیوستن چندین عنصر پایه براساس مدل یک نورون بودند. هاپ فایلد یک ساختار دینامیکی غیر خطی خاص برای حل مسئله بهینه‌سازی بکاربرد. تمام مطالعات اولیه جنبه‌های تئوری از شبکه‌های عصبی مصنوعی بود\cite{Huang2010}. از اوایل دهه 1990 شبکه‌های عصبی مصنوعی الالخصوص پرسپتورن‌های بک پروپگیشن فید فوروارد برای پیش‌بینی در تعدادی نواحی علمی و مهندسی استفاده شد\cite{Chau2002}. شبکه عصبی یک سیستم پردازش اطلاعات می‌باشد که تعدادی عناصر بهم‌پیوسته متراکم و غیر خطی یا نورون‌ها را ترکیب کرده است بطوریکه لایه‌هایی را تشکیل می‌دهند و ارتباط بین این لایه‌ها نیز توسط وزن‌های بین لایه‌ها برقرار می‌شود. یک شبکه عصبی معمولا شامل سه لایه می‌باشد: لایه ورودی، جایی که اطلاعات برای شبکه تعریف می‌شوند؛ لایه مخفی یا لایه‌ها، جایی که اطلاعات پردازش می‌شوند و لایه خروجی، جایی که نتایج ورودی داده شده تولید می‌شود\cite{Wang2009}. 
شبکه‌های عصبی از عناصر عملیاتی ساده‌ای بصورت موازی ساخته می‌شوند. این عناصر از سیستم‌های عصبی زیستی الهام گرفته‌اند. در طبیعت ساختار شبکه‌های عصبی از طریق نحوه اتصال بین اجزا تعیین می‌شود. بنابراین می‌توان یک ساختار مصنوعی به تبعیت از شبکه‌های طبیعی ساخت و با تنظیم مقادیر هر اتصال تحت عنوان وزن اتصال نحوه ارتباط بین اجزای آن را تعیین کرد. پس از تنظیم یا همان آموزش شبکه عصبی، اعمال یک ورودی خاص به آن منجر به دریافت پاسخ خاص می‌شود. همانطور که در شکل \ref{structure of ANN.pdf} دیده می‌شود شبکه بر مبنای تطابق و همسنجی بین ورودی و هدف سازگار می‌شود تا اینکه خروجی شبکه و هدف برهم منطبق گردند. عموما تعداد زیادی از این زوج‌های ورودی و خروجی بکارگرفته می‌شوند تا در این روند که از آن تحت عنوان یادگیری نظارت شده یاد می‌شود شبکه آموزش داده شود\cite{kia1389}. 
\begin{figure}[!hbtp]
\begin{center}
\includegraphics[scale=0.95]{D:/teze/thesis/figures/structureofANN.pdf}
\caption{ساختار شبکه عصبی}
\label{structure of ANN.pdf}
\end{center} 
\end{figure}
\subsubsection{\lr{ANFIS}}
انفیس یک سیستم استنتاج فازی (\lr{FIS}) را با استفاده از مجموعه داده‌های ورودی و داده خروجی ایجاد می‌کند. به عبارتی شبکه عصبی مصنوعی و منطق فازی در ساختار\lr{ANFIS} استفاده شده‌اند\cite{Melek2010}. برای آنکه سیستم فازی ساختار خود را از مجموعه داده‌ها فرا‌گیرد پارامترهای توابع عضویت این سیستم، از طریق الگوریتم پس انتشار یا ترکیب آن با روش حداقل مربعات تنظیم می‌شوند. \lr{ANFIS} را می‌توان از محیط \lr{toolbox} در متلب فعال کرد، پنجره   \lr{ANFIS} دارای تنظیماتی به شرح زیر می‌باشد:نوع مجموعه های فازی ورودی، تعداد مجموعه های فازی، نوع مجموعه فازی خروجی، نوع شیوه بهینه‌سازی، تعداد اپوک‌ها. هر کدام از موارد بالا باید بطور جداگانه تنظیم شوند تا بهترین جواب فراهم گردد\cite{kia1390}. در کنار سیستم عصبی از سیستم استنتاج فازی جهت اتخاذ یک تصمیم مناسب استفاده می‌گردد. بطور کلی ساختار سیستم استنتاج درجه اول\lr{Takagi–Sugeno} انفیس در شکل \ref{Takagi.pdf} نشان داده شده‌است. همانطور که در شکل \ref{Takagi.pdf} مشاهده می‌شود انفیس دارای 5 لایه می‌باشد یعنی 1- لایه فازی ‌ساز 2- لایه قوانین 3- لایه نرمال‌ سازی 4- لایه غیرفازی سازی 5- لایه خروجی\cite{Zheng2011}. 
 \begin{figure}[!hbtp]
\begin{center}
\includegraphics[scale=0.75]{D:/teze/thesis/figures/Takagi.pdf}
\caption{ساختار سیستم استنتاج درجه اول\lr{Takagi–Sugeno}}
\label{Takagi.pdf}
\end{center} 
\end{figure}
در مقابل روش \lr{ANFIS} که از مجموعه فازی استفاده می‌کند روش‌های آماری از مجموعه‌های کلاسیک استفاده می‌کنند. مجموعه‌های کلاسیک مجموعه‌هایی با مرز مشخص می‌باشند که ضعف آن‌ها در انتقال ناگهانی از شمول به عدم شمول پدیدار می‌گردد. برخلاف مجموعه‌های کلاسیک، یک مجموعه‌ی فازی مجموعه‌ای با مرز‌های نامشخص می‌باشد. در این مجموعه‌ها انتقال از شمول به عدم شمول بصورت تدریجی و نرم توسط تابع عضویت ساماندهی می‌شود\cite{kia1390}. همین تفاوت بین مجموعه‌های فازی و کلاسیک باعث عملکرد متفاوت این دو مجموعه می‌گردد. \lr{ANFIS}به کمک مجموعه‌ای از داده‌های ورودی و خروجی، یک سیستم استنتاج فازی ایجاد می‌کند. پارامترهای توابع عضویت این سیستم، از طریق الگوریتم پس انتشار یا ترکیب آن با روش حداقل مربعات تنظیم می‌شوند. این عملیات تنظیم به سیستم فازی اجازه می‌دهد تا ساختار خود را از مجموعه دادهها فرا بگیرد. در واقع می‌توان گفت\lr{ANFIS}مجموعه ای از شبکه عصبی و فازی است. در این تحقیق هم از محیط تولباکس \lr{ANFIS} در\lr{MATLAB} استفاده شده است و هم از محیط کد نوسی \lr{m}فایل بهره گرفته شده است. تنظیمات مهم که بررسی شده‌اند عبارتند از: نوع مجموعه های فازی ورودی، تعداد مجموعه های فازی، نوع مجموعه فازی خروجی، نوع شیوه بهینه‌سازی و تعداد اپوک ها بوده است \cite{kia1390}.یادگیری عصبی – انطباقی دارای عملکردی مشابه با شبکه‌های عصبی می‌باشد. تکنیک‌های یادگیری عصبی- انطباقی، روشی را برای ایجاد یک رویه مدل‌‌سازی فازی در راستای یادگیری اطلاعات از یک مجموعه داده فراهم می آورند. جعبه ابزار منطق فازی پارامتر‌های تابع عضویت را طوری محاسبه می‌کند که سیستم استنتاج فازی بر مجموعه داده‌های ورودی/خروجی منطبق گردد. در این راستا از تابع \lr{anfis} استفاده می‌شود. تابع \lr{anfis} فقط در مورد سیستم‌های سوگنو که دارای خصوصیات زیر باشند، بکار می‌رود: \\
سیستم‌های سوگنو که از درجه صفر و یا یک باشند. \\
تنها دارای یک خروجی باشند، که این خروجی باید با استفاده از روش غیرفازی‌سازی میانگین وزن‌دار شده فراهم شده باشد، ضمنا همه‌ی توابع عضویت خروجی باید ثابت یا خطی بوده و یکسان باشند. \\
نباید دارای اشتراک قوانین باشند. بدین معنی که تعداد توابع عضویت خروجی باید با تعداد قوانین برابر باشد و قواعد متفاوت نمی‌توانند در مورد خروجی توابع عضویت با هم مشترک باشند.  تمام قواعد باید دارای وزن واحد(1) باشند. در صورتی که ساختار \lr{FIS} فاقد هریک از شرایط ذکر شده باشد، در اجرا خطا رخ خواهد داد. 
