一种基于人工蜂群优化BP神经网络的玉米产量预测方法技术

本发明专利技术公开了一种基于人工蜂群优化BP神经网络的玉米产量预测方法。步骤1：将数据导入BP神经网络，并对样本进行归一化处理；步骤2：构建BP神经网络的网络结构；步骤3：初始化人工蜂群用到的相关参数；步骤4：计算种群的初始值；步骤5：通过目标函数计算出初始的食物源，找到食物源中的最小值，将其保存在全局最小值中；步骤6：雇佣蜂搜索食物源阶段；步骤7：观察蜂选择食物源阶段；步骤8：侦察蜂淘汰食物源阶段；步骤9：人工蜂群算法结束，进入BP神经网络阶段，获取最优数值阈值；步骤10：完成玉米产量的预测。本发明专利技术解决在实际玉米产量预测中人工蜂群算法，最优值的寻优技术依旧不够精确问题。

A prediction method of corn yield based on artificial bee colony optimization BP neural network

【技术实现步骤摘要】
一种基于人工蜂群优化BP神经网络的玉米产量预测方法
本专利技术属于产量预测
，尤其涉及一种基于人工蜂群优化BP神经网络的玉米产量预测方法。
技术介绍
在一个数据预测系统中，获得数据之后，一般要对其进行预处理。在农业物联网、智能家居等邻域的智能控制系统和预测系统中，根据输入的参数会不可避免的从大量的历史数据中寻找相对优秀的值，这会给智能控制系统和预测系统的处理与分析带来很多困难。因此，在这些系统中，寻找最优值就成为了最重要的一部分。当今时代，尽管智能预测系统和控制系统已经在许多领域应用，但是仍然应用不够广泛，如农业物联网、车联网等。目前，在农业种植领域，依旧需要雇佣大量的人工来进行灌溉、种植、收割等工作，不仅耗费人力，而且降低了种植效率和产量。通过在物联网中加入智能预测系统和控制系统，将输入的参数模型与历史模型相比较，寻找最优值，实现产量预测。同时，在物联网发展趋势的背景下，借助人工蜂群算法和BP神经网络实现的预测系统，可以有效预测农业种植的产量。然而，在实际预测中人工蜂群算法，最优值的寻优技术依旧不够精确、降低了预测的精确度，无法本文档来自技高网...

【技术保护点】
1.一种基于人工蜂群优化BP神经网络的玉米产量预测方法，其特征在于，所述预测方法包括以下步骤：/n步骤1：导入BP神经网络训练及预测所需要的玉米产量输入样本数据，并对玉米产量样本数据进行归一化处理；/n步骤2：构建BP神经网络的网络结构，并初始化BP神经网络的数值阈值；/n步骤3：确定参数集，初始化人工蜂群用到的相关参数；/n步骤4：通过Tent映射初始化种群，计算种群的初始值；/n步骤5：通过目标函数计算出初始的食物源，将BP神经网络训练得到的误差作为适应度函数计算雇佣蜂的适应度值，并找到食物源中的最小值，将其保存在全局最小值中；/n步骤6：将计算得到的食物源数组赋值给新食物源数组，并通过非...

【技术特征摘要】
1.一种基于人工蜂群优化BP神经网络的玉米产量预测方法，其特征在于，所述预测方法包括以下步骤：
步骤1：导入BP神经网络训练及预测所需要的玉米产量输入样本数据，并对玉米产量样本数据进行归一化处理；
步骤2：构建BP神经网络的网络结构，并初始化BP神经网络的数值阈值；
步骤3：确定参数集，初始化人工蜂群用到的相关参数；
步骤4：通过Tent映射初始化种群，计算种群的初始值；
步骤5：通过目标函数计算出初始的食物源，将BP神经网络训练得到的误差作为适应度函数计算雇佣蜂的适应度值，并找到食物源中的最小值，将其保存在全局最小值中；
步骤6：将计算得到的食物源数组赋值给新食物源数组，并通过非线性公式、贪婪选择策略以及轮盘赌计算选择概率p(xi)；
步骤7：利用轮盘赌计算得到的选择概率p(xi)选择雇佣峰搜索到的食物源，将得到的最小值与全局最小值相比较，并将两者中更小的数作为新的全局最小值；
步骤8：利用初始化阶段设置的参数limit，判断在limit次的循环内食物源是否得到改善，若食物源得到改善，则继续运行，否则重新更新雇佣峰的位置；
步骤9：判断人工蜂群算法是否结束，若未结束，则跳转到步骤6继续执行循环，若结束，则进入BP神经网络阶段，获取最优数值阈值；
步骤10：在获取最优数值阈值后，计算BP神经网络训练得到的误差，并计算更新阈值，判断该阈值是否满足终止条件，若满足则进行仿真分类识别，将BP预测得到的玉米产量数据同真实的玉米产量数据进行对比，并输出对比图和相对误差；若不满足则继续执行步骤10，直至满足终止条件，至此，完成玉米产量的预测。


2.根据权利要求1所述一种基于人工蜂群优化BP神经网络的玉米产量预测方...

【专利技术属性】
技术研发人员：刘勇，王亮，
申请(专利权)人：黑龙江大学，哈尔滨普曼科技有限公司，
类型：发明
国别省市：黑龙;23