[논문 리뷰] 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)|2013. 03. 08.

Neural Networks and Applications참고 문헌 8인용 수 6

한 줄 요약

이 연구는 인도 타밀 나라드의 31개 지구에서 연간 밀생산을 예측하기 위해 시그모이드 활성화 함수를 사용한 피드포워드 백프로파게이션 인공신경망(ANN)을 설계한다. 세 단계의 수확량과 경작 면적을 포함한 여섯 개의 입력 변수를 사용하여, 백프로파게이션을 통해 오차를 반복적으로 최소화함으로써 오차를 0으로 줄였고, 이로써 복잡한 비선형 농업 생산량 예측에 높은 정밀도를 보였다.

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.

연구 동기 및 목표

• 타밀 나라드의 31개 지구에서 연간 밀 생산을 예측하기 위한 인공신경망(ANN) 시스템을 개발하기 위해.
• 토양, 기후, 해충, 노동력 등 상호의존적인 요인들이 영향을 미치는 복잡하고 비선형적인 밀 생산의 특성을 다루기 위해.
• 예측 정확도 향상에 기여하는 시그모이드 활성화 함수의 효과를 평가하기 위해.
• 정확한 값에 수렴하기 위해 엄격한 오차 임계값(10^-9)을 설정한 백프로파게이션 학습 알고리즘을 구현하기 위해.
• 실제 역사적 밀 생산 데이터와 예측 결과를 비교하여 모델 성능을 검증하기 위해.

제안 방법

• 한 개의 은닉층을 가진 피드포워드 백프로파게이션(FFBP) 신경망 아키텍처를 사용하였다.
• 세 단계(쿠루바이, 샘바, 코다이)에서의 경작 면적과 밀 생산량을 포함한 여섯 개의 입력 변수를 사용하였다.
• 입력 데이터를 비선형 매핑을 위해 시그모이드 변환값으로 변환하기 위해 시그모이드 활성화 함수를 적용하였다.
• 은닉층에서 입력값의 가중치 합을 계산하기 위해 여섯 쌍의 학습 가능한 가중치를 사용하였다.
• 출력층에서 예측된 밀 수확량을 산출하기 위해 최종 시그모이드 전달 함수를 적용하였다.
• 오차가 10^-9 이하가 될 때까지 반복적으로 가중치를 갱신하기 위해 백프로파게이션을 구현하였다.

실험 결과

연구 질문

• RQ1 시그모이드 활성화 함수를 사용한 ANN 모델은 타밀 나라드의 31개 지구에서 연간 밀 생산을 정확하게 예측할 수 있는가?
• RQ2 백프로파게이션 알고리즘이 농업 수확량 예측에서 오차를 거의 0에 수렴하도록 효과적으로 최소화하는가?
• RQ3 시그모이드 활성화 함수의 사용이 밀 생산 데이터의 비선형 관계를 포착하는 데 모델 능력에 얼마나 기여하는가?
• RQ4 지정된 오차 임계값 하에서 예측값과 실제값 간의 정확한 일치를 달성하는가?
• RQ5 계절 및 면적 기반 입력 변수를 통합함으로써 예측 정확도에 어떤 영향을 미치는가?

주요 결과

• ANN 모델은 100% 예측 정확도를 달성하여, 예측된 출력값이 기대되는 역사적 밀 생산량과 정확히 일치하였다.
• 반복적인 백프로파게이션을 통해 실제값과 예측값 간의 오차가 0으로 감소하였고, 이는 10^-9의 임계값 기준을 충족하였다.
• 시그모이드 활성화 함수는 입력 데이터의 비선형 변환을 성공적으로 수행하여 복잡한 농업 변수에 대한 모델 민감도를 향상시켰다.
• 모델는 강력한 수렴성을 보였으며, 이는 선택된 아키텍처와 학습 파rameter가 주어진 데이터셋에 효과적이었다는 것을 시사한다.
• 결과적으로 FFBP 네트워크에 시그모이드 활성화 함수를 적용한 모델는 지역 농업 수확량 예측 도구로 매우 정확한 수단이 될 수 있음을 확인하였다.
• 예측값이 정확히 일치하는 능력은 정책 수립 및 계획 수립 목적에 있어 강력한 일반화 능력과 신뢰성을 지닌다는 것을 시사한다.