本发明专利技术涉及一种基于深度置信网络模型的土壤墒情预测方法和系统，该方法包括：采集土壤墒情和环境气候数据；筛选关键环境因素；构建数据库；建立深度置信网络模型；对深度置信网络模型进行训练；利用深度置信网络模型对土壤墒情进行预测。本发明专利技术提供的预测方法，采用深度置信网络模型对土壤墒情进行预测，在实质上考虑到了各影响因子之间的相互作用，且需要的参数及边界条件少很多，可以得到推广，还可以有更多的隐含层，因此不需要大量的节点就能达到一定的预测效果，且更适合挖掘输入向量间的复杂线性关系。利用本发明专利技术提供的预测方法预测土壤的水分盈缺情况，便于及时进行做出节水灌溉、施肥决策和排水措施等，使农作物处于最优生长状态。
【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种基于深度置信网络模型的土壤墒情预测方法和系统，该方法包括：采集土壤墒情和环境气候数据；筛选关键环境因素；构建数据库；建立深度置信网络模型；对深度置信网络模型进行训练；利用深度置信网络模型对土壤墒情进行预测。本专利技术提供的预测方法，采用深度置信网络模型对土壤墒情进行预测，在实质上考虑到了各影响因子之间的相互作用，且需要的参数及边界条件少很多，可以得到推广，还可以有更多的隐含层，因此不需要大量的节点就能达到一定的预测效果，且更适合挖掘输入向量间的复杂线性关系。利用本专利技术提供的预测方法预测土壤的水分盈缺情况，便于及时进行做出节水灌溉、施肥决策和排水措施等，使农作物处于最优生长状态。【专利说明】基于深度置信网络模型的±壤墙情预测方法和系统
本专利技术设及±壤分析
，尤其是设及一种基于深度置信网络模型的±壤墙 情预测方法和系统。
技术介绍
±壤墙情，即作物根系层的±壤含水状况。±壤墙情与作物的生长过程密切相关， 且在不同的生长阶段，其变化规律是不同的，而且，±壤墙情受降雨量、地面溫度和平均风 速等环境因素的影响较大。为了精准预测±壤墙情，必须充分考虑环境因素的影响和作物 生长状态，W实现按需灌概。因此，快速、准确地预测±壤墙情，对于探明作物生长发育期内 的±壤水分盈缺状况，做出节水灌概、施肥决策和排水措施都有重要意义。 目前的±壤墙情预测方法主要有经验推断法、基于±壤水分平衡模型的预测方 法、基于±壤水分动力学模型的预测方法和基于BP(Back Propagation,多层前馈)神经网 络模型的预测方法。 其中，经验推断方法主要是分析与±壤墙情有关的环境因素和气象因素，求出它 们与±壤墙情之间的相关系数，选择相关系数较大的关键因子，进而建立关键因子与±壤 墙情的多元回归模型。该方法的缺点是没有考虑到各影响因子之间的相互作用。 基于±壤水分平衡模型的预测方法是从±壤水分平衡的角度出发分析和推导未 来的墙情变化，基于上壤水分动力学模型的预测方法是从上壤水分动力学原理的角度出发 分析和推导未来的墙情变化。运两种方法的优点是原理简单，缺点是模型所需的参数和边 界条件较多，在实际情况下难W全部满足，因此预测方法不能得到推广。 基于BP神经网络模型的预测方法中BP神经网络的隐含层个数和权重初始值会对 预测效果产生很大影响。当隐含层数量增大时，BP算法的计算复杂度会很大，因此BP神经网 络模型的隐含层一般为1-2层，称为浅层神经网络。由于±壤墙情是一个连续的时间序列， 属于非稳态时间序列，而该预测方法也适合对非线性时间序列进行预测，但是运种方法存 在的缺点是：当神经网络的隐含层较少时就需要大量的隐含节点才能到达一定的预测效 果，运就使得建模的复杂度增大。对于一些复杂问题，浅层神经网络很难建立输入向量间的 复杂非线性关系。
技术实现思路
针对W上缺陷，本专利技术提供一种基于深度置信网络模型的±壤墙情预测方法和系 统，至少可W解决上述现有的预测方法中存在的部分缺陷。[000引第一方面，本专利技术提供的基于深度置信网络模型的±壤墙情预测方法包括： 采集预设采样区的农作物在第一预设时间段内若干个第一时间点的±壤墙情及 所述预设采样区在每一第一时间点的环境气候数据，所述第一预设时间段在所述农作物的 生长周期内； 对每一第一时间点的环境气候数据中各环境因素和该第一时间点的±壤墙情进 行相关性分析，将相关性系数大于预设值的环境因素作为该第一时间点的±壤墙情的关键 环境因素； 将每一第一时间点的±壤墙情、该±壤墙情的关键环境因素及该关键环境因素的 采集数据形成该第一时间点的数据集，将各个第一时间点的数据集形成数据库； 建立深度置信网络模型，将所述数据库中多个第一时间点的数据集输入所述深度 置信网络模型，并对所述深度置信网络模型进行训练； 利用训练完成的深度置信网络模型预测所述预设采样区在第二预设时间段内第 一时间点的±壤墙情，所述第二预设时间段与所述第一预设时间段在所述农作物的同一生 长周期内。 