基于复数神经网络的土壤墒情预测方法及装置制造方法及图纸

本发明专利技术实施例公开了一种基于复数神经网络的土壤墒情预测方法及装置。方法包括：获取待预测土壤的历史墒情数据；从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；将选取的墒情数据转换为单位圆上的复数；根据转换后的墒情数据和预构建的MLMVN神经网络模型预测待预测土壤在所述预测时间点的墒情数据。本发明专利技术实施例通过将数据转换为单位圆上的复数，构建以土壤墒情为输入的复数神经网络预测模型，进而降低建模复杂度并提高农田土壤墒情多步预测精度。

Method and device for predicting soil moisture content based on complex neural network

The embodiment of the invention discloses a soil moisture prediction method and a device based on a complex neural network. The method includes: obtaining the data of soil moisture forecast history; moisture data from the corresponding N point distance prediction time point recently from the historical data of soil moisture; the soil moisture data selection into complex unit circle; according to the MLMVN neural network model after converting the moisture data and pre built forecast the prediction of soil moisture forecast data points in the time. The embodiment of the invention converts the data to the complex unit circle, in order to build soil moisture prediction model for complex neural network input, thereby reducing the complexity of modeling and improve prediction precision of farmland soil moisture content.

【技术实现步骤摘要】
基于复数神经网络的土壤墒情预测方法及装置
本专利技术实施例涉及农业信息
，具体涉及一种基于复数神经网络的土壤墒情预测方法及装置。
技术介绍
我国的季风气候和传统低效的农业灌溉技术综合导致我国农业水资源利用率低，节水灌溉技术主要依据作物的需水、耗水规律来控制、调配水资源，节水灌溉策略的制定必须依靠土壤墒情的增长消退规律。因此，准确、高效地预测土壤墒情的长期变化趋势，是实现精准灌溉、提高水资源利用率改善农作物生长状况的基础。目前国内外学者常用的土壤墒情预测模型主要有确定性和随机性模型。确定性模型是从土壤水分运移、转化所遵循的物理规律出发建立土壤水动态模型，主要有经验公式法、土层水量平衡法、土壤水动力学法等。随机性方法则考虑了土壤水分变化的随机特点，用随机模拟法来探讨田间土壤水分的变化过程，如多元回归预测法、神经网络模型等。以上模型的复杂性和预测精度各不相同。经验性模型比较简单便于应用，但是模型中经验参数的适用范围有限；多元回归预测法通过建立土壤墒情与多种环境因素之间的回归方程进行土壤墒情预测，但在但在中长期预测时误差累计严重导致预测精度低；神经网络预测模型提高了中长期土壤墒情预测的预测精度，但模型参数选择复杂且依赖大量的经验技巧，训练过程容易陷入局部极值。
技术实现思路
本专利技术实施例的一个目的是解决现有技术使用确定性和随机性模型时由于输入数据维度较高，导致预测精度低的问题。本专利技术实施例提出了一种基于复数神经网络的土壤墒情预测方法，包括：获取待预测土壤的历史墒情数据；从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；将选取的墒情数据转换为单位圆上的复数；根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据。可选的，在根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据之前，所述方法还包括：根据选取的墒情数据的个数确定输入层的节点数；根据输入层的节点数构建多输入单输出的MLMVN神经网络。可选的，当所述MLMVN神经网络含有两个隐含层时，设置第一隐含层节点数少于第二隐含层节点数。可选的，所述根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据包括：若所述预测时间点为一个，则将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在所述预测时间点的墒情数据。可选的，若预测时间点为两个或者两个以上，则将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在第一预测时间点的墒情数据；从所述选取的墒情数据以及第一个预测时间点对应的墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在下一预测时间点的墒情数据。本专利技术实施例提供一种基于复数神经网络的土壤墒情预测装置，包括：获取模块，用于获取待预测土壤的历史墒情数据；选取模块，用于从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；转换模块，用于将选取的墒情数据转换为单位圆上的复数；预测模块，用于根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据。可选的，所述装置还包括：建模模块；所述建模模块，用于根据选取的墒情数据的个数确定输入层的节点数；根据输入层的节点数构建多输入单输出的MLMVN神经网络。可选的，当所述MLMVN神经网络含有两个隐含层时，设置第一隐含层节点数少于第二隐含层节点数。可选的，所述预测模块，用于在预测时间点为一个时，将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在所述预测时间点的墒情数据。可选的，所述预测模块，还用于在预测时间点为两个或者两个以上，将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在第一预测时间点的墒情数据；从所述选取的墒情数据以及第一个预测时间点对应的墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在下一预测时间点的墒情数据。由上述技术方案可知，本专利技术实施例提出的基于复数神经网络的土壤墒情预测方法及装置通过将数据转换为单位圆上的复数，以复数土壤墒情作为网络输入以提高农田土壤墒情多步预测精度。附图说明通过参考附图会更加清楚的理解本专利技术的特征和优点，附图是示意性的而不应理解为对本专利技术进行任何限制，在附图中：图1示出了本专利技术一实施例提供的基于复数神经网络的土壤墒情预测方法的流程示意图；图2示出了本专利技术另一实施例提供的基于复数神经网络的土壤墒情预测方法的流程示意图；图3示出了本专利技术另一实施例提供的基于复数神经网络的土壤墒情预测方法中神经网络的拓扑结构示意图；图4示出了本专利技术另一实施例提供的基于复数神经网络的土壤墒情预测方法中循环预测示意图；图5示出了本专利技术一实施例提供的基于复数神经网络的土壤墒情预测装置的结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1示出了本专利技术一实施例提供的基于复数神经网络的土壤墒情预测方法的流程示意图，参见图1，该方法可由处理器时限，具体包括如下步骤：110、获取待预测土壤的历史墒情数据；需要说明的是，土壤的墒情数据可由设置在预设采样点处的传感器采集，预设采样点的数量和位置可视情况而定；另外，优选的是，传感器的型号、采样频率相同，由此，在同一时刻采集土壤不同位置的墒情数据，可见，每个采样时刻都有对应与之对应的墒情数据，并将每个采样时刻对应的墒情数据作为一个样本。120、从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；不难理解的是，在步骤120的基础上，历史墒情数据中包括多个采样时刻(称之为时间点)对应的样本集，本步骤选取距离预测时间点最近的N个时间点以提高选取的数据的准确度。130、将选取的墒情数据转换为单位圆上的复数；本步骤的具体通过实复数转换公式实现，公式(1)如下：其中，u0,u1,......,un为待转化时间序列，序列中有多个时间点以及每个时间点对应的墒情数据；a＝min{uj}为时间序列中最小值，b＝max{uj}为时间序列中最大值，为转化后得到的幅度值，为对转化后幅度范围进行扩展的常数，xj为单位圆上复数的指数表示。140、根据转换后的墒情数据和预构建的多层前馈复数神经网络MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据。不难理解的是，将转换为复数的墒情数据输入至构建完成的MLMVN神经网络中，并设置需要预测的时间点，MLMVN神经网络输出对应的预测的墒情数据。本专利技术实施例通过将数据转换为单位圆上的复数，以转化后的土壤墒情作为MLMVN网络的输入和输出，进而降低建模复杂度并提高农田土壤墒情多步预测精度。图2示出了本专利技术另一实施例提供的基于复数神经网络的土壤墒情预测方法的流程示意图，下面参见图2对本申请的原理进行详细说明，方法具体包括如下步骤：210、数据采本文档来自技高网...

