在现场使用大型机器学习和神经计算模型评估越野农业引力
Frankline Mwiti1,2, Ayub Gitau3,4, Duncan Mbuge3
1Department of Environmental and Biosystems Engineering, Machinery Section, University of Nairobi, P.O.Box 30197, 00100, Nairobi, Kenya. franklinemwiti2@gmail.com.
Scientific reports
|September 26, 2025
概括
深度神经网络 (DNN) 和人工神经网络 (ANN) 模型使用土壤机器变量准确预测农业引力 (FTr). DNN trainlm模型实现了卓越的性能和更快的计算,用于现场决策.
科学领域:
- 农业工程 农业工程
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 在复杂的农业操作中,准确的现场决策需要智能系统.
- 人工神经认知模型,包括深度神经网络 (DNN) 和人工神经网络 (ANN),可以模拟人类大脑的智能进行此类任务.
- 预测引力 (FTr) 对于优化农业机械操作至关重要.
研究的目的:
- 通过使用各种机器学习算法和神经计算架构,研究引力 (FTr) 的神经认知预测.
- 为了比较DNN和ANN模型在不同土壤机器条件下预测FTr的性能和可靠性.
- 评估元启发式优化和特定激活函数对模型准确性和计算效率的影响.
主要方法:
- 使用12个机器学习算法与DNN和ANN模型训练了72个神经计算架构.
- 利用了14个土壤机器输入变量,并通过metaheuristic算法对高达5万个时代的超参数进行了优化.
- 使用R2,RMSE,MAE,PA和可靠性指数 (a20,IOS,IOA) 等指标评估模型性能,并补充泰勒分析和安德森-达林测试.
主要成果:
- DNN莱文伯格-马奎特 (trainlm) 模型 (14-7-5-1架构) 显示出优异的预测性能 (RMSE = 1.03e-5,R2 = 1.0,PA = 99.994%).
- 该ANN贝叶斯规范化 (trainbr) 模型 (14-72-1架构) 也显示出出色的结果 (RMSE = 4.0e-4,R2 = 0.9999,PA = 99.935%) 具有高可靠性.
- 两种模型都表现出高可靠性,蒙特卡洛一致性和预测的正常性,DNN trainlm模型提供更快的计算,尽管有更多的时代.
结论:
- DNN (trainlm) 和ANN (trainbr) 模型对于农业引力 (FTr) 的现场预测具有高度可靠性和准确性.
- 激活函数的选择 (DNN的log-sig-tan-sig-purelin,ANN的tan-sig/purelin) 适用于FTr的预测.
- 像蜘蛛黄蜂优化 (SWO) 这样的元启发式优化,显著提高了这些神经认知模型在农业应用中的预测能力.
