一种基于神经网络的森林虫害发生概率计算处理方法技术

本发明专利技术提供了一种基于神经网络的森林虫害发生概率计算处理方法，包括如下步骤：1)、收集发生虫害和未发生虫害的森林的相关特征数据：2)、设定标签：发生森林虫害的数据特征向量设定标签为1；未发生森林虫害的数据特征向量设定标签为0；3)、构造森林虫害预测神经网络模型：4)、训练神经网络并测试；5)、待测实际数据计算处理来判断虫害是否可能会发生。本发明专利技术由于采用已知的数据对神经网络进行训练，再输入待测实际数据进行计算处理，因此最终的计算结果更为准确有效。

【技术实现步骤摘要】
一种基于神经网络的森林虫害发生概率计算处理方法
本专利技术涉及林业病虫害防治
，尤其涉及一种基于神经网络的森林虫害发生概率计算处理方法。
技术介绍
森林虫灾现象是指森林中一种或多种害虫大面积爆发，导致森林植被发育不良、产量和质量下降，甚至引起大面积树木死亡和生态恶化的现象。森林虫灾现象具有潜伏时间短，爆发速度快，且一旦爆发过程不可逆，往往很难治理，极易造成巨大经济损失。因为森林虫害治理困难，且会给林业经济带来严重影响，所以森林虫灾预判断就显得非常重要，在虫灾可能会发生但并未爆发前及时发现，从而可使林业管理人员提前进行防虫处理，将虫灾扼杀在摇篮中，或尽量减少经济损失。现有的森林虫灾预判断的方法，早期多以人工调查的方法为主，林业管理人员在森林中记录虫害的种类、害虫种群数量与密度、虫卵密度，在结合气候等因素来判断是否会有虫害爆发，但对于收集到的数据没有有效的处理方法，大都是依靠经验来判断。人工调查的方法费事费力且不易实现，随着技术的发展，无人机监控技术得以应用，用无人机代替人工来收集相关数据从而进行判断。此外，物候法是指根据气候和节气的变化来判断虫害的发生，因为动物和植物的发育受自然气候直接影响，各种害虫的某一虫期也是在一定时节出现，所以特定的时节更容易出现虫灾。诱测法是指利用害虫的趋光性、趋化性或某种特殊习性来测出某一害虫的分布情况和种群密度，根据历史资料来判断虫害是否会发生。现有技术缺点：1、人工调查法费时费力，数据不易处理，总体不易实现准确判断。2、无人机监控法，无法在森林内部操作，只能在森林上空采集数据。采集的数据单一且不易处理。3、物候法只重点考虑气候这一重要因素，没有综合考虑植被的密度，树木的种类、空气湿度等其他因素，判断准确率不高。4、诱测法重点考虑了某一害虫的分布和种群密度，与物候法类似，数据特征单一，判断准确率不高。综上可见，现有的判断方法没有综合考虑各方面因素，且数据不易处理，因此准确性比较低。
技术实现思路
为解决目前现有技术准确率低、不能有效判断虫害是否会发生的困境，本专利技术提供了一种基于神经网络的森林虫害发生概率计算处理方法。1、一种基于神经网络的森林虫害发生概率计算处理方法，其特征在于，包括如下步骤：1)、收集发生虫害和未发生虫害的森林的相关特征数据：包括森林温度数据t、森林湿度数据d、植被密度数据td、害虫种类数据k、害虫种群密度数据pd，将收集的特征数据组成一个特征向量，记为Xi，Xi＝(ti,di,tdi,ki,pdi)，i＝1,2，...n，n≥30；收集的发生虫害的森林的特征数据和未发生森林虫害的特征数据数量一样，且均不少于15组；2)、设定标签：发生森林虫害的数据特征向量设定标签为1，这里的1代表该数据特征向量组为发生森林虫害的相关数据；未发生森林虫害的数据特征向量设定标签为0，这里的0代表该数据特征向量组为未发生森林虫害的相关数据；每组特征向量都对应一个标签来表示该组数据所对应的类别；3)、构造判断森林虫害是否会发生的计算处理神经网络模型：神经网络包括三层：输入层、隐藏层、输出层，其中，输入层神经元个数为5，输出层神经元个数为1，隐藏层神经元个数设定为8；激活函数选用sigmoid函数，误差函数选用均方误差函数；4)、训练神经网络并测试：4-1)、先进行前向传播，输入层-隐藏层的计算：输入向量Xi、连接权值w、隐藏层输出值h之间的计算关系如下：在上式(1)中，f(x)是激活函数，n为隐藏层神经元个数，取值为8，xk是输入向量Xi中的元素，k＝1、2、3、4或5；b为阈值，也称偏置项；wkj为输入层-隐藏层的连接权值；4-2)、接着进行隐藏层-输出层的计算，此时隐藏层的输出数据hj为输出层的输入值，下述output为输出层输出值，wj为隐藏层-输出层的连接权值，隐藏层-输出层的计算关系如下：4-3)、然后再进行反向传播：反向传播的目的是为了更新各个连接权重和偏置项的值，以获得最小误差，应用梯度下降方法来更新连接权值；梯度下降方法即是用误差函数对各个连接权值求偏导数，设误差为E，误差通过均方误差函数来计算，则：上式(3)中target为目标输出值，即标签，output为计算输出值；连接权重值w和阈值b的更新函数：这里的w就是指前面所述的wkj、wj；上式(4)中，其中w+为更新后的相应连接权重值，b+为更新后的相应阈值，w为当前权重值，b为当前阈值，为误差对该权重值的偏导数，为误差对该阈值的偏导数；η为学习率；训练网络时将步骤1)收集的数据组随机选取四分之三代入神经网络进行训练，直至网络收敛；训练结束的条件是训练次数大于预定的次数或误差值小于设定的数值；预定的训练次数不少于5000次，期望误差值小于0.01；神经网络训练好后需测试，将未进行训练的那四分之一数据代入训练好的神经网络，测试网络识别的准确性，若准确率较高，大于等于90％，则表示网络训练完成，若准确率不高，低于90％，则重新训练网络；训练好的神经网络可直接应用于判断虫害是否会发生的计算处理，在下次再用时无需重复训练网络，但当训练数据的数据集中加入较多新数据时，需再次训练网络；5)、使用待测实际数据计算处理来判断虫害是否可能会发生：采集待判断森林的相关数据，采集的数据包括森林温度数据t’、森林湿度d’、植被密度td’、害虫种类k’、害虫种群密度pd’，温度、湿度可用相应的温度计、湿度计来直接测量，植被密度可用无人机拍照的方式来间接测量，害虫种类和害虫种群密度可通过诱测法来获取；将采集好的待测数据作为神经网络的输入层数据送入已训练好的神经网络模型中进行计算，得到计算输出值a，若a值为大于或等于0.5到小于或等于1之间的值，则表示森林发生虫害的可能性较大，若a值为小于0.5到0之间的值，则表示森林发生虫害的可能性不大。本专利技术综合考虑虫灾可能会发生的各方面因素，提出了一个五输入，一输出的神经网络，将森林温度数据t、森林湿度数据d、植被密度数据td、害虫种类数据k、害虫种群密度数据pd，将收集的特征数据组成一个特征向量作为输入层的特征向量，输出层输出一个标签：标签为1代表该数据特征向量组为发生森林虫害的相关数据；未发生森林虫害的数据特征向量设定标签为0；通过正向传播和反向传播，训练神经网络和减小误差，由于采用过去已有的发生虫灾状况下的数据和过去已有的未发生虫灾状况下的数据作为输入向量训练网络，并降低误差，因而最终输出的结果更为准确有效。附图说明图1为本专利技术一种基于神经网络的森林虫害发生概率计算处理方法中神经网络的结构图；图2为本专利技术一种基于神经网络的森林虫害发生概率计算处理方法的流程图。具体实施方式本专利技术提供了一种基于神经网络的森林虫害发生概率计算处理方法，如图1所示的本专利技术神经网络的结构图，以及图2所示本专利技术方法的流程图，本专利技术包括如下步骤：1)、收集发生虫害和未本文档来自技高网...

