基于反向神经网络的柑橘叶片湿润时间预测方法技术

本申请涉及一种基于反向神经网络的柑橘叶片湿润时间预测方法，包括以下步骤：S1：设置检测、采集组件：将若干叶片湿润传感器分别安装在柑橘树冠层预设的监测点，在柑橘树旁侧安装小型气象站；S2：叶片湿润时间数据及气象数据的采集和预处理；S3：通过气象数据构建反向神经网络；S4：传感器测量值校准：根据传感器测量数据对神经网络模型的输出结果做校准获得校准系数；S5：通过校准系数校准预测时间获得叶片湿润时间；本方法不需要繁杂的变量因素，误差较小，性能良好，便于计算，具有推广性、普适性。适性。适性。

【技术实现步骤摘要】
基于反向神经网络的柑橘叶片湿润时间预测方法


[0001]本专利技术涉及叶片湿润时间预测
，具体涉及一种基于反向神经网络的柑橘叶片湿润时间预测方法。

技术介绍

[0002]测病害才能有效提高柑橘品质。溃疡病是柑橘主要的病害之一，为国内外植物重要检疫对象，直接影响着柑橘的正常生长。相关研究表明许多细菌、真菌和卵菌疾病在各种作物上的进展和风险与叶子和果实在有利于感染的温度下存在游离水有关，尽管感染或流行病模型的速率参数经常与潮湿期的温度相关联，但是特定持续时间的叶片潮湿期对于大多数植物病原真菌的繁殖体萌发和它们渗透植物组织是必需的。叶片湿润时间对溃疡病的发生起到至关重要的作用，监测柑橘叶片湿润时间可用于构建柑橘疾病预警系统。
[0003]叶片湿润时间在植物疾病流行病学中很重要，而且在其它地方进行的研究也很多，但叶片湿润时间仍然被认为是一个非标准的微气象变量，并且没有测量叶片湿润时间的标准系统。目前国外对叶片湿润时间的预测主要使用物理模型和经验模型，前者准确但复杂，需要繁杂的变量，而这些变量并不总是可获取的，后者使用气象变量作为输入的统计模型，比较适合大部分的场景，但是模型的误差较高，不适合作为预警系统的输入。

