Empirical determination of optimal configuration for characteristics of a multilayer perceptron neural network in nonlinear regression

Abstract

In this paper, we determine an optimal configuration for characteristics of a multilayer perceptron neural network (MPL) in nonlinear regression for predicting crop yield. Monte Carlo simulation approach has been used to train several databases generated by varying the internal structure of 3-MLP from simple to complex for five (5) different algorithms most commonly used. Results showed that the optimal configuration is obtained with the Levenberg Marquard algorithm, 75% of the number of input variables as number of hidden nodes, learning rate 40%, minimum sample size 150, tangent hyperbolic and exponential functions in the hidden and output layers respectively. This configuration has been illustrated with real life data.

Dans cet article, nous déterminons une configuration optimale pour les caractéristiques d'un réseau de neurones de type perceptron multicouche (PMC) en régression non linéaire pour prédire le rendement des cultures. L'approche de simulation Monte Carlo a été utilisée pour entraîner plusieurs bases de données générées en variant la structure interne du modèle 3-MLP des cas simples aux complexes pour cinq (5) différents algorithmes les plus couramment utilisés. Les résultats ont montré que la configuration optimale est obtenue avec l'algorithme d'apprentissage Levenberg Marquard, 75% du nombre de variables d'entrée comme nombre de noeuds cachés, taux d'apprentissage 40%, taille minimale de l'échantillon 150, fonctions d'activation tangente hyperbolique dans la couche cachée et exponentielle dans la couche de sortie. Cette configuration a été testée par des données réelles et a donné de meilleurs résultats.