可选的，所述深度置信网络模型包括一个输入层、一个输出层及设置在所述输入 层和所述输出层之间的多个隐含层，各个隐含层和所述输入层中的任意两相邻层形成一个 受限玻尔兹曼机，所述输出层与相邻的隐含层形成一个BP神经网络模块;每一层设置有预 设数量的节点，且相邻层之间设置有连接权重矩阵。 可选的，所述对所述深度置信网络模型进行训练，包括： 在所述深度置信网络模型的每一受限玻尔兹曼机中建立一训练目标函数，所述训 练目标函数的变量为该受限玻尔兹曼机中每一节点的状态值、偏置值和该受限玻尔兹曼机 中两层之间的连接权重矩阵，所述训练目标函数的训练目标是该受限玻尔兹曼机能量值最 小； 利用最大似然估计算法计算该受限玻尔兹曼机中的可选连接权重矩阵和每一节 点的可选偏置值； 利用对比散列度算法进行寻优计算，在所述可选连接权重矩阵和每一节点的可选 偏置值筛选出最优连接权重矩阵和每一节点的最优偏置值。 可选的，在所述利用训练完成的深度置信网络模型预测所述预设采样区的农作物 在第二预设时间段内每一第一时间点的±壤墙情之前，还包括： 利用反向传播算法计算所述深度置信网络模型中每一节点的偏置值的误差和每 一连接权重矩阵的误差； 利用得到的误差对所述深度置信网络模型每一节点的偏置值及每一连接权重矩 阵进行修正。 可选的，采用下式确定所述输入层的节点数量： Nl=ml*m2*m3 其中，N1为输入层的节点数量，ml为第一时间点的个数，m2为每一第一时间点的数 据集中±壤墙情与关键环境因素的个数之和，m3为每一第一时间点的数据集中关键环境因 素的采集数据和±壤墙情中每一数据的二进制编码平均位数。 可选的，采用下式确定每一隐含层的节点数量： N2=VNl+N3+al 其中，N2为每一隐含层的节点数量，N1为所述输入层的节点数量，N3为所述输出层 的节点数量，al为大于等于0且小于等于10的整数。 可选的，采用下式确定每一隐含层的节点数量； 肥二巧 Nl±a2 其中，N2为每一隐含层的节点数量，a2为大于等于ο且小于等于10的整数。 可选的，采用下式确定所述输出层的节点数量： N3=ml*m4 其中，N3为输出层的节点数量，ml为所述第一预设时间段内第一时间点的个数，m4 为每一第一时间点的数据集中±壤墙情的二进制编码位数。 可选的，该方法还包括： 将所述数据库中未参与模型训练的数据集输入所述深度置信网络模型，得到±壤 墙情的预测值； 计算±壤墙情的预测值与所述未参与模型训练的数据集中的±壤墙情采集值之 间的误差，并根据该误差确定所述深度置信网络模型的预测精度。 第二方面，本专利技术提供的基于深度置信网络模型的±壤墙情预测系统包括： 数据采集模块，用于采集预设采样区的农作物在第一预设时间段内若干个第一时 间点的±壤墙情及所述预设采样区在每一第一时间点的环境气候数据，所述第一预设时间 段在所述农作物的生长周期内； 相关性分析模块，用于对每一第一时间点的环境气候数据中各环境因素和该第一 时间点的±壤墙情进行相关性分析，将相关性系数大于预设值的环境因素作为该第一时间 点的±壤墙情的关键环境因素； 数据库形成模块，用于将每一第一时间点的±壤墙情、该±壤墙情的关键本文档来自技高网...
【技术保护点】
一种基于深度置信网络模型的土壤墒情预测方法，其特征在于，包括：采集预设采样区的农作物在第一预设时间段内若干个第一时间点的土壤墒情及所述预设采样区在每一第一时间点的环境气候数据，所述第一预设时间段在所述农作物的生长周期内；对每一第一时间点的环境气候数据中各环境因素和该第一时间点的土壤墒情进行相关性分析，将相关性系数大于预设值的环境因素作为该第一时间点的土壤墒情的关键环境因素；将每一第一时间点的土壤墒情、该土壤墒情的关键环境因素及该关键环境因素的采集数据形成该第一时间点的数据集，将各个第一时间点的数据集形成数据库；建立深度置信网络模型，将所述数据库中多个第一时间点的数据集输入所述深度置信网络模型，并对所述深度置信网络模型进行训练；利用训练完成的深度置信网络模型预测所述预设采样区在第二预设时间段内第一时间点的土壤墒情，所述第二预设时间段与所述第一预设时间段在所述农作物的同一生长周期内。
【技术特征摘要】
【专利技术属性】
技术研发人员：冀荣华，张舒蕾，高万林，祁力钧，李鑫，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。