[论文解读] 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 6

一句话总结

本研究设计了一种具有S型激活函数的前馈反向传播人工神经网络（ANN），用于预测印度泰米尔纳德邦31个地区的年度水稻产量。通过使用六个输入变量（三个季节的种植面积和产量），该模型通过反向传播迭代将误差最小化至零，实现了100%的预测准确率，展示了在预测复杂非线性农业产出方面的高精度。

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.

研究动机与目标

• 开发一种人工神经网络（ANN）系统，用于预测泰米尔纳德邦全部31个地区的年度水稻产量。
• 解决受土壤、天气、病虫害和劳动力等多种相互依赖因素影响的水稻产量的非线性和复杂性。
• 评估S型激活函数在提高农业产量预测准确率方面的有效性。
• 实施具有严格误差阈值（10^-9）的反向传播学习算法，以确保收敛至精确值。
• 通过将预测输出与实际历史水稻产量数据对比，验证模型性能。

提出的方法

• 采用具有一个隐藏层的前馈反向传播（FFBP）神经网络架构。
• 使用六个输入变量：三个季节（Kuruvai、Samba、Kodai）的种植面积和水稻产量。
• 应用S型激活函数将输入数据转换为S型值，实现非线性映射。
• 在隐藏层中，使用六组可训练权重计算S型转换后输入的加权和。
• 在输出层应用最终的S型转移函数，生成预测的水稻产量。
• 实施反向传播以迭代更新权重，直至误差降至10^-9阈值以下。

实验结果

研究问题

• RQ1 具有S型激活函数的ANN模型能否准确预测泰米尔纳德邦31个地区的年度水稻产量？
• RQ2 反向传播算法在农业产量预测中将预测误差最小化至接近零水平方面有多有效？
• RQ3 使用S型激活函数在多大程度上增强了模型捕捉水稻产量数据中非线性关系的能力？
• RQ4 在指定误差阈值下，该模型是否实现了预测值与实际水稻产量值的完全匹配？
• RQ5 结合季节性和面积相关输入变量对预测准确率有何影响？

主要发现

• 该ANN模型实现了100%的预测准确率，预测输出与预期的历史水稻产量值完全一致。
• 通过迭代反向传播，实际值与预测值之间的误差被减少至零，满足10^-9阈值标准。
• S型激活函数成功实现了输入数据的非线性转换，增强了模型对复杂农业变量的敏感性。
• 该模型表现出稳健的收敛性，表明所选架构和训练参数对给定数据集是有效的。
• 结果证实，具有S型激活函数的FFBP网络可作为区域农业产量预测的高精度工具。
• 该系统能够精确匹配实际值，表明其在泰米尔纳德邦政策制定和规划方面具有强大的泛化能力和可靠性。