双变量施肥装置排肥量预测模型的构建方法及装置制造方法及图纸

本发明专利技术实施例提供一种双变量施肥装置排肥量预测模型的构建方法及装置，所述方法包括：采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由排肥口开度和排肥轴转速组合以及相应的排肥量组成；基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵；基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定广义回归神经网络模型的最佳平滑因子；将所述最佳平滑因子输入所述广义回归神经网络模型进行训练，获得双变量施肥装置排肥量预测模型。本发明专利技术实施例可用于对双变量施肥装置排肥口开度、排肥轴转速和排肥量之间的关系进行精确建模。

Establishment Method and Device of Fertilizer Discharge Prediction Model for Bivariate Fertilizer Applying Device

The embodiment of the present invention provides a method and device for constructing a fertilizer output prediction model of a bivariate fertilizer applicator. The method includes collecting the fertilizer output per unit time of a bivariate fertilizer applicator under the combination of different fertilizer outlet openings and rotational speeds of the fertilizer outlet, and constructing a sample data set, in which each sample data is composed of the combination of the fertilizer outlet openings and rotational speeds of the fertilizer outlet and the corresponding fertilizer output. Composition: The sample data set is divided into training set matrix and verification set matrix based on K-fold cross-validation method; the optimal smoothing factor of generalized regression neural network model is determined by differential evolution algorithm based on the training set matrix and verification set matrix; the optimal smoothing factor is input into the generalized regression neural network model for training, and the two variables are obtained. Prediction model of fertilizer output of fertilizer applicator. The embodiment of the present invention can be used to accurately model the relationship among the opening of the fertilizer outlet, the rotational speed of the fertilizer axis and the amount of fertilizer discharged in the bivariate fertilization device.

【技术实现步骤摘要】
双变量施肥装置排肥量预测模型的构建方法及装置
本专利技术实施例涉及变量施肥
，更具体地，涉及一种双变量施肥装置排肥量预测模型的构建方法及装置。
技术介绍
变量施肥技术能够根据土壤营养状况按需投入肥料，能够有效降低肥料使用，提高作物产量，提高肥料利用率同时减少环境污染，是现代农业发展的重要方向。我国基肥施用多为颗粒肥，且多采用外槽轮排肥方式，只控制排肥轴转速一个变量进行变量施肥存在脉动性、施肥均匀性和准确性较差的问题。现有技术中已公开了双变量施肥装置，即通过控制外槽轮开度和排肥轴转速两个变量来调整施肥量，以提高施肥均匀性和准确性。实现施肥量精确控制的关键是建立开度、转速和排肥量之间的关系模型，但颗粒肥在肥管中的流动情况复杂，且开度、转速和排肥量之间存在非线性关系，使得利用传统方法建立的开度、转速和排肥量之间的关系模型精度不高。
技术实现思路
本专利技术实施例提供一种克服上述问题或者至少部分地解决上述问题的双变量施肥装置排肥量预测模型的构建方法及装置。第一方面，本专利技术实施例提供一种双变量施肥装置排肥量预测模型的构建方法，包括：采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时本文档来自技高网...

【技术保护点】
1.一种双变量施肥装置排肥量预测模型的构建方法，其特征在于，包括：采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由排肥口开度和排肥轴转速组合以及相应的排肥量组成；基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵；基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定广义回归神经网络模型的最佳平滑因子；将所述最佳平滑因子输入所述广义回归神经网络模型进行训练，获得双变量施肥装置排肥量预测模型。

【技术特征摘要】
1.一种双变量施肥装置排肥量预测模型的构建方法，其特征在于，包括：采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由排肥口开度和排肥轴转速组合以及相应的排肥量组成；基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵；基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定广义回归神经网络模型的最佳平滑因子；将所述最佳平滑因子输入所述广义回归神经网络模型进行训练，获得双变量施肥装置排肥量预测模型。2.根据权利要求1所述的方法，其特征在于，所述基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵的步骤，具体为：确定不同排肥口开度和排肥轴转速组合的个数r，并确定K值；将所述样本数据集划分为K个不相交的子样本数据集，其中每个子样本数据集的样本数据个数为r/K，将每个子样本数据集作为验证集矩阵的一行，生成验证集矩阵；基于所述样本数据集，将每个子样本数据集所对应的剩余r-r/K个样本数据作为训练集矩阵的一行，生成训练集矩阵。3.根据权利要求1所述的方法，其特征在于，所述基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定所述广义回归神经网络模型的最佳平滑因子的步骤，具体为：将所述训练集矩阵中所有排肥口开度和排肥轴转速组合取出构成训练输入矩阵，将所述训练集矩阵中所有排肥量取出构成训练目标矩阵，将所述验证集矩阵中所有排肥口开度和排肥轴转速组合取出构成验证输入矩阵，将所述验证集矩阵中所有排肥量取出构成验证目标矩阵；设置初始平滑因子的取值范围，生成初始种群，并进行差分进化算法的初始化设置，包括设置迭代终止条件、种群规模、缩放因子、交叉概率和最大迭代次数；以所述初始种群为输入，将所述训练输入矩阵和训练目标矩阵输入所述广义回归神经网络模型进行训练，以所述验证输入矩阵作为训练好的广义回归神经网络模型的输入，获得的模型输出组成输出矩阵，以所述输出矩阵与所述验证目标矩阵的差的F范数为适应度函数，求取当前代种群中每个个体的适应度函数值；判断是否满足迭代终止条件，若满足，则停止迭代，将当前代种群中适应度函数值最小的个体作为最佳平滑因子；或者，若不满足，则对当前代种群进行变异、交叉和选择操作，产生新一代种群，开始进行下一次迭代。4.根据权利要求1所述的方法，其特征在于，所述采集不同排肥口开度...

【专利技术属性】
技术研发人员：刘刚，张季琴，胡号，黄家运，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京,11