هیبرید شبکه عصبی مصنوعی با الگوریتم‌های فرااکتشافی در پیش‌بینی عملکرد نیشکر

در این پژوهش برای پیش‌بینی عملکرد نیشکر از شبکه عصبی مصنوعی مبتنی بر الگوریتم‌های فرااکتشافی به عنوان یک روش کارآمد که تخمین عملکرد محصول را بر اساس داده‌های واقعی به دست می‌آورد، استفاده شده است. به منظور پیش‌بینی عملکرد نیشکر از پارامترهای موثری نظیر مشخصات گیاه، هدایت الکتریکی آب و خاک، حداکثر درجه حرارت و میانگین ساعات آفتابی در طول دوره رشد محصول و در مقیاس زمانی هفت ساله استفاده گردید. بر همین اساس از چهار الگوی آموزشی در ساخت شبکه‌های عصبی استفاده شد که به ‌ترتیب شامل شبکه عصبی مصنوعی مبتنی بر الگوریتم پس انتشار خطا، ترکیب شبکه عصبی با الگوریتم ژنتیک، ترکیب شبکه عصبی با الگوریتم ازدحام ذرات و در آخر رویکرد نوین ترکیب شبکه عصبی با الگوریتم مرکب ژنتیک ازدحام ذرات بوده‌اند. نتایج بدست آمده از پژوهش، حاکی از آن است که استفاده از الگوریتم‌های فرااکتشافی سبب بهبود عملکرد شبکه عصبی شده و قدرت پیش‌بینی را به طور محسوسی افزایش داده است. مقادیر میانگین مربعات خطا و ضریب همبستگی برای روش ترکیبی شبکه عصبی، الگوریتم ژنتیک و الگوریتم ازدحام ذرات به‌ترتیب 0.00057 و 0.91457 برای داده‌های آزمایش بدست آمد که برتری این روش را نسبت به سایر الگوها نشان می‌دهد. علاوه بر این، اعتبارسنجی متقاطع مدل پیشنهادی به روش k نزدیک‌ترین همسایه نشان داد که صحت داده‌های آموزشی و آزمایشی به منظور پیش‌بینی عملکرد نیشکر به ترتیب برابر با 98.5 و 95.5 درصد بوده است.

Hybrid Artificial Neural Network with Metaheuristic Algorithms for Predicting Sugarcane Yield

In this study, to predict sugarcane yield, an Artificial Neural Network based on metaheuristic algorithms is used as an efficient method to estimate crop yield based on actual data. In order to predict sugarcane yield, effective parameters such as plant characteristics, electrical conductivity of soil and water, maximum temperature and average hours of sunshine during the growing season and on a time scale of seven years were used. Accordingly, four hybrid models were used to build neural networks which including of artificial neural network based on Back Propagation (BP) algorithm, combining neural network with Genetic Algorithm (GA), combining neural network with Particle Swarm Optimization (PSO) algorithm and finally a new approach as combining neural network with GAPSO. The results show that the neural network performance can be improved using metaheuristic algorithms and can be increased significantly the prediction power. The Mean Square Error (MSE) and correlation coefficient (R) in the hybrid method of neural network with GAPSO were obtained 0.00057 and 0.91457 respectively on the test data, which show the superiority of this method to other patterns. In addition, cross validation test of the proposed model by KNearest Neighbors showed the accuracy of training and test data to predict sugarcane yield has been equal to 98.5% and 95.5%, respectively.