TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 12, No. 10, Octobe r 20 14, pp. 7404  ~ 741 1   DOI: 10.115 9 1 /telkomni ka. v 12i8.536 9          7404     Re cei v ed  De cem ber 1 5 , 2013; Re vi sed  Jun e  25, 201 4; Acce pted July 22, 20 14   Resear ch on Grain Yield Prediction Method Based on  Improved PSO-BP      Liguo Zhang * 1 , Jiangtao  Liu 2 , Lifu Zhi 3    1 Colle ge of Info rmation Sci enc e &  T e chnol og y, Agricu ltur a l  Univers i t y   of Hebe i, Heb e i Ba odi ng, 07 100 1,   Chin a   2 Colle ge of Me chan ical a nd El ectronic En gin eeri ng, Ag ricu ltural U n ivers i t y   of Hebe i, Heb e i  Baod ing,  071 00 1, Chin a   3 Departme n t of Electric and El ectronic En gin eeri ng,  Shij iaz hua ng Voc a tio nal T e chnol og y Institute,  Shiji azh u a ng, Heb e i 05 00 81, Chin a   *Corres p o ndi n g  author, e-ma i l : Z hangl igu o 2 006 @12 6 .com, Liuji a n g tao 2 0 0 3 @1 26.com        A b st r a ct  Aimed at the h i ghly n onl in ear  and u n certa i nt y of  grain yi eld  chan ges, a ne w  method for g r ain yi el d   pred iction  bas e d  on  i m pr ove d   PSO-BP is pro pose d . By  i n tro duci ng  mutatio n  op erati on  an d ad aptiv e a d j u st  of inertia w e i g ht, the probl e m  of easy to f a ll i n to lo c a l o p timu m, pre m a t ure, low  preci s ion a nd l o w  later   iteratio n efficie n cy of PSO a r e solve d . By  usin g  the i m pr oved PSO to  opti m i z e  BP n eura l  netw o rk ’s  para m eters, th e l earn i n g  rate  an d o p ti mi z a t i on c apa bi lity of  conv entio na l  BP are  effectiv ely i m prov ed.  T h e   simulati on  res u lts of gr ai n p r oducti on  pre d i c tion s how  tha t  the pr edict  a ccuracy of t h e  new   meth od  is   signific antly  hi gher th an th at of conve n tio nal  BP neur al n e t w ork meth od,  and th e  meth o d  is effective  a n d   feasib le.     Ke y w ords :   particl e sw arm o p ti mi z a t i o n  (PSO), mut a tion,  a d a p tiv e  ad just, Bac k -prop agati o n  neur al   netw o rk, grain  Yiel d pred ictio n     Co p y rig h t   ©  2014 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion  Grain  proble m  is  a colo ssal majo r p r obl em fo r  a  cou n try. Althoug h in recent ye ars there   has b een a  pattern of ov ersupply of g r ain, the  grai n se cu rity issue ca n not b e  ignored. As a   large a g ri cult ural count ry, to protect a nd mainta in  the cou n try's grain securi ty is particul a rly  importa nt. Rational an alyzing a nd fore ca sting g r ain  prod uct cap a city has im portant reference   value for the  setting and  achieving g r ain secu rity  objective s. Many schola r s, at home  and  abro ad, h a ve mad e  mu ch  relate d rese arch  and  con s tructe d  a num be r  of very valu able  theoreti c al h y pothesi s  an d predi ction  models [1-6]. Ref [4]  has comp ared and an al yzed  forecastin g p e rform a n c e s  of step re gre ssi on, ba ck-p rop agatio n (BP) neu ral netwo rk  and  GM(1, N ) g r a y  system. Using non -line a r  artificial ne ural net wo rk  BP model, Ref [5] made corn  prod uctio n  p r edictio n in  ch ina. Based  o n  the p r evio u s  d a ta, Ref [ 6 ] applie d th e gray sy ste m  in   grain  yield  predictio n a nd  put forwa r d t he g r ay  relati onal  analy s is BP artifici al  neural n e two r k  model fo r corn pro d u c tion  predi ction. G enerally agr e ed that there  are m any fa ctors affe ct g a in   yield. The m a in affect factors are pl ant ings,  wate r, f a rming techniques, se eds,  fertilizers, et c.  