基于模糊神经网络的土壤肥力评估方法技术

本发明专利技术公开了基于模糊神经网络的土壤肥力评估方法。现有方法测量步骤多、效率低、成本高。本发明专利技术方法首先构建土壤肥力评价指标体系，对数据进行预处理，设定语言变量矩阵，确定输出量作为TS模糊神经网络第一次学习的初值，将输入向量代入每一条模糊规则，计算每个规则对应的适应度，得到对应于输入向量的加权平均输出，利用迭代优化的方法确定参数，并对输出误差添加矫正回路，达到矫正回路学习次数上限后，输出经过神经网络学习后的最终肥力评估值以及最终误差。本发明专利技术方法将误差用矫正回路进行学习，使得肥力评估精度比一般的TS模糊神经网络更高。本发明专利技术方法所需土壤参数测量指标较少，具有较高的肥力评估精确度。

【技术实现步骤摘要】
基于模糊神经网络的土壤肥力评估方法
本专利技术属于计算机
，涉及一种利用模糊神经网络，能够减少土壤参数测量指标，并保证精度的土壤肥力评估方法。
技术介绍
土壤状况是关系到农业生产以及土地资源的重要因素之一，因此对土壤的各项参数进行检测是十分必要的。现有的土壤肥力评估往往以灰色关联法，模糊综合评判法等综合赋权评价为主。这些方法虽然能够保证足够高的精度，但是所需土壤参数测量指标过多，需要利用多种化学实验测量土壤中的有机物含量，测量步骤多，效率低，经济成本高。部分土壤肥力测量方法直接采用电导率进行评估肥力，虽然测量成本低，但电导率并不能全面地反映肥力状况，精度不够。因此需要提出一种所需测量参数少，精度高，测量效率高，经济成本低的土壤评价方法。
技术实现思路
本专利技术的目的在于提供一种基于模糊神经网络的土壤肥力评估方法，该方法所需评价指标少，对土壤肥力的评估精度高，实现对土壤肥力的经济，高效测量。本专利技术通过以下方案予以实现：步骤(1).构建土壤肥力评价指标体系：土壤肥力评价指标包括土壤化学性状指标本文档来自技高网...

【技术保护点】
1.基于模糊神经网络的土壤肥力评估方法，其特征在于，该方法具体是：/n步骤(1).构建土壤肥力评价指标体系：土壤肥力评价指标包括土壤化学性状指标和土壤养分状况指标；/n步骤(2).数据预处理，采用TS模糊神经网络进行综合评估，并对网络进行训练；/n步骤(3).设定语言变量矩阵A；/n步骤(4).利用输出量与输入量之间的线性关系确定输出量，作为TS模糊神经网络第一次学习的初值；/n步骤(5).将输入向量代入每一条模糊规则，对于第j个归一化后的输入量x

【技术特征摘要】
1.基于模糊神经网络的土壤肥力评估方法，其特征在于，该方法具体是：
步骤(1).构建土壤肥力评价指标体系：土壤肥力评价指标包括土壤化学性状指标和土壤养分状况指标；
步骤(2).数据预处理，采用TS模糊神经网络进行综合评估，并对网络进行训练；
步骤(3).设定语言变量矩阵A；
步骤(4).利用输出量与输入量之间的线性关系确定输出量，作为TS模糊神经网络第一次学习的初值；
步骤(5).将输入向量代入每一条模糊规则，对于第j个归一化后的输入量xj,在Ri中采用高斯型函数得到其对于语言变量Ai,j的隶属度其中，ci,j和σi,j为常数，需要在后续的迭代优化中加以确定；
步骤(6).计算每个规则对应的适应度
步骤(7).根据适应度wi以及输出量yi，求出对应于输入向量的加权平均输出y：

其中，
步骤(8).利用迭代优化的方法确定参数；
步骤(9).达到学习次数上限后,对输出误差添加矫正回路；
步骤(10).达到矫正回路学习次数上限K′后，输出经过神经网络学习后的最终肥力评估值以及最终误差。


2.如权利要求1所述的基于模糊神经网络的土壤肥力评估方法，其特征在于，步骤(1)中所述的土壤化学性状指标包括土壤阳离子交换量、土壤pH值；所述的土壤养分状况指标包括土壤全钾含量、土壤全氮含量、土壤全磷含量、土壤有机质含量。


3.如权利要求1所述的基于模糊神经网络的土壤肥力评估方法，其特征在于，步骤(2)具体是：将测量值归一化，第s项指标的任意一个测量值为X(s)，s＝1,2,…,S；
如果该指标与土壤肥力呈正相关，则归一化后的输入量的值为
如果该指标与土壤肥力呈负相关，则归一化后的输入量的值为
得到输入向量X(s)max和X(s)min分别为输入的第s个指标的所有样本数据中的最大值与最小值，S为输入指标的个数，T表示转置。


4.如权利要求3所述的基于模糊神经网络的土壤肥力评估方法，其特征在于，步骤(3)中所述的语言变量矩阵Ai,j表示第i条模糊规则Ri中，第j个输入量对应的语言变量，i＝1,2,…,I，j＝1,2,…,J，I为模糊规则数量，J为一个模糊规则的输入量数量。


5.如权利要求4所述的基于模糊神经网络的土壤肥力评估方法，其特征在于，步骤(4)具体是：对于第j个输入量，其所含语言变量的总数为rj，则模糊规则总数将输入变量进行如下线性组合，确定输出变量yi，即对于Ri有：当x1为Ai,1，且x2为Ai,2，x3为Ai,3，…，xJ为Ai,J时,则yi表达为：pi,j表示第i条模糊规则的输出量的线性表达式中第j个输入量的系数，pi,0为常数项；pi,j通过不断学习迭代得到，迭代的第一步pi,j取0～0.3任意值，得到初步的输出量yi。


6.如权利要求5所述的基于模糊神经网络的土壤肥力评估方法，其特征在于，步骤(8)具体是：采用梯度下降的参数pi,j学习算法，得到使误差最小；同样利用梯度算法，迭代优化参数ci,j和σi,j，重复步骤(4)～(7)，直到达到设定的迭代学习次数上限K，输出第l个样本的最后一次迭代得到的肥力状况yl′；
对于参数pi,j的迭代学习算法，则需要以输出误差最小为目标，设输入的训练样本数为m，则第l个输入向量
在迭代结束前，第l个样本在第n次迭代时经神经网络输出的肥力值为yl(n)，对应的用于验证的肥力值为Yl,则在第n次迭代时，对全部样本进行学习的总误差：



Yl通过土壤科学数据库获得土壤氮、磷、钾、有机质含量，通过灰色关联法进行计算得到；用于验证的肥力值表达式为其中，al,r表示第l个样本的第r个评价指标归一化后的数值...

【专利技术属性】
技术研发人员：郑夫夫，朱嘉宁，葛晨栋，霍天缘，郭思嘉，王俊杭，李德钊，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33