技术实现思路

[0004]本专利技术的目的是针对以上不足之处，提供了一种基于反向神经网络的柑橘叶片湿润时间预测方法。
[0005]本专利技术解决技术问题所采用的一个技术方案是，提供一种基于反向神经网络的柑橘叶片湿润时间预测方法，包括以下步骤：
[0006]S1：设置检测、采集组件：将若干叶片湿润传感器分别安装在柑橘树冠层预设的监测点，在柑橘树旁侧安装小型气象站；
[0007]S2：数据采集和预处理：通过数据采集器收集叶片湿润传感器的叶片湿润时间数据及小型气象站的气象数据，数据采集器将叶片湿润时间数据和气象数据并上传至服务器进行数据处理；
[0008]S3：通过气象数据构建反向神经网络；
[0009]S4：根据叶片湿润传感器测量数对神经网络模型的输出结果做校准获得校准系数；
[0010]S5：通过校准系数校准预测时间获得叶片湿润时间。
[0011]进一步的，在步骤S1之前，需要先进行检测、采集组件的校准，叶片湿润传感器通过喷水实验进行校准，小型气象站通过提前测量一段时间数据后再安装使用。
[0012]进一步的，在步骤S1中，监测点于柑橘树冠层的两侧分别设置3个，小型气象站安装在柑橘树旁1m的位置。
[0013]进一步的，在步骤S2中，采用CR1000数据采集器进行数据采集。
[0014]进一步的，在步骤S2中，服务器采用云服务器。
[0015]进一步的，在步骤S3中，气象数据为气温、相对湿度、风速、降雨量、净太阳辐射。
[0016]进一步的，在步骤S3中，构建反向神经网络模型的具体步骤为：
[0017]S3.1：初始化参数：输入层为气温、相对湿度、风速、降雨量和净太阳辐射，输入层节点确定为5个，隐藏层为10层，隐藏层神经元节点数的选择公式(1)，选择5个神经元，输出层为叶片湿润时间，输出层节点为1个；
[0018][0019]其中N1为隐藏层节点数；m为输出节点数；n为输入神经元数；a为1～10之间的常数。
[0020]S3.2：前向传播；
[0021]S3.3：计算误差：完成前向传播后，神经网络的预测值不一定正确，需要将神经网络的预测值和对应的数据标签来比较，采用公式(2)计算出误差；
[0022][0023]其中m为样本数,a为输出值，y为期望值；
[0024]S3.4：反向传播；
[0025]S3.5：采用公式(3)、公式(4)更新参数：
[0026]W
[l]＝W
[l]‑
αdW
[l]ꢀꢀ
(3)
[0027]b
[l]＝b
[l]‑
αdb
[l]ꢀꢀ
(4)
[0028]其中α是学习率。
[0029]进一步的，前向传播的具体步骤为：
[0030]S3.2.1：线性部分(LINEAR)：利用输入A、权重W、偏置b来计算线性结果 Z＝np.dot(W,A)+b,并输出Z；
[0031]S3.2.2：线性激活部分(LINEAR
‑
>ACTIVATION)：将线性和激活分组为一个功能，先实现一个执行LINEAR前进步骤，然后执行ACTIVATION前进步骤的功能；
[0032]激活函数的数学实现选择公式(5)、公式(6)；
[0033][0034]ReLU:A＝RELU(Z)＝max(0,Z)
ꢀꢀ
(6)
[0035]通过公式(7)实现LINEAR
‑
>ACTIVATION这个步骤；
[0036]A
[l]＝g(Z
[l])＝g(W
[l]A
[l
‑
1]+b
[l])
ꢀꢀ
(7)
[0037]其中大写字母加上标[l]表示矩阵，函数g是sigmoid()或relu()，sigmoid()只在输出层使用；
[0038]S3.2.3：[LINEAR
‑
>RELU]×
(L
‑
1)
‑
>LINEAR
‑
>SIGMOID。
[0039]进一步的，反向传播的具体步骤为：
[0040]S3.3.1：先行部分向后计算(LINEAR backward)；
[0041]S3.3.2：线性激活部分(LINEAR
‑
>ACTIVATION backward)，使用sigmoid_backward 进行sigmoid()函数的反向传播，使用relu_backward进行relu()函数的反向传播；
[0042]S3.3.3：[LINEAR
‑
>RELU]×
(L
‑
1)
‑
>LINEAR
‑
>SIGMOID后向计算。
[0043]进一步的，在步骤S4中，通过构建传感器测量值和模型预测值的回归模型，获得校
准系数。
[0044]与现有技术相比，本专利技术具有以下有益效果：不需要繁杂的变量因素，误差较小，性能良好，便于计算，具有推广性、普适性。
附图说明
[0045]下面结合附图对本专利技术专利进一步说明。
[0046]图1为本方法的流程图。
[0047]图2为本方法的反向神经网络的结构图。
具体实施方式
[0048]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。应当理解，此处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于反向神经网络的柑橘叶片湿润时间预测方法，其特征在于，包括以下步骤：S1：设置检测、采集组件：将若干叶片湿润传感器分别安装在柑橘树冠层预设的监测点，在柑橘树旁侧安装小型气象站；S2：数据采集和预处理：通过数据采集器收集叶片湿润传感器的叶片湿润时间数据及小型气象站的气象数据，数据采集器将叶片湿润时间数据和气象数据并上传至服务器进行数据处理；S3：通过气象数据构建反向神经网络；S4：根据叶片湿润传感器测量数对神经网络模型的输出结果做校准获得校准系数；S5：通过校准系数校准预测时间获得叶片湿润时间。2.根据权利要求1所述的基于反向神经网络的柑橘叶片湿润时间预测方法，其特征在于：在步骤S1之前，需要先进行检测、采集组件的校准，叶片湿润传感器通过喷水实验进行校准，小型气象站通过提前测量一段时间数据后再安装使用。3.根据权利要求1所述的基于反向神经网络的柑橘叶片湿润时间预测方法，其特征在于：在步骤S1中，监测点于柑橘树冠层的两侧分别设置3个，小型气象站安装在柑橘树旁1m的位置。4.根据权利要求1所述的基于反向神经网络的柑橘叶片湿润时间预测方法，其特征在于：在步骤S2中，采用CR1000数据采集器进行数据采集。5.根据权利要求1所述的基于反向神经网络的柑橘叶片湿润时间预测方法，其特征在于：在步骤S2中，服务器采用云服务器。6.根据权利要求1所述的基于反向神经网络的柑橘叶片湿润时间预测方法，其特征在于：在步骤S3中，气象数据为气温、相对湿度、风速、降雨量、净太阳辐射。7.根据权利要求1所述的基于反向神经网络的柑橘叶片湿润时间预测方法，其特征在于：在步骤S3中，构建反向神经网络模型的具体步骤为：S3.1：初始化参数：输入层为气温、相对湿度、风速、降雨量和净太阳辐射，输入层节点确定为5个，隐藏层为10层，隐藏层神经元节点数的选择公式(1)，选择5个神经元，输出层为叶片湿润时间，输出层节点为1个；其中N1为隐藏层节点数；m为输出节点数；n为输入神经元数；a为1～10之间的常数。S3.2：前向传播；S3.3：计算误差：完成前向传播后，神经网络的预测值不一定正确，需要将神经网络的预测值和对应的数据标签来比较，采用公式(2)计算出误差；其中m为样本数,a为输出值，y为期望值；S3.4：反向传播；S3.5：采用公式(3)、公式(4)更新参数：W
[l]
＝W
[l]
‑
αdW
[l]
ꢀꢀ
(3)b
[l]
＝b
[l]
‑
αdb
[l]
ꢀꢀ
[4]其中α是学...

【专利技术属性】
技术研发人员：望梦成，胡洁，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：