Ho wever, the  grain yield fluctuatio n tren d sho w s a hig h  nonlin earity  and un certai nty, which lea d s  to accurately  predi ct the gain yield, is difficu lt. Artificial neu ral n e twork predi ction method  can   better  han dle  the  nonlin ea r a nd  un certa i n p r oble m s [7-10],  but it a l so  ha s m any  sh ort c omin g s ,  su ch a s : mod e l training  slo w ; time and space com p le xity is high; easy to fall into local optimu m .  Particle  swa r m optimi z ati on  (PSO) is a  popul atio n ba se d  sto c ha stic opti m ization  techni que d e v eloped by  Dr. Eberh a rt a nd Dr. Kenn edy in 199 5. as a g r o up i n telligent sea r ch  algorith m , it  throug h pop u l ation coo p e r ation  and co mpetition bet wee n  the pa rticle s to guid e   grou p  se arch . And it  ha s  many me rits,  su ch  a s  pa rallel  gl obal   search,  th e model is sim p l e  and  conve n ient, few p a ramete rs  nee d to b e  adju s ted,  co nverge nce i s   fast an d ea sy  impleme n tation  [11]. Thus,  usin g PSO  algorith m  for BP Neu r al  netwo rk p r e-sea r ch ca n overcom e  the   deficie nci e s  of BP algo rithm. Ho weve r, whe n  th e r e  are  more lo cally optimum s, sta nda rd P S O   algorith m  al so ea sy to  fall into l o cal  optimum.   Many resea r che r s h a ve  made  stu d ie s fo r   improvin g th e PSO algo ri thm and a c hi eved some  succe ss [1 2-1 6 ]. The pa pe r propo se d the  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch on  Grain Yiel d Predi ction Met hod Based o n  Im proved P S O-BP (Ligu o  Zhang )  7405 grain yield  predictio n meth od ba sed  on  improve d   PSO-BP, and th e pre d ictio n  result s sh ow t hat  the predi ction  model ca n effectivel y improve the predi ction a c cura cy.      2.   BP Neural  Net w o r k   Ar tific i a l  ne ur a l  ne tw ork s  a r e p o w e r f u l   tool fo r p r edi ction  of  nonlin earitie s. The s e  mathemati c al  mod e ls com p rise in dividu al p r o c e ssin g   units called  neuron s  that  resembl e   n e u r al  activity. Each  pro c e s sing  units  sum s   weighted i nput s a nd the n  a pplie s a li ne ar o r  n on lin ear  function to th e re sulting  su m to determi ne the out p u t. The neu ron s  are arran g e d  in layers a n d   are com b ine d   throu gh exce ssive conne ctivity.   With hie r a r chical fe ed forward network  architectu re, the ba ck-p rop agation n e tw ork h a s  re cei v ed most atte ntion.   Typically, three-laye r BP n eural  network (i nput laye r, hidde n layer  and outp u t la yer) can   reali z e t he fu nction  ma ppi ngs of  n  in de pend ent vari a b les an d the   m  depend ent  varia b les.  In  the   study of BP neural n e two r k, the main feature s   are forward tran sformer  of input  sign al and b a ck- prop agatio n of erro r. Net w ork’ s wei g h t s and thre shold value s   are adj uste d  accordi ng to  the   predi ction e r ror.   The  sign al i nputted from  outsid e   spread s  to the   output laye r  and give s th e re sult  throug h p r o c essing l a yer  for layer  of n euro n s in inp u t layer a nd  hidde n layer.  