\subsection{سابقه انجام طرح} 
\setcounter{footnote}{0}
وایسی و همکاران از پردازش تصویر به عنوان ابزاری برای ارزیابی کیفی میوه‌ها در جعبه‌های انبارداری استفاده کردند. به گفته ایشان پردازش تصویر ابزار مناسبی برای تخمین کیفیت میوه‌ها است ولی این روش باید درست بعد از برداشت و قبل از پر شدن میوه‌ها داخل جعبه انجام شود. بنابراین ایشان در این تحقیق از یک روش برای تجزیه و تحلیل عکس گرفته شده استفاده کردند که کیفیت میوه‌های ردیف اول جعبه‌ها را مشخص می کرد و الگوریتم تهیه شده برای سیب با موفقیت انجام شده است\cite{Vaysse2005}. گرجیان و همکاران مدلی را توسط شبکه عصبی پس‌انتشار برای فرایند خشک کردن لایه نازک، طراحی کردند. ایشان در این تحقیق محتوای رطوبت زرشک را توسط شبکه عصبی پیشگویی کردند. پارامترهایی نظیر دمای خشک کن(60، 70 و 80 درجه سانتیگراد) و سرعت هوای خشک کن (0.3، 0.5 و ا متر بر ثانیه) را به عنوان ورودی مدل و رطوبت را به عنوان خروجی مدل در نظر گرفتند. ضوابطی مانند آموزش الگوریتم، نرخ یادگیری، ضریب اندازه حرکت، تعداد لایه‌های مخفی و تعداد نرون‌ها در هر لایه مخفی و توابع مورد استفاده برای ساخت مدل بهینه‌سازی شده بودند. بهترین الگوریتم آموزش دیده \lr{Levenberg-Marguard} با کمترین \lr{MSE} بوده است. مقادیر بهینه نرخ یادگیری و اندازه حرکت به ترتیب 0.5 و 0.7 تنظیم شده بود. مقادیر \lr{MSE} با تابع \lr{logsig activation} برای لایه های 1-20-4 و 1-5-25-4 یه ترتیب 0.0031 و 0.001 بودند. و مقدار با تابع \lr{tansig activation} برای لایه های 1-20-4 و 1-15-15-4 به ترتیب 0.0029 و 0.0013 بودند\cite{Gorjian2011}. غضنفری و همکاران یک سیستم درجه‌بندی به کمک شبکه عصبی را برای دسته‌بندی چهار نوع مختلف پسته ساختند. شبکه‌عصبی استفاده شده شامل دو لایه مخفی و یک لایه خارجی بود و از خصوصیات فیزیکی پسته‌ها برای آموزش شبکه استفاده شده بود. کارکرد این سیستم با یک سیستم مجهز به شبکه عصبی چند لایه‌ای مقایسه شده و دقت جداسازی سیستم ساخته شده95 درصد بود که 9.8 درصد از سیستم دوم بیشتر می‌باشد\cite{Ghazanfari1996}. 
