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

Surjeet Kumar

ISBN 10: 6203944734 / ISBN 13: 9786203944730

Verlag: Edizioni Sapienza Jul 2021, 2021

Beschreibung

Neuware -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.Books on Demand GmbH, Überseering 33, 22297 Hamburg 56 pp. Italienisch.

Bestandsnummer des Verkäufers 9786203944730

Bibliografische Details

• Titel: Tecniche di soft computing per prevedere il futuro dell'agricoltura indiana
• Verlag: Edizioni Sapienza Jul 2021
• Erscheinungsjahr: 2021
• Sprache: Italienisch
• ISBN-10: 6203944734
• ISBN-13: 9786203944730
• Einband: Taschenbuch
• Zustand: Neu
• Abmessungen: 220B x 150 H x 4 T Millimeter Breite: 220 mm, Höhe: 150 mm, Tiefe: 4 mm
• Gewicht: 102 Gramm

Über diesen Titel

Inhaltsangabe

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.