If the expect ed  output can’t b e  obtained in  output layer, it shi fts to the  conve r sed sp readi ng processing an d the  true value an d the erro r ou tputted by network will  retu rn alon g the couple d  acce ss forme r ly. The   error is  redu ced by modifying co ntacte d weig ht va lue of neuro n s in  every layer a nd then it shifts  to the  po sitive spreadi ng  pro c e ssi ng  a nd  revolve s  i t eration  until  the e rro r i s  smaller the  gi ven  value [4-5]. The topolo g ica l  of BP neural network is  sh own in Fig u re  1.        Figure 1. The  Topologi cal  of BP Neural  Network      Her e ,  n X X X , , , 2 1 are th e input valu es of neu ral  network,  n Y Y Y , , , 2 1 are the  predi ctive val ues,  ij  and  jk are  netwo rk’ s   weights. Befo re usi ng,  the firs t task  is  to  train the   netwo rk. Th e training p r o c e ss in clu ded th e followin g  st eps.   Step 1: Initialize the  network. A c cordin g to  the inp u t and o u tpu t  of actual  system,  determi ne th e numb e rs o f  input layer node s, hidd en layer n o d e s an d outp u t layer nod es,  initialize ij ,  jk  an d the thresho l d value of b o th hidd en la yer and  outp u t layer, an d  set the  learni ng rate and the ne uron activation  function.   Step 2: Calcu l ate the hidde n layer output  base d  on formula (1 ).    n i j i ij j a x f H 1 ) (   l j , , 2 , 1           ( 1 )     Whe r e,  l is the numb e r of  node s in hi dden laye r,  j a is the thre sh old value an d  f is  the  activation fun c tion of hidd e n  layer. In  this  paper, we  selec t  formula  (2) as f .  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 10, Octobe r 2014:  740 4  – 7411   7406 x e x f 1 1 ) (                                            (2)    Step 3: Calcu l ate the outpu t value of  output layer ba sed on form ula  (3).     l j k jk j k b H O 1   m k , , 2 , 1              ( 3 )     Whe r e,  k b is the thresh old val ue of output layer nod e.  Step 4: Calcu l ate the predi cti on erro r according to the  network p r ed icted outp u t and the  desi r ed o u tpu t .    k k k O Y e   m k , , 2 , 1                         (4)    Step 5: Updat e the con n e c tion we i ghts b y  the predicti on error k e .    m k k jk j j ij ij e i x H H 1 ) ( ) 1 (   l j n i , , 2 , 1 ; , , 2 , 1                    (5)    k j jk jk e H w   m k l j , , 2 , 1 ; , , 2 , 1                        (6)    Her e ,   is the learni ng rate.  Step 6: Updat e the thre shol d value ba se d on formul a (7) a nd (8 ).     m k k jk j j j j e H H a a 1 ) 1 (   l j , , 2 , 1                                       (7)    k k k e b b   m k , , 2 , 1                      (8)    Step 7: Determine wh ethe r the iterativ e end s, and if not, return to Step 2.      3. PSO Algorithm and its  Impro v ement  3.1. Standar d  PSO Algor ithm  Given in a Q-dim e n s ion a l sea r ch sp ace,  there is a particle  community co mposed   of  n  particle s . And the re levant para m eters of  i -th particl e are denoted a s  follows: the  positio n vector is  den o t ed by 12 (, , , ) ii i i Q x xx x , 1, 2 , , in .   Th e flying sp eed i s   denote d  by  12 (, , , ) ii i i Q vv v v .  Up to  no w, the se arch e d  optimal l o cation of  i -th particle  is  denote d  by  12 (, , , ) ii i i Q pp p p （ Nam e ly   best P ） . the search ed optimal l o catio n  of the  whol e pa rticl e s  comm unit y  is den ote d  by  12 (, , , ) g gg g Q pp p p （ Namely  best G ） . To   s e ar ch  th e  o p t ima l  s o lu tion  in  Q - d i mens io na l s p ac e  is to search t he parti cle in  best positio n.    