اسواگ وای و همکاران تعدادی خواص فیزیکی دانه‌های لوبیای روغنی آفریقایی را در محتوای رطوبتی 8.73 ± 0.09 با استفاده از روش‌های استاندارد به عنوان پیش‌درآمدی برای بدست آوردن اطلاعات وابسته برای طراحی ابزار، تجهیزات، ماشین و سیستم‌ها برای فرآوریشان تعیین کردند\cite{Asoegwu2006}. اکار و آیدین اعلام کردند که خواص فیزیکی محصولات کشاورزی پارامتر‌های مهمی برای تعیین استاندارد‌های درست طراحی سیستم‌های درجه‌بندی، انتقال دادن، فراوری و بسته‌بندی می‌باشد. خواص فیزیکی اصلی مرکبات شکل، اندازه، چگالی،جرم و اصطکاک در برابر سطوح مختلف می‌باشد\cite{Akar2005}. شبکه‌های عصبی مصنوعی در شناسایی و طبقه‌بندی محصولات کشاورزی جاهایی که هیچ همبستگی یا رابطه‌ی خطی وجود ندارد بسیار موثر می‌باشند. کاودیر و گایر یک شبکه عصبی بک پروپگیشن با خصوصیات بافتی استخراج شده از توزیع فضایی سطوح رنگی/خاکستری برای آشکارسازی عیب‌ها در سیب‌های گلدن و امپراطور توسعه دادند\cite{Kavdir2002}. سابلینی و راهمان اعلام کردند که شبکه عصبی یک مدل ساده می‌باشد و تقریب درستی از یک فرآیند پیچیده را ارائه می‌دهد. بنابراین \lr{ANN} یک پیشنهاد مفید برای جایگزینی با روش‌های متداول می‌باشد\cite{Sablini2003}. چیوما و همکاران معادله‌ای برای پیش‌بینی حجم مغز گندم با رطوبت 15.7درصد ارائه دادند. آن‌ها پیشنهاد کردند که حجم با استفاده از معادله $\mathrm{V=1.10S+17.2}$ با مساحت سطح در ارتباط می‌باشد\cite{Chuma1982}. راسخی و رئوفت مطالعه ای را بر روی پرتقال انجام دادند که هدف آن را مطالعه ترکیب روش‌های پردازش تصویر و شبکه عصبی برای توسعه الگوریتم جامعی برای درجه‌بندی میوه پرتقال در گروه‌های اندازه(کوچک، متوسط و بزرگ) اعلام کردند\cite{Rasekhi2011}. بلاسکو و همکاران یک سیستم بینایی‌ماشین را برای خراش های روی پوست مرکبات توسط یک الگوریتمی بررسی نمودند. آن‌ها اظهار داشتند که سیستم‌های بینایی‌ماشین اخیر، برای تشخیص پارامترها از پیکسل‌های موجود در عکس‌ها استفاده می کنند و این در حالی است که چنین سیستم‌هایی نیاز به آموزش توسط یک کارشناس برای طبقه‌بندی هر پیکسل متعلق به هر ناحیه داشت. همچنین در این سیستم‌ها با توجه به تغییرات رنگ محصولات بیولوژیکی از ناحیه ای به ناحیه دیگر، باید تغییراتی اعمال می‌شد. اما در الگوریتم ارائه شده توسط ایشان بجای مد نظر قرار گرفتن پیکسل رنگ‌ها، تفاوت بین ناحیه‌ها حائز اهمیت قرار گرفته بود بنابراین در این تحقیق مسئله تغییرات طبیعی رنگ میوه‌ها حل شد. این الگوریتم روی واریته‌های مختلف پرتقال و نارنگی ارزیابی شد و توانست 95 درصد عیوب میوه‌ها را تشخیص دهد\cite{Blasco2009}. کرامتی جهرمی و همکاران در مطالعه بعمل آمده بر روی میوه ترنج توانستند که جرم و مساحت سطح آن را بوسیله خواص فیزیکی مثل خصوصیات ابعادی و سطوح تصویر مدل کنند. آن‌ها گزارش دادند که همه ضرایب تعیین برای مدلینگ مساحت سطح بالاتر از 0.92 و بالاترین ضریب تعیین در همه مدل‌ها برای تعدادی ترکیبات سطح تصویر 1 می‌باشد\cite{KeramatJahromi2007}. 
\end{document}