基于BP‑GA的温室农作物种植效率条件优化方法及系统技术方案

本发明专利技术提供一种基于BP‑GA的温室农作物种植效率条件优化方法及系统，其中的方法包括：采集温室农作物的样本数据；根据所采集的样本数据构建三层拓扑结构的BP神经网络模型；用样本数据对所构建的三层BP神经网络模型进行训练，挖掘输入变量与输出变量之间的函数关系；根据函数关系和预设的评分权重，获取综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，决策参数为在综合指标E为最优时，对应的输入变量组合。通过本发明专利技术能够及时地掌握使温室农作物种植效率提升的最优决策参数组合，并做出精确地预测；可以及时采取调节措施，使影响种植效率的关键因素得到合理的控制，保证种植产量可观，品质提升，有效的节约资源，降低生产成本。

【技术实现步骤摘要】

本专利技术涉及农业种植
，尤其涉及一种基于BP-GA的温室农作物种植效率条件优化方法及系统。
技术介绍
目前，农业种植效率的提升和对农作物的产量的预测是我国农业发展的一项重要的研究工作，是市场调研、种植规模、气候调节等多因素关联的大系统，对优化农业发展模式和统筹管理具有指导作用。由于农作物的产量既受土壤、肥力、气候等自然因素的影响，又受政策、投入、科技水平等社会经济因素的影响，因此，传统的主要凭借经验施肥灌溉的耕种模式不仅浪费大量的人力物力、且对农业种植效率和产量的预测及分析起不到任何作用。虽然目前一些学者采用了一些较为复杂的数学计算和方程来对农业的种植效率提出了多种评价体系及方法，但其仅限于灌溉、施肥等相应的步骤的研究，对于如何从一个系统的角度对农业的种植效率进行综合指标的评价，至今都尚未有一套比较完整的方法。鉴于上述问题，亟需建立一套全面反映农业种植所涉及的方方面面的评价体系和方法，以依据农作物自身特性和针对不同角色的人群的实际需求，建立优化的生产模式，促进农作物产量的增长和品质的提高，从而因地制宜的为农作物种植提供决策，进而促进农业经济的可视化发展。
技术实现思路
鉴于上述问题，本专利技术的目的是提供一种基于BP-GA的温室农作物种植效率条件优化方法，包括：采集温室农作物的样本数据，样本数据为对温室农作物的产量和品质造成影响的因素；根据所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为所述BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为所述BP神经网络模型的输出变量，用所述样本数据对所构建的三层BP神经网络模型进行训练，挖掘所述输入变量与输出变量之间的函数关系；根据所述函数关系和预设的评分权重，获取综合指标E，根据综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，所述决策参数为在综合指标E为最优时，对应的输入变量组合。此外，优选的方式为：所构建的三层拓扑结构的BP神经网络模型包括输入层、隐含层和输出层，在构建所述BP神经网络模型的过程中，利用线性归一化方法对所述输入变量和输出变量进行归一化处理，获取输入输出序列；根据所述输入输出序列确定输入层神经元的个数、隐含层神经元的个数和输出层神经元的个数，并初始化所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元和输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；通过对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取所述输入变量与输出变量之间的函数关系。此外，优选的方式为：在对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取所述输入变量与输出变量之间的函数关系的过程中，根据所述输入层神经元的个数、输入层各神经元与隐含层各神经元之间的连接权值和隐含层阈值获取隐含层各神经元的输出值；根据所述隐含层各神经元的输出值、所述隐含层各神经元和输出层各神经元之间的连接权值、输出层阈值获取所述输出层各神经元的输出值；将所述输出层各神经元的输出值与预设的输出值进行比较，获取预测误差；根据所述预测误差对所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行更新，获取更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；根据更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值对所述输出层各神经元的输出值进行重新计算，获取所述输入变量与输出变量之间的函数关系。此外，优选的方式为：在根据所述函数关系和预设的评分权重，利用GA对所述函数关系进行极值寻优，获取决策参数的过程中，将所述函数关系作为GA的适应度函数，并对所述适应度函数进行计算，获取个体适应度值；根据预设的评分权重和所获取的个体适应度值，获取综合性指标E；预设决策参数的变化区间，以及所述GA的种群、数量以及迭代次数；确定优化计算的趋势方向；其中，所确定的优化计算的趋势方向使得所述综合指标最高；初始化种群，并将初始化后的种群作为父代种群，对所述父代种群中所有个体的适应度函数值进行计算，获取父代种群的最优个体；采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作，获取子群，将所获取的子群作为新一代父代种群；根据实际的迭代次数和预设的迭代次数判断迭代是否结束，若结束，将最后一次迭代所获取的父代种群的最优个体作为决策参数，否则继续迭代。另一方面，本专利技术提供一种基于BP-GA的温室农作物种植效率条件优化系统，包括：样本数据采集单元，用于采集温室农作物的样本数据，所述样本数据为对温室农作物的产量和品质造成影响的因素；BP神经网络模型构建单元，用于根据所述样本数据采集单元所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为所述BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为所述BP神经网络模型的输出变量；函数关系挖掘单元，用于用所述样本数据对所构建的三层BP神经网络模型进行训练，挖掘所述输入变量与输出变量之间的函数关系；决策参数获取单元，用于根据所述函数关系获取单元所获取的所述输入变量与输出变量之间的函数关系，以及预设的评分权重，获取综合指标E，根据综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，所述决策参数为在综合指标E为最优时，对应的输入变量组合。本专利技术提供的基于BP-GA的温室农作物种植效率条件优化方法及系统，通过在BP建立的高精度模型预测的基础上，准确的表现出来系统的输出与系统决策参数之间的函数关系，再根据调研以及实际需求评出权重，得到最终得分的计算公式，最后利用遗传算法获取当前状态下的最优决策参数组合。本专利技术能够及时地掌握使温室农作物种植效率提升的最优决策参数组合，并做出精确地预测；可以及时采取调节措施，使影响种植效率的关键因素得到合理的控制，从而保证种植产量可观，品质提升，有效的节约资源，降低生产成本。附图说明图1为根据本专利技术实施例的基于BP-GA的温室农作物种植效率条件优化方法的流程示意图；图2为构建的BP神经网络模型的结构示意图；图3为根据本专利技术实施例的基于BP-GA的温室农作物种植效率条件优化系统的逻辑结构框图。具体实施方式以下将结合附图对本专利技术的具体实施例进行详细描述。为详细的说明本专利技术提供的基于BP-GA的温室农作物种植效率条件优化方法，图1示出了根据本专利技术实施的基于BP-GA的温室农作物种植效率条件优化方法的流程。如图1所示，本专利技术提供的基于BP-GA的温室农作物种植效率条件优化方法包括：S110：采集温室农作物的样本数据，所述样本数据为对温室农作物的产量和品质造成影响的因素。在本专利技术的一个示例中，对温室农作物的产量和品质造成影响的因素可以为温度、湿度、光照等。S120：根据所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为BP神经网络模型的本文档来自技高网...