Acco rdi ng th e three  prin ci ples,  maintai n  its i n e r tia,  maintain it s  optimal p o siti on a nd  maint a in  comm unity optimal positio n, the particl e  update s  its status du ring the mome nt.  In every iteration, the particles up date th eir velocity an d positio n by formula (9).     1 1 max 1 max 1 max 1 max 1 2 1 1 , ) ( ) ( k id k id k id k id k id k id k id k id k best k id k best k id k id v x x v v v v v v v v x G c x P c v v                       (9)  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch on  Grain Yiel d Predi ction Met hod Based o n  Im proved P S O-BP (Ligu o  Zhang )  7407 Her e ,   denot es in ertia  wei ght and  u s ed  to maintain  the o r iginal  ra te coeffici ent s.  1 c   and  2 c 则 den ote  learning fa ct or a nd  accel e ra tion coeffic i ent s ,  res p ec tively.   and   are  the  uniformly dist ributed rand o m  numbe rs  durin g 0 and  1.  is co nst r aint factor. [-v ma x ， v ma x ] i s   velocity rang e for ea ch di mensi on of p a rticle. St and ard PSO algo rithm flow is  shown in Figu re 2.           Figure 2. Standard PSO Algorithm Flo w       3.2. The Improv ement of PSO  For the  stan d a rd PSO al g o rithm i s  ea sy to fall into local  optimum  probl em, the  pape r   introdu ce d the mutation op eration to PSO algorith m . The ba sic id e a  is to re-i nitialize the p a rti c le   after each u pdate with a  certain p r ob abilit y. The adaptive muta tion operatio n method for  i -th  partic l e is  as  follows :      P P                 ij r r x x x random j i                         (10)    Her e , ij x  denote s  the  j -th co mpone nt of particle i x , P denotes mutation  proba bility,  r   the unifo rmly distri buted  r andom  num b e rs du ring  0  and 1,  random x  den otes  ran dom  numb e r  durin g individ ual maximum  and minimu m position of  particl e.  Re sea r ch sh ows that the  liner d e crea si ng ine r tia we igh ca n bette r bala n ce the  global  sea r ch ability  and lo cal  search a b ility. The pa per  adopt s the followin g  met hod to get in ertia  weig ht value.    ) ) / ( / * 2 ( * ) ( ) ( 2 max max T k T k k end start start          ( 1 1 )     Her e ,  start  denot es initial ine r tia weight ； end  denote s  ine r tia weig ht of maximum  iteration nu m ber,  k  d enote s  cu rrent itera t ion numbe r, max T   denote s  maxi mum iteration  numbe r.    Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 10, Octobe r 2014:  740 4  – 7411   7408 4. The Improv ed  PSO-BP Net w o r k   BP neural n e t work lea r nin g  pro c e s s is  the  update  p r ocess of the  conn ectio n  weig hts  and threshold s  of the n e twork. T he p u rp ose  of  usi ng  PSO algorith m  optimize BP neural net wo rk  is to g e t bett e r n e two r k in itial weig hts  and th re shol ds. Th e b a si c id ea i s  to  u s e th e po sitio n  of  each individ u a l pa rticle i n   PSO to re prese n t all of t he initial  net work  co nne ct ion weight s  and   threshold  parameters. The n  take the in dividual in itial i zed BP ne ural netwo rk predictio n erro r as  the individu al’s fitness valu e and th ro ug h the pa rtic l e   netwo rk opti m ization t o  find the b e st in itial  weig hts an d thre shol ds.   The detaile d algorith m  ca n  be summ ari z ed as follo ws:  1) De sig n  an d initialize the  network no rmalize the  sa mples.   2) Initialize P S O, such as,  popul ation si ze, particle  structure, locati on and  spe e d .     3) Cal c ul ate fitness valu e  of each pa rticle. The pa per ta kes fo rmula (4 ) as  particl e  fitnes s  func tion.      