【技术保护点】
1.一种基于神经网络的森林虫害发生概率计算处理方法，其特征在于，包括如下步骤：/n1)、收集发生虫害和未发生虫害的森林的相关特征数据：包括森林温度数据t、森林湿度数据d、植被密度数据td、害虫种类数据k、害虫种群密度数据pd，将收集的特征数据组成一个特征向量，记为X

【技术特征摘要】
1.一种基于神经网络的森林虫害发生概率计算处理方法，其特征在于，包括如下步骤：
1)、收集发生虫害和未发生虫害的森林的相关特征数据：包括森林温度数据t、森林湿度数据d、植被密度数据td、害虫种类数据k、害虫种群密度数据pd，将收集的特征数据组成一个特征向量，记为Xi，Xi＝(ti,di,tdi,ki,pdi)，i＝1,2，...n，n≥30；收集的发生虫害的森林的特征数据和未发生森林虫害的特征数据数量一样，且均不少于15组；
2)、设定标签：发生森林虫害的数据特征向量设定标签为1，这里的1代表该数据特征向量组为发生森林虫害的相关数据；未发生森林虫害的数据特征向量设定标签为0，这里的0代表该数据特征向量组为未发生森林虫害的相关数据；每组特征向量都对应一个标签来表示该组数据所对应的类别；
3)、构造判断森林虫害是否会发生的计算处理神经网络模型：神经网络包括三层：输入层、隐藏层、输出层，其中，输入层神经元个数为5，输出层神经元个数为1，隐藏层神经元个数设定为8；激活函数选用sigmoid函数，误差函数选用均方误差函数；
4)、训练神经网络并测试：
4-1)、先进行前向传播，输入层-隐藏层的计算：输入向量Xi、连接权值w、隐藏层输出值h之间的计算关系如下：



在上式(1)中，f(x)是激活函数，n为隐藏层神经元个数，取值为8，xk是输入向量Xi中的元素，k＝1、2、3、4或5；b为阈值，也称偏置项；wkj为输入层-隐藏层的连接权值；
4-2)、接着进行隐藏层-输出层的计算，此时隐藏层的输出数据hj为输出层的输入值，下述output为输出层输出值，wj为隐藏层-输出层的连接权值，隐藏层-输出层的计算关系如下：



4-3)、然后再进行反向传播：反向传播的目的是为了更新各个连接权重和偏置项的值，以获得最小误差...

【专利技术属性】
技术研发人员：郭其强，张亚琴，
申请(专利权)人：贵州大学，
类型：发明
国别省市：贵州;52