Tecniche di soft computing per prevedere il futuro dell'agricoltura indiana : Codifica MATLAB

Surjeet Kumar

ISBN 10: 6203944734 / ISBN 13: 9786203944730

Editore: Edizioni Sapienza, 2021

Riguardo questo articolo

nach der Bestellung gedruckt Neuware - Printed after ordering - L'India, che ha la maggiore superficie agricola coltivata al mondo, è uno dei massicci coltivatori di colture. Inoltre, il riso e il grano sono i principali alimenti di base di molti indiani. Lo scopo principale di questo studio è quello di sviluppare un modello predittivo sulla produzione agricola indiana. Qui, abbiamo usato diversi tipi di modelli di soft computing come la logica Fuzzy, le equazioni statistiche, la rete neurale artificiale (ANN) e l'algoritmo genetico (GA) e abbiamo cercato di sviluppare un modello ibrido per ottenere un risultato ottimale. L'aspetto vitale di questo modello di previsione proposto è quello di ottenere una migliore accuratezza. La performance di predizione è stata valutata usando equazioni di ricerca dell'errore come Mean Squared Error (MSE), Root Mean Square Error (RMSE) e Average Error.

Codice articolo 9786203944730

Dati bibliografici

• Titolo: Tecniche di soft computing per prevedere il futuro dell'agricoltura indiana : Codifica MATLAB
• Editore: Edizioni Sapienza
• Data di pubblicazione: 2021
• Lingua: Italiano
• ISBN 10: 6203944734
• ISBN 13: 9786203944730
• Rilegatura: Taschenbuch
• Condizione: Neu
• Dimensioni: 220 L x 150 A x 4 P (millimetri) 220 millimetri di larghezza per 150 millimetri di altezza per 4 millimetri di profondità
• Peso: 102 grammi

Descrizione articolo

Riassunto

L'India, che ha la maggiore superficie agricola coltivata al mondo, è uno dei massicci coltivatori di colture. Inoltre, il riso e il grano sono i principali alimenti di base di molti indiani. Lo scopo principale di questo studio è quello di sviluppare un modello predittivo sulla produzione agricola indiana. Qui, abbiamo usato diversi tipi di modelli di soft computing come la logica Fuzzy, le equazioni statistiche, la rete neurale artificiale (ANN) e l'algoritmo genetico (GA) e abbiamo cercato di sviluppare un modello ibrido per ottenere un risultato ottimale. L'aspetto vitale di questo modello di previsione proposto è quello di ottenere una migliore accuratezza. La performance di predizione è stata valutata usando equazioni di ricerca dell'errore come Mean Squared Error (MSE), Root Mean Square Error (RMSE) e Average Error.