N i i i d y f 1 | | itness                                (12)    Her e :  N den ote s  traini ng  sa mple nu mbe r ,  i d  denote s   the de sire d  output of  i -th  sampl e .   i y deno tes network computing val ues of  i -th sa mple.  4) Acco rding  to the fitness  value of each   particle, up d a te its person a l best po sitio n   best P and glo bal be st positio n  best G .  5) Acco rding  to formula (9 ), adjust the p o sition a nd velocity of part i cle.   6) Acco rding  to formula (1 0), make ada ptive mutation operation.   7) If the converge nce crite r ia is met (th e  num be r of iteration is re ach ed or the  error can  accepte d ), st op it eratio n. And the  best G  is the initial parameter va lu e s  of BP network, th rou g h   further lea r ni ng a nd trainin g  of BP al gori t hm can fo rm  the p r edi ct m odel. Oth e rwi s e, g o  to  step  3   for the next iteration.       5. Grain Yield Prediction  Bas e d on Improv ed PSO-BP  Acco rdi ng  to previou s  stud ies and Chi n a  Stat istical   Yearb o o k , th ere  are  ma ny factors  affecting grai n yield includ ing effective irrig a ted area , the total number of pe o p le enga ged  in   agri c ultu ral p r odu ction, g r ain so wn a r ea, t he disa ster a r ea, vil l age hyd r opo wer  gen erati n g   cap a city, total ag ricultural me cha n ical po we r,  a g ricultural in frastructu re  i n vestment  a n d   con s um ption  of fertili zer  and  other fa ctors. In  th e  propo sed  p r edictio n mo d e l, take  effective   irrig a ted a r ea ( kilo hm ~2  ),  consum ption  of fertilizer ( m illion tons ), the  disaste r  area ( kilo hm ~2 ),  grain so wn  a r ea ( kil o  hm ~2 ), total agricultural me ch anical  powe r ( m w  steam ),  and agri c ult u ral   infrast r u c ture  investment ( billion yuan )  as input s a nd ta ke  grai n yield  ( m illion tons)  as the  output .  Thus the BP  neural net work  stru cture is sh own  in  Figure 3. Then, take the colle cted sa mple  data from 19 990 to 2001  as traini ng sample data a nd the sam p l e  data from  2002 to 200 7  as  testing  sam p l e  data. In  th e test, the  rel e vant pa ram e ters of PSO  algo rithm  are a s  follo ws:  the   numbe r  of ite r ation  is 50,  p opulatio n  size  is  20,  c1 =1.4 9445,  c2 =1.4 9445  an d the  length  of  ea ch   particl e i s  4 1 . Each  gen eration  be st  individual  fitness  curve   of improve d  PSO algo rit h m  optimizatio n pro c e ss i s  sh own in Fig u re  4. The  traini ng error  cu rves of  the stan dard BP network  and th e BP  network  opt imized  by i m prove d  PS O a r e  sh own in  Figu re   5 an d Fi gure 6,  respe c tively.  The obtain e d  optimal initial weight s a n d  thresh old s  of BP neural network is  sho w n   in Table  1.Th e cu rves  of predict e d  grain  yield and a c t ual grain yiel d from 2 002 t o  200 7 is  sho w n  in Figure 7. Predi ction s  co ntrast of the p r opo se d meth od and oth e r  method is  sh own in Ta ble  2.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch on  Grain Yiel d Predi ction Met hod Based o n  Im proved P S O-BP (Ligu o  Zhang )  7409     Figure 3. BP  Network Stru ctur e fo r Grai n Yield Predi ction             Figure 4. Best Individual Fitness Cu rve of  Improved PS O  Figure 5. Trai ning Error  Cu rve of Standa rd BP  Netw or k                   Figure 6. Trai ning Error  Cu rve  of BP Network   Optimize d by Improved PS O  Figure 7. Pre d icted Yield a nd Re al Yield       Table 1. Opti mal Initial We ights an d Thresh old s   The Initial weights betw e en input l a y e r  nodes and hidde n la y e r n odes  1.1783   - 3.5159   - 1.2645   0.6073  0.9899   ．．．   - 1.3646   0.2707   The thr e sholds of hidden la y e r  no des  - 1.7820   1.6677  0.6473  1.1162   - 1.6561   — —  —  The Initial weights betw e en outpu t   layer nod es and  hidden la y e r  nod es  - 0.2745   - 1.9078   0.1258  1.6990   - 1.1197   — —  —  The thr e sholds of output la y e r no des  - 1.1587   — — —  — —  —  —    Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 12, No. 10, Octobe r 2014:  740 4  – 7411   7410 Table 2. Pred iction Contra st  Ye a r   Real Gr ain  y i eld( ten million  tons)  BP net w o rk mod e l  Improved PSO-B P net w o rk model   Predicted  yi e l d   Absolute  error   Relative  error / (% )   Predicted y i eld   Absolute  error   Relative  error  /( %)   2002  4.5705   4.4372   0.1333   2.9  4.699   0.1285   2.8  2003  4.3069   4.7892   0.4823   11.2  4.493   0.1861   4.3  2004  4.6946   4.5323   0.1623   3.5  4.58  0.1146   2.4  2005  4.8402   5.1229   0.2827   5.8  4.654   0.1862   3.8  2006  4.9804   5.2229   0.2425   4.9  4.75  0.2304   4.6  2007  5.0160   5.1229   0.1069   2.1  5.015   0.001   0.01      As can be  se en from Figu re 4, the best i ndividual fitne ss obtai ned b y  improved PSO-BP  neural netwo rk meth od ha s better o p timization  cap ability in evolution than th at of standa rd BP  neural net wo rk. Unde r the  same trainin g  accu ra cy  and by com p a r ing Fig u re 5  and Figu re  6, it  can  be  se en  that the im proved  PSO  method  ca n   meet  the converg e n c e (0.0000 1) at  12 th   gene ration a nd obviou s ly supe rior to  convention a l  BP network (25 th  ge ne ration ). By d a ta  comp ari s o n  o f  Table 1, the predi ction a c curacy  of imp r oved PSO-B P method is  sup e rio r  to that  of conve n tion al BP netwo rk metho d  for  the sam e   stat istics data. T he maximum  relative e rro r  of  BP network  method a nd  improve d  PSO-BP meth o d  are  11.2%  and 4.6%, resp ectively. And   also,  as for g r ain  yield  pro ductio n , the   maximum  rel a tive erro r of  pap er propo sed  meth od  and   Ref [2] method are 0.01%  and 5.7%, re spe c tively.  From the com p arison, it can  be se en that the   prop osed g r ai n yield metho d  is effective and fea s ible       6. Conclusio n   As  compl e x a g ricultural a n d  stati s tical  i s sue s , g r ai n yi eld p r e d iction  is affecte d  b y  many  factors. And also, its hi sto r ical d a ta is li mited, which  makes it di ffic u lt to acc u rately predic t. The   pape r p r op osed a im prove d  PSO-BP b a se d g r ain yi eld p r edi ction  method,  whi c h o p timized  the  BP neural  n e twork  para m eters throu gh imp r oved  PSO and e ffectively improved the  ov erall  learni ng  abilit y and ove r co me the  pro b l e m of e a sy to  fall into lo cal  optimum. T h e test  re sults  for   2002 -20 07  grain yield  sh o w s the p r o p o s ed  metho d  i s   signifi cantly better th an B P  neu ral n e twork  method an d Grey-Rel atio nal su ppo rt vector  m a chin e based met hod, and h a s good ap plica t ion   pro s pe cts.       Referen ces   [1]  Ma W enjie, F e ng Z hon gcha o.  China gr ain pr oducti on factor s anal ysis-B as ed on the emp i rical an al ysis   o n  Pa ne l  da ta .  