"В данной статье рассматривается нормализация входных данных для прогнозирования урожайности пшеницы. Объектом исследования в рамках статьи являются входные данные нейронной сети. В рамках данного исследования рассматривается влияние таких параметров как, внесение удобрений, содержащих фосфор и азот на урожайность пшеницы с 1997 года по 2021 год. В ходе исследования были рассмотрены методы нормализации такие как минимаксная, z-средняя и робостная нормализация. В последующем была осуществлена нормализация имеющихся входных данных. С помощью полученных данных была обучена нейронная сеть прогнозирования урожайности пшеницы. В итоге был проведен сравнительный анализ способов нормализации по таким показателям, как ошибка обучения и точность обучения. По результатам исследования робостный метод нормализации привел к наилучшему результату: ошибка 0,01. Полученные результаты объясняются тем, что, когда к одному и тому же набору данных применяются разные типы методов нормализации с использованием одного и того же метода машинного обучения, результат может отличаться. Робостная нормализация проста в использовании и дает улучшенный результат по сравнению с другими методами нормализации. Ключевые слова: нейронная сеть, нормализация, прогнозирование, зерновые культуры, фосфор, удобрение."
Зерттеудің мақсаты мобильдік қосымшанынң концептулды моделін сызудың үлкен мағыздылығын қарастырып, оны эксперимент арқылы дәлелдеп көрсету болып табылды. Осы мақсатқа жету үшін студенттердің қозғалысын бақылайтын мобильдік қосымшаның концептуалды моделі көрсетілген. Сонымен қатар модельдеудің басты мақсаттың бірі моделдеу диаграммалардың арасында тиістісін таңдап қосымшаның бөлшектерінің арасындағы логикалық қатынасты дұрыс көрсету, біздің жағдайды Use Case және Sequential диаграмма арқылы қосымша қолданушысымен оның әрекетінің моделін, әрі сол бизнес-процесстерді декомпозициалауын көрсету. Себебі қосымшаның концептуалды моделі арқылы қосымшаның пайланушыларының әрекеттерін және солардың өзара қатынасын көрсетіп бағдарламаушының қателерінің алдын алу болып табылады. Аталмыш эксперимент бойынша, топқа бөлінген бағдарламалаушылардың жіберілген қателері есептелініп, пайыз қатынасымен көрсетілді, яғни концептулды модельмен істеген топта 20 % қате кетті, ал модельсіз жасаған топта 65 % қате кетті. 65 % қате концептуалды модельдегі көрсетілген объектілердің өзара қатынастарын алмастырып алудан тұрады. Яғни объектілерге әрекеттер дұрыс тағайындалмаған, бағдарламалаушылар мәселені дұрыс түсінбеген, бірнеше рет есепті қайталап жібергені кездесті. 20 % қате бағдарламалаушылар өздігінен қандайда бір функция қосыт, ол функция басқа бір функцияға әсері тигеннен шықты.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.