Desempenho de redes neurais artificiais (RNAs) para predição do status N de pastagens de Mavuno

• Processo: 21/00073-4
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de fevereiro de 2021
• Data de Término da vigência: 28 de fevereiro de 2021
• Área de conhecimento: Ciências Agrárias - Zootecnia - Pastagens e Forragicultura
• Pesquisador responsável: Adriano Rogério Bruno Tech
• Beneficiário: Raíne Fonseca de Mattos
• Instituição Sede: Faculdade de Zootecnia e Engenharia de Alimentos (FZEA). Universidade de São Paulo (USP). Pirassununga , SP, Brasil
• Vinculado ao auxílio: 20/00345-1 - Determinação do status de nitrogênio em pastagens de capim Mavuno por meio de análise de imagens utilizando redes neurais artificiais (RNAs), AP.R
• Assunto(s): Pastagens Fertilização Capim mavuno Predição Redes neurais (computação) Processamento digital de imagens
• Palavra(s)-Chave do Pesquisador: Melhores práticas de fertilização e manejo | Processamento Digital de Imagens - PDI | Redes Supervisionadas (ANN) | Aplicações da Zootecnia de Precisão no manejo de pastagem

Resumo

O aluno será responsável pela implementação da RNA, basicamente, três tipos de RNA serão implementadas. A rede será simulada com a Feed Forward Backpropagation (FFBP) e Cascade Forward backpropagation (CFBP), além de uma função de base radial (RBF). Para FFBP e CFBP, a topologia serão testadas usando apenas uma camada oculta e 5, 10 ou 15 neurônios na camada intermediaria, e o algoritmo de aprendizado Levenberg-Marquardt (LM) será usado para ambos os modelos de RNA. Também serão testadas combinações entre duas funções de transferência, TANSIG e LOGSIG (Yi et al., 2007; Yi et al., 2010), com o objetivo de identificar o melhor arranjo para a rede em função do desempenho de validação. Para testar o RBF, o valor central inicial será determinado a partir dos dados de entrada obtidos aleatoriamente e será iniciado usando o algoritmo k-means, a distância euclidiana será definida para medir a distância entre o vetor de entrada P e o nó j da camada oculta, usando um o valor de spread 1 e a meta 0,0001, e uma função gaussiana transferirá a distância euclidiana para dar saída a cada nó (Rahmat e Nababan, 2018).