Shanx i Jour nal  of agricultur a l  scienc e . 200 8; 1: 163-1 66.   [2]  Nie Sh ao hua.  Grain prod u c tion pre d icti o n  base d  on  Gre y -R elati o n a l  supp ort vector machi ne.   Co mp uter si mu latio n . 201 2; 29: 220-2 23.   [3]  Li J i n x i a . A  pr ojecti on  of H e nan  gr ain  pr od uction  b a sed  o n  gr a y  s y stem  mod e ls.  J our nal  of  Hen a n   Univers i ty of Techn o lo gy (So c ial scie n ce e d i t ion) . 200 9; 5: 1-3,7.   [4]  Su bo, Li u lu,  Yang F a ngtin g .  Comparis on  and res ear c h  o f  grain pr od uction forec a sting  w i t h  metho d s   of GM (1,N) gra y  s y stem a nd  BPNN.  Journ a l  of China a g ric u ltura l  univ e rsit y . 2006; 11: 99 -104.   [5]  W u  Yuming, Li  Jian xi a. Non- li near artifici al n eura l  net w o rk  mode l and its a pplic atio n in co rn prod uction   pred iction.  Jo u r nal of He na n nor mal  univ e rsi t y (Natural Sci ence) . 20 02; 3 0 : 35-38.   [6]  Che n  W e i, Li u Guobi. Ap pl icatio n the  gr a y  s y stem i n   Grain Yie l d pr edicti on.  Jour n a l of Bei jin g   Electron ic scie n ce an d T e chn o lo gy institute .  200 8; 16: 62-6 4 .  [7]  Xi on g Xin, Nie  Ming xi n. BP ne t w ork pr inci pl e and matl ab sim u lati on. http:// w w w . p a per.ed u . c n.  [8]  BHM Sad e g h i.  A BP-ne ural  n e t w o r k pr ed ictor mod e l for  pl astic in jecti on  moldi ng  proc e ss.  Jo u r na l  of  mater i al proce ssing  tech no lo gy . 2000; 1 03: 411- 416.   [9]  Hepsi b a  K A n ga, PC  Pa nch a ri ya, A L  S har ma. Authe n tic a tion  of In di an   w i nes  usi ng  voltammetri c   electro n ic ton g ue co upl ed  w i th artificial  ne ural n e t w orks.   Sensors tra n s ducers: soft  sensors  and   artificial neur al netw o rks . 2012 ; 145; 65-7 6 .  [10]  M Lazri, F  Ou allo uch e , S Ameur, ect. Identif y i ng C onve c tive and strat i form Rain b y  Confronti n g   SEVERI Sens or Multi-s pectr al Infrar ed to Ra dar S ens or Dat a  Us ing Neural Netw ork.  Se nsor s   transduc ers: soft sensors an d artificia l  neur al netw o rks . 20 12; 145; 1 9 -32.   [11]  KENNEDY J,  EBERHART  RC.  Particle Swarm  Optim i z a t i on.  Proc eed ings  of IE EE Iternatio n   Confer ence  on  Neura l  Net w or ks. 1995; 19 42 -194 8.  [12]  Xu e T i ng.  T he s y nt hesis a nd i m provem ent of PSO. Dalian: Dali an Mar i time Univ ersit y . 2 008.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     Re sea r ch on  Grain Yiel d Predi ction Met hod Based o n  Im proved P S O-BP (Ligu o  Zhang )  7411 [13]  Z hang D i n g x u e , Guan Z h ih ong, Li u  Xinz hi. Adaptiv e p a rticle s w a rm optimiz ation  al gorithm  w i t h   d y nam ical l y  c h ang ing i nerti a w e itht.  Contro l and D e cisi on . 200 8; 23; 125 3 - 125 7.  [14]  Z hao C h e n g y e, Yan Z hen gbi ng, L i u  Xi ngg ao. Impro v ed a d a p ti ve  param eter  p a rticle s w a r m   optimiz ation a l gorithm,”  Jour n a l of Z heji a n g  Univers i ty (Eng ine e rin g  scie n c e ).  2011; 3 9 : 1039- 104 2.   [15]  W u  Peifen g, Gao L i qu n, Z ou  Kai x u an, etc. A n  impr oved  par ti cle s w arm  opt imizatio n a l gor i t hm.  Journa l   of Northeaster n  Univ ersity (Natural Sci ence) . 2005; 45; 20 9 9 -21 02.   [16]  Yi Da, Ge Xi uru n . An improve d  PSO bas ed AN N  w i t h  simul a ted an ne ali n g techni qu e.   N e u r o c om pu ti ng . 2005; 6 3 : 52 7-53 3.     Evaluation Warning : The document was created with Spire.PDF for Python.