[論文レビュー] Design and Development of Artificial Neural Networking (ANN) system using sigmoid activation function to predict annual rice production in Tamilnadu

Savadam Balaji, K. Baskaran|arXiv (Cornell University)|Mar 8, 2013

Neural Networks and Applications参考文献 8被引用数 6

ひとこと要約

本研究では、インドのタミル・ナードゥ州の31の県にわたり、シグモイド活性化関数を用いたフィードフォワード・バックプロパゲーション型人工ニューラルネットワーク（ANN）を設計し、年間の米生産量を予測した。6つの入力変数（3つの季節における耕作面積および生産量）を用いて、誤差を繰り返し最小化することで誤差をゼロに近づけるバックプロパゲーションを実行した結果、非線形で複雑な農業生産量の予測において、極めて高い精度を達成した。

ABSTRACT

Prediction of annual rice production in all the 31 districts of Tamilnadu is an important decision for the Government of Tamilnadu. Rice production is a complex process and non linear problem involving soil, crop, weather, pest, disease, capital, labour and management parameters. ANN software was designed and developed with Feed Forward Back Propagation (FFBP) network to predict rice production. The input layer has six independent variables like area of cultivation and rice production in three seasons like Kuruvai, Samba and Kodai. The popular sigmoid activation function was adopted to convert input data into sigmoid values. The hidden layer computes the summation of six sigmoid values with six sets of weightages. The final output was converted into sigmoid values using a sigmoid transfer function. ANN outputs are the predicted results. The error between original data and ANN output values were computed. A threshold value of 10-9 was used to test whether the error is greater than the threshold level. If the error is greater than threshold then updating of weights was done all summations were done by back propagation. This process was repeated until error equal to zero. The predicted results were printed and it was found to be exactly matching with the expected values. It shows that the ANN prediction was 100% accurate.

研究の動機と目的

• タミル・ナードゥ州の31の県における年間米生産量を予測するための人工ニューラルネットワーク（ANN）システムの開発を目的とする。
• 土壌、天候、病害虫、人的労働力といった複数の相互に依存する要因が影響を与える非線形的かつ複雑な米生産の性質に対処することを目的とする。
• シグモイド活性化関数が農業生産量予測の精度向上に寄与する有効性を評価することを目的とする。
• 誤差閾値を厳密に10^-9に設定したバックプロパゲーション学習アルゴリズムを実装し、正確な値への収束を保証することを目的とする。
• 実際の歴史的米生産データと予測出力の比較を通じて、モデルの性能を検証することを目的とする。

提案手法

• 1つの隠れ層を有するフィードフォワード・バックプロパゲーション（FFBP）ニューラルネットワークアーキテクチャを採用した。
• 3つの季節（クルヴァイ、サマ、コダイ）における耕作面積および米生産量の合計6つの入力変数を用いた。
• 入力データを非線形マッピングに変換するため、シグモイド活性化関数を適用した。
• 6組の学習可能な重みを用いて、隠れ層におけるシグモイド変換済み入力の重み付き和を計算した。
• 出力層に最終的なシグモイド変換関数を適用し、予測された米生産量を出力した。
• 誤差が10^-9の閾値未満に低下するまで、繰り返し重みを更新するバックプロパゲーションを実装した。

実験結果

リサーチクエスチョン

• RQ1 シグモイド活性化関数を用いたANNモデルは、タミル・ナードゥ州の31の県における年間米生産量を正確に予測できるか？
• RQ2 農業生産量予測において、バックプロパゲーションアルゴリズムは予測誤差をほぼゼロにまで低減できるか？
• RQ3 シグモイド活性化関数の使用が、米生産データにおける非線形関係を捉えるモデルの能力をどの程度向上させるか？
• RQ4 指定された誤差閾値のもとで、予測値と実際の米生産量の値が完全に一致するか？
• RQ5 季節的および面積ベースの入力変数を組み込むことで、予測精度にどのような影響が生じるか？

主な発見

• ANNモデルは100％の予測精度を達成し、予測出力が期待される歴史的米生産量と完全に一致した。
• 繰り返し行われたバックプロパゲーションにより、実際の値と予測値の誤差がゼロにまで低下し、10^-9の閾値基準を満たした。
• シグモイド活性化関数により、入力データの非線形変換が成功し、複雑な農業変数へのモデルの感受性が向上した。
• モデルは強固な収束を示し、選択されたアーキテクチャおよび学習パラメータが、与えられたデータセットに対して有効であることが示された。
• 結果から、シグモイド活性化関数を用いたFFBPネットワークは、地域レベルの農業生産量予測に非常に正確なツールとして機能できることを確認した。
• 正確な値の一致が達成されたことから、政策立案や計画立案の分野において、本システムの汎用性と信頼性が高く評価できる。