هيبريد شبكه عصبي مصنوعي با الگوريتم‌هاي فرااكتشافي در پيش‌بيني عملكرد نيشكر

در اين پژوهش براي پيش‌بيني عملكرد نيشكر از شبكه عصبي مصنوعي مبتني بر الگوريتم‌هاي فرااكتشافي به عنوان يك روش كارآمد كه تخمين عملكرد محصول را بر اساس داده‌هاي واقعي به دست مي‌آورد، استفاده شده است. به منظور پيش‌بيني عملكرد نيشكر از پارامترهاي مؤثري نظير مشخصات گياه، هدايت الكتريكي آب و خاك، حداكثر درجه حرارت و ميانگين ساعات آفتابي در طول دوره رشد محصول و در مقياس زماني هفت ساله استفاده گرديد. بر همين اساس از چهار الگوي آموزشي در ساخت شبكه‌هاي عصبي استفاده شد كه به ‌ترتيب شامل شبكه عصبي مصنوعي مبتني بر الگوريتم پس انتشار خطا، تركيب شبكه عصبي با الگوريتم ژنتيك، تركيب شبكه عصبي با الگوريتم ازدحام ذرات و در آخر رويكرد نوين تركيب شبكه عصبي با الگوريتم مركب ژنتيك ازدحام ذرات بوده‌اند. نتايج بدست آمده از پژوهش، حاكي از آن است كه استفاده از الگوريتم‌هاي فرااكتشافي سبب بهبود عملكرد شبكه عصبي شده و قدرت پيش‌بيني را به طور محسوسي افزايش داده است. مقادير ميانگين مربعات خطا و ضريب همبستگي براي روش تركيبي شبكه عصبي، الگوريتم ژنتيك و الگوريتم ازدحام ذرات به‌ترتيب 0.00057 و 0.91457 براي داده‌هاي آزمايش بدست آمد كه برتري اين روش را نسبت به ساير الگوها نشان مي‌دهد. علاوه بر اين، اعتبارسنجي متقاطع مدل پيشنهادي به روش k نزديك‌ترين همسايه نشان داد كه صحت داده‌هاي آموزشي و آزمايشي به منظور پيش‌بيني عملكرد نيشكر به ترتيب برابر با 98.5 و 95.5 درصد بوده است.