【技术保护点】
一种基于BP‑GA的温室农作物种植效率条件优化方法，包括：采集温室农作物的样本数据，所述样本数据为对温室农作物的产量和品质造成影响的因素；根据所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为所述BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为所述BP神经网络模型的输出变量，用所述样本数据对所构建的三层BP神经网络模型进行训练，挖掘所述输入变量与输出变量之间的函数关系；根据所述函数关系和预设的评分权重，获取综合指标E，根据所述综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，所述决策参数为在综合指标E为最优时，对应的输入变量组合。

【技术特征摘要】
1.一种基于BP-GA的温室农作物种植效率条件优化方法，包括：采集温室农作物的样本数据，所述样本数据为对温室农作物的产量和品质造成影响的因素；根据所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为所述BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为所述BP神经网络模型的输出变量，用所述样本数据对所构建的三层BP神经网络模型进行训练，挖掘所述输入变量与输出变量之间的函数关系；根据所述函数关系和预设的评分权重，获取综合指标E，根据所述综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，所述决策参数为在综合指标E为最优时，对应的输入变量组合。2.如权利要求1所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，所构建的三层拓扑结构的BP神经网络模型包括输入层、隐含层和输出层，在构建所述BP神经网络模型的过程中，利用线性归一化方法对所述输入变量和输出变量进行归一化处理，获取输入输出序列；根据所述输入输出序列确定输入层神经元的个数、隐含层神经元的个数和输出层神经元的个数，并初始化所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元和输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；通过对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取所述输入变量与输出变量之间的函数关系。3.如权利要求2所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，在对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取所述输入变量与输出变量之间的函数关系的过程中，根据所述输入层神经元的个数、输入层各神经元与隐含层各神经元之间的连接权值和隐含层阈值获取隐含层各神经元的输出值；根据所述隐含层各神经元的输出值、所述隐含层各神经元和输出层各神经元之间的连接权值、输出层阈值获取所述输出层各神经元的输出值；将所述输出层各神经元的输出值与预设的输出值进行比较，获取预测误差；根据所述预测误差对所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行更新，获取更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；根据更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值对所述输出层各神经元的输出值进行重新计算，获取所述输入变量与输出变量之间的函数关系。4.如权利要求3所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，通过下述方式获取隐含层各神经元的输出值：Hj=f(X~j)]]>其中，f为隐含层激励函数，为隐含层j个神经元的加权之和；其中，所述通过下述方式获得：X~j=ΣiWijXi+bj]]>其中，i为输入层神经元的个数，Wij为输入层第i个神经元与隐含层第j个神经元之间的连接权值，Xi为输入层第i个神经元的样本数据，bj为隐含层第j个神经元的阈值。5.如权利要求4所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，通过下述方式获取输出层各神经元的输出值：Y^k=ΣjW^jkHj+b^k]]>其中，为输出层第k个神经元的输出值，j为隐含层神经元的个数，为隐含层第j个神经元与输出层第k个神经元之间的连接权值，Hj为隐含层第j个神经元的输出...

【专利技术属性】
技术研发人员：李太福，张堃，辜小花，唐海红，聂玲，易军，周伟，段棠少，王昆，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;50