基于BP神经网络的土壤重金属含量预测方法及系统技术方案

本发明专利技术提供一种基于BP神经网络的土壤重金属含量预测方法及系统，包括输入土壤重金属数据集训练样本，以采取的土壤样本的区域经度、纬度、高度以及土壤农作物种植类型作为特征值，提取得到土壤中各种重金属的含量；设置BP神经网络的网络结构，初始化BP神经网络中输入层和隐藏层的权值与阈值通过分组教学优化算法对权值与阈值组成的个体随机生成种群；计算种群的适应度，执行能力分组阶段，比较种群中的适应度大小，执行教师分配阶段，对种群的个体进行更新；返回循环训练BP神经网络训练，直到满足结束条件，得到最优权值与阈值，得到土壤重金属含量预测模型；对需要预测的数据进行仿真预测，得到土壤中各种重金属的含量预测值。

【技术实现步骤摘要】
基于BP神经网络的土壤重金属含量预测方法及系统
本专利技术涉及土壤重金属含量预测
，特别涉及一种基于分组教学优化算法优化BP神经网络的土壤重金属预测方法及系统。
技术介绍
随着人们日常生活的增多和工厂生产活动的发展，重金属会过多流入土壤，导致土壤的利用价值降低，对生态环境造成污染，更严重的可能危害到人体健康，造成巨大损失，因此要预防土壤重金属污染，对重金属的检测是必要且重要的一环。目前，土壤重金属检测一般采用BP神经网络技术，例如：专利号为201711281809.6的专利提供一种基于Elman神经网络模型的土壤重金属含量预测方法，训练后将土壤重金属含量的历史数据和测试样本的LIBS光谱数据处理后输入基于堆栈自编码网络的Elman神经网络预测分析模型中，完成对测试样本的土壤重金属含量的动态分析预测。Elman神经网络是一种典型的动态递归神经网络，它是在BP网络基本结构的基础上实现的。BP神经网络是一种将误差反向传播算法与人工神经网络相结合的多层前馈神经网络算法。BP神经网络算法主要执行两个过程：训练样本从输入层输入本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的土壤重金属含量预测方法，其特征在于，包括以下步骤：/n步骤1，输入土壤重金属数据集训练样本，以采取的土壤样本的区域经度、纬度、高度以及土壤农作物种植类型作为特征值，提取得到土壤中各种重金属的含量，对各特征值和含量数据均进行归一化预处理；/n步骤2，设置BP神经网络的网络结构，所述BP神经网络包括输入层、隐藏层和输出层，根据特征值确定输入层节点数、根据输出重金属的含量种类确定输出层节点数；/n步骤3，初始化BP神经网络中输入层和隐藏层的权值(w1，w2)与阈值(b1,b2)，通过分组教学优化算法对权值与阈值组成的个体随机生成种群，对种群进行初始化操作；/n其中，w1和b...

【技术特征摘要】
1.一种基于BP神经网络的土壤重金属含量预测方法，其特征在于，包括以下步骤：
步骤1，输入土壤重金属数据集训练样本，以采取的土壤样本的区域经度、纬度、高度以及土壤农作物种植类型作为特征值，提取得到土壤中各种重金属的含量，对各特征值和含量数据均进行归一化预处理；
步骤2，设置BP神经网络的网络结构，所述BP神经网络包括输入层、隐藏层和输出层，根据特征值确定输入层节点数、根据输出重金属的含量种类确定输出层节点数；
步骤3，初始化BP神经网络中输入层和隐藏层的权值(w1，w2)与阈值(b1,b2)，通过分组教学优化算法对权值与阈值组成的个体随机生成种群，对种群进行初始化操作；
其中，w1和b1是输入层到隐藏层之间的权值与阈值，w2和b2是隐藏层到输出层之间的权值与阈值；
步骤4，计算种群的适应度，执行分组教学优化算法的能力分组阶段，包括根据预设的适应度函数计算种群中每个个体的适应度大小，然后比较适应度大小，将适应度较大的一半种群个体分成优秀学生种群，将另一半适应度较小的种群个体分成一般学生种群；
步骤5，比较种群中的适应度大小，执行分组教学优化算法的教师分配阶段，从优秀学生种群和一般学生种群中选取教师；
步骤6，对种群的个体进行更新，执行分组教学优化算法的教师教学阶段与学生学习阶段；
步骤7，返回循环执行步骤4-6训练BP神经网络训练，直到满足结束条件，得到最优权值与阈值，得到土壤重金属含量预测模型，进入步骤8；
步骤8，根据步骤7所得土壤重金属含量预测模型，对需要预测的数据进行仿真预测，得到土壤中各种重金属的含...

【专利技术属性】
技术研发人员：张聪，吕鑫涛，曹文琪，陈晓玲，谢松武，胡殿涛，
申请(专利权)人：武汉轻工大学，
类型：发明
国别省市：湖北;42