İşletmelerdeki Verimliliğin Tahmin Edilebilmesi ve Bu Verimliliği Etkileyen Faktörlerin Mlp Tipi Yapay Sinir Ağları Tekniği ile Belirlenmesi/Predicting Productivity of Businesses and Identifying the Factors, Which Affect Productivity with The Mlt Type Art

Ahmet Ergülen, Derviş Topuz
3.127 670

Öz


Araç ve tekniklerin yönetim düzeyinde kalite yönetim sistemleri ve organizasyonun tüm bölümlerinde sürekli kalite gelişimini sağlayacak teknolojideki gelişmelere paralel olarak istatistiksel paket programlarından, MATLAB “Neural Network Toolbox” yapay sinir ağı araç kutucuğunun yapılması, birçok bilim dalında isabetli tahminlerin yapılmasını sağlamıştır.

Bu çalışmada genel olarak yapay sinir ağları tanıtılacak ve Niğde ilindeki farklı ırklarla süt sığırcılığı yapan işletmelerdeki hayvancılık alanındaki uygulamaları daha iyi bir şekilde gösterebilmek için, işletmelerden alınan çeşitli ırklar üzerinde süt verimi uygulaması incelenerek tekniğin avantaj ve dezavantajları belirlenmeye çalışılmıştır.

Laktasyon süt verimlerini(kg) tahmin etmek için yapay sinir ağları MLP tabanlı 90 baş siyah alaca, montofon(esmer), ve yerli ırklara ait veriler yapay sinir ağları eğitiminde kullanılmıştır. Bu analiz sonucunda da elde edilen istatistiksel değerler ile ölçüm sonucu elde edilen değerler karşılaştırılmıştır.

Bu çalışmanın amacı, hayvancılık alanında çalışan araştırmacılara süt veriminin tahmini için bu yöntemi kullanmalarını tavsiye ederek, en ekonomik süt verimini bulmak.

Anahtar Sözcükler: Yapay zeka, yapay sinir ağı, tarım, laktasyon süt verimi

Abstract

Many science fields have right/correct predictions as a result of the development of one of the statistical package programs, MATLAB “Neutral Network Toolbox” in parallel to the technological developments, which will contribute to the sustainable quality development in all sections of organisations and to the quality management system on the management levels of means and techniques.

This study introduces artificial neural network and tries to determine the technique's advantages and disadvanatges by examining the datas of the milk productivity  of different cattle-races provided by businesses , in order to show better the cattle-dealing practices of businesses, which produces  milk out of different cow-races.

In order to predict lactose milk productivity, the articifial neural network (MLB) based datas of 90 black, (montofon) and local races are used in artificial neural network education. Then the statistical values gathered in advance are compared with the results of measurement.

This study aims to find most economicall milk productivity, suggesting this method to the researchers working on cattle-dealing for predicting milk productivity.

Key Words: Artificial Intelligence, Artificial Neural Network, Agriculture, lactose milk productivity.


Tam metin:

PDF

Referanslar


Aksoğan, O. (1986): Nonlineer Yapı Analizi, Yapı Mekaniğinde Son Gelişmeler.

Alahverdi, N, (1987) Yapay zeka yöntemleri ve tarımda uygulamaları. Selçuk Üniversitesi, Teknik Bilimler Meslek Yüksekokulu.

Bose, N.K. ve Liang, P,(1996) Neural Network Fundamentals with Graphs, Algorithms and Applications, McGraw-Hill, New York.

Basturk, L.O.,(2000) Developing of Learning Algorithm and Investigating of the Network Performance and Sensitivity for Various Problems in Conic Section Function Neural Networks, Doktora Tezi, Yıldız Teknik Üniversitesi, İstanbul.

Elizondo D, G.Hoogenboom and McClendon R.W.,(1994) “Development of a Neural Network Model to Predict Daily Solar Radiation, Agricultural and Forest Meteorology”, 71, pp.115-132.

Elizondo D.A, McClendon R.W., and Hoogenboom G.(1994) “Neural Network Models for Predicting Flowering and Physiological Maturity of Soybean, Transactions of the ASAE”, Vol.37(3), pp.981-988.

Kohonen, T. (1987) : State of the Art in Neural Computing. “Int. Conf. on AI”, pp. 1-79, 1-90.

McClure J.C., Calvin D.D. and Esh V.(1996) Pest Management Choices: Integrating Pesticide Toxicity Data with a Crop Management Expert System, Proceedings of 6th Intern.Conf. on Computers in Agriculture, Mexico, pp.520-527.

McClendon R.W., Hoogenboom G. and Seginer I.(1996) “Optimal Control and Neural Networks Applied to Peanut Irrigation Management, Transactions of the ASAE”, Vol.39(1) pp.275-279.

Öztemel, E., (2003) Yapay Sinir Ağları, Papatya Yayıncılık.

Önder, E., Kaynak, O, (2000) Yapay sinir ağları ve uygulamaları, Istanbul.

Parmar R.S. (1997)“Et all Estimation of Aflatoxin Contamination in Preharvest Peanuts Using Neural Networks, Transactions of the ASAE”, Vol.40(3), pp.809-813.

Sımpson, P. K. (1991): Neural Network Paradigm, AGARD, 179, pp. 2(1-33)

Sundin, S., Braban-Ledoux, C, (2001) “Artificial intelligence-based decisionsupport technologies in pavement management, Computer-Aided Civil andInfrastructure Engineering”, Vol. 16, pp. 143-157.

Szewezyk, Z.P.; Hajela, P. (1992): Neural Networks Based Damage Detection in Structures, In Procc. of eight Conf. on Computing in Civil Eng., pp. 1163-1170, Texas

Şen,. Z. (2004). Yapay Sinir Ağları ilkeleri.

Tamari S., Ruiz-Sudrez J.C. and Wösten J.H.M.(1996) Testing an Artificial Neural Network for Predicting Soil Hydraulic Conductivity, Proceedings of 6th Intern.Conf. on Computers in Agriculture, Mexico, pp.912-919.

Tsoukalas, L.H. and Uhrig, E.R.,(1997) Fuzzy and neural approaches in engineering,John Wiley & Sons, Inc.

Zurada, J. M., (1992): “Introduction to Artificial Neural Networks”,West Publishing Com.

Eminoğlu,U, Yalçınöz, T, Herdem,S. (2002). Yapay sinir ağları ile Niğde bölgesinin elektrik yük tahmini. Elektrik Elektronik Bilgisayar Müh. Sempozyumu (s.25-29). Bursa