Metaheuristic-Driven Optimization of a Neural Model Using Tuna Swarm Intelligence for Cognitive Classification of Wheat Species
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate classification of wheat varieties is vital for enhancing agricultural productivity and maintaining food quality standards. However, conventional methods based on manual inspection are time-consuming, labor-intensive, and prone to human error. This paper introduces an innovative methodology that integrates the tuna swarm optimization algorithm with a multi-layer perceptron neural network to achieve high-accuracy classification of wheat species. The SEEDS dataset, containing three wheat species (Kama, Rosa, and Canadian), was used to evaluate the effectiveness of the proposed model. Initially, the tuna swarm optimization algorithm’s robustness was validated using the CEC 2019 benchmark suite, where it demonstrated superior performance against alternative metaheuristics such as the Archimedes optimization algorithm, prairie dog optimization, and Harris hawks optimization. Tuna swarm optimization achieved a 79.29% classification accuracy (Macro and Weighted F1-score = 0.7923) while significantly reducing the mean squared error to 7.52E − 02, outperforming other optimization algorithms. The proposed tuna swarm optimization-based multi-layer perceptron exhibited strong generalization capability, as demonstrated by the ROC-AUC values exceeding 0.77 for all classes, with the highest classification success observed in class "0" (AUC = 0.9851). Compared to conventional gradient-based training methods, the tuna swarm optimization-enhanced multi-layer perceptron model consistently outperformed alternative techniques in convergence stability, classification precision, and robustness across multiple iterations. These results highlight the potential of metaheuristic-driven neural network optimization in agricultural applications, providing a highly efficient and scalable solution for automated wheat classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle