کاربرد منطق فازی در درجه بندی کشمش

محورهای موضوعی : فصلنامه علمی -پژوهشی تحقیقات اقتصاد کشاورزی

ولی بریم‌نژاد ¹ (دانشیار گروه اقتصادی دانشگاه آزاد اسلامی واحد کرج)
آتنا افتخاری ² (دانشجوی کارشناسی ارشد دانشگاه آزاد اسلامی واحد کرج)

تاریخ دریافت : 1394/09/27 تاریخ پذیرش : 1394/09/27 تاریخ انتشار : 1390/07/01

کلید واژه: منطق فازی, درجه بندی, کشمش,

چکیده مقاله :

در بازاریابی محصولات کشاورزی، درجه‌بندی آن‌ها بسیار مهم است. اما هزینههای بالا، عدم یکنواختی و تناقضهای مرتبط با این درجه بندی باعث بروز مشکلاتی میگردد. به این جهت محققان سعی در معرفی روشی خودکار برای این مشکل دارند. هدف اصلی این مطالعه، بررسی و تنظیم برنامة فازی، منطبق بر درجهبندی محصول کشمش و مقایسه آن با ارزیابی دستی کیفیت کشمش توسط متخصصین است. در این مطالعه، از منطق فازی به عنوان یک سیستم پشتیبان تصمیمگیری در درجهبندی کشمش استفاده شده است. با استفاده از روش‌های گوناگون، ویژگیهای کیفی مانند رنگ، اندازه و نقصهای کشمش اندازهگیری شد. درجهبندی کشمش با کمک کارشناسان و همین طور طراحی سیستم فازی صورت گرفت. نتایج حاصل از فرایند فازی، برای کشمش، نمرات بین 30-100 را نشان داد که دامنة نمرات برای طبقة با بهترین کیفیت 80-93، برای طبقه متوسط 60-80 و برای طبقة با پایینترین کیفیت، 33-60 است. در نهایت نتایج به دست آمده از نمرهگذاری فازی، توافق کلی80% را با نتیجه کار کارشناسان نشان میدهد.  

چکیده انگلیسی:

The rating is very important for the marketing of agricultural products, but high costs, lack of uniformity and contradictions associated with this rating are caused problems. For this reason, researchers have tried to introduce an automatic way to solve these problems. The main goal of the study was apply fuzzy set based on product rating and compare it with the raisins that were assessed by experts. In order to rate raisins, fuzzy logic was used as decision support system. The qualitative features such as color, size and raisins defects were measured. With the help of experts as well as fuzzy system design, the rating was done. The results of the fuzzy scores were 30-100. The range of scores for the good class was 80-93, for the middle class was, 60-80 and for the lowest quality was 33-60. The results of the study showed that fuzzy scoring was 80 percent close to experts rating. It was concluded that this approach could simplify and automate the raisins rating.  

منابع و مأخذ:

1. Administration of Standard, Hamedan Province, (various years)

2. Akbari, N and M. Zahedi Keivan. 2007. Fuzzy logic and itsapplication to find an appropriate pattern for crops in a farm.Agricultural Economics,1(2).

3. Ambuel, J.R., T.S. Colvin and D.L.Karlen.1994, A fuzzy logicyield simulator for prescription farming. Transaction of theASAE,37(6):1999-2009

4. Ben-abdennour, A. and R.H. Mohtar .1996. An insightful fuzzylogic system for prevention of food shortage crisis: A tutorial and

a case study. ASAE Paper No. 963030, St. Joseph,I.

5. Chen, S. and E.G. Roger. 1994. Evaluation of cabbage seedlingqualityby fuzzy logic. ASAE Paper No. 943028, St. Joseph, MI.

6. Ghasemi, A and S. Mahmoodzadeh. 2010. Evaliation ofeconomic plans in uncertainty conditions (Fuzzy approach),

Economic Research journal, No.93, Winter 89, 83-108.

7. Grinspan, P., Y. Edan, E.H. Kahn and E. Maltz. 1994.A fuzzylogic expert system for dairy cow transfer between feedinggroups. Transactions of the ASAE,37(5)-1654.

8. Kavdir, I and D. E. Guyer. 2003. Apple Grading Using FuzzyLogic, Turk J Agric For 27 (2003) 375-382

9. Ki, N.H. and S.I. Cho. 1996. Autonomous speedsprayer usingmachine vision and fuzzy logic. ASAE Paper No.963009, St.Joseoh, MI.

10. Kurata, K.and N. Eguchi. 1990. Machine learning of fuzzy rulesfor ctop management in protected cultivation. Transactions of the, 33(4):1360-1368.

11. Lee, C.C. 1990. Fuzzy logic in control systems: Fuzzy logiccontroller-Part I and Part II. IEEE Transactions on Systems, Man,and Cybernetics, 20: 404-435.

12. Persian Mehrgostar Co. Quality Control Laboratory of raisins

13. Phillis, Y. A. and L. A. Andriantiatsaholiniaina. 2001.Sustainability: an illdefined concept and its assessment usingfuzzy logic, Ecological Economics, Vol. 37(3), P. 435- 456.

14. Shahin, M.A., Verma, B.P. and E.W. Tollner. 2000. Fuzzy logicmodelfor predicting peanut maturity. Transactions of the ASAE,43(2):483-490.

15. Shapiro, J.F., 2001. Modeling the Supply Chain. Duxbury, USA

16. Simonton, W. 1993. Bayesian and fuzzy logic classification forplantstructure analysis. ASAE Paper No. 933603, St. Joseph, MI.

17. Zadeh, L. A. 1965 . Fuzzy sets, Information and Control, 8, 338-353.

18. Zhang, Q.,B.J.Litchfield and B.Joseph. 1990. Fuzzy predicton ofcor breakage. ASAE Paper No. 966538, St. Joseph, MI.