【技术保护点】
一种基于复数神经网络的土壤墒情预测方法，其特征在于，包括：获取待预测土壤的历史墒情数据；从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；将选取的墒情数据转换为单位圆上的复数；根据转换后的墒情数据和预构建的MLMVN神经网络模型预测待预测土壤在所述预测时间点的墒情数据。

【技术特征摘要】
1.一种基于复数神经网络的土壤墒情预测方法，其特征在于，包括：获取待预测土壤的历史墒情数据；从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；将选取的墒情数据转换为单位圆上的复数；根据转换后的墒情数据和预构建的MLMVN神经网络模型预测待预测土壤在所述预测时间点的墒情数据。2.根据权利要求1所述的方法，其特征在于，在根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据之前，所述方法还包括：根据选取的墒情数据的个数确定输入层的节点数；根据输入层的节点数构建多输入单输出的MLMVN神经网络。3.根据权利要求2所述的方法，其特征在于，当所述神经网络含有两个隐含层时，设置第一隐含层节点数少于第二隐含层节点数。4.根据权利要求1所述的方法，其特征在于，所述根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据包括：若所述预测时间点为一个，则将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在所述预测时间点的墒情数据。5.根据权利要求4所述的方法，其特征在于，若预测时间点为两个或者两个以上，则将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在第一预测时间点的墒情数据；从所述选取的墒情数据以及第一个预测时间点对应的墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；将选取的墒情数据输入至MLMVN神经网络，获取待...

【专利技术属性】
技术研发人员：冀荣华，张舒蕾，郑立华，刘云玲，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11