一种基于极限学习机的土壤湿度预测方法技术

本发明专利技术公开了一种基于极限学习机的土壤湿度预测方法，包括输入数据，对数据进行预处理，将数据集划分为训练集和测试集；确定极限学习机神经网络的拓扑结构为层次型，层次型模型将神经网络分为输入层、隐含层和输出层，各层顺序连接，分别设置输入层、隐含层和输出层神经元的个数；对极限学习机神经网络进行初始化，随机产生输入层与隐含层间的连接权值及隐含层神经元的阈值；选择一个无限可微的函数作为隐含层的激活函数，计算得到隐含层输出矩阵；通过最小二乘法计算出隐含层和输出层间的连接权值；将获得的参数和测试数据样本输入极限学习机预测模型得到预测结果，对模型的预测性能进行评价。本发明专利技术有效地预测土壤湿度，预测精度较高。测精度较高。测精度较高。

【技术实现步骤摘要】
一种基于极限学习机的土壤湿度预测方法


[0001]本专利技术涉及土壤湿度预测
，特别是涉及一种基于极限学习机的土壤湿度预测方法。

技术介绍

[0002]随着我国智慧农业的发展，农作物的生产管理、农田节水灌溉、作物生长状态及物候监测等多领域应用需求，均需要高空间分辨率、高时间分辨率、高精度的土壤湿度信息。
[0003]传统的土壤湿度的可预测性通常源于其自身的持久性或其他外部强迫因素，因此土壤湿度预测具有很大的不确定性，且具有复杂的线性行为，使得对其进行精准的预测变得相当困难。虽然地面实测获取土壤湿度信息精度可靠，但采样成本高且时空尺度具有显著局限性，仅依靠地面采样实现“面”尺度连续监测并不现实。遥感传感器通过探测地表参量间接反演土壤湿度是目前获取“面”尺度的研究热点，但植被对土壤湿度变化的反应存在滞后性，且地表覆盖状况复杂，方法受到影响等局限性。
[0004]随着计算机技术及硬件的飞速发展，基于数据驱动的方法为加速和提高土壤湿度预测提供了新的视角，其中极限学习机(extreme learning machine)ELM是一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于极限学习机的土壤湿度预测方法，其特征在于，所述预测方法包括以下步骤：步骤1：输入数据，对数据进行预处理，将数据集划分为两部分，一部分为训练集，另一部分为测试集；步骤2：确定极限学习机神经网络的拓扑结构为层次型，层次型模型将神经网络分为输入层、隐含层和输出层，各层顺序连接，分别设置输入层、隐含层和输出层神经元的个数；步骤3：对极限学习机神经网络进行初始化，随机产生输入层与隐含层间的连接权值及隐含层神经元的偏差，权值代表神经元之间的连接强度，利用偏差可以更好地实现预测结果与数据的拟合；步骤4：选择一个无限可微的函数作为隐含层的激活函数，计算得到隐含层输出矩阵；步骤5：通过最小二乘法计算出隐含层和输出层间的连接权值；步骤6：将获得的参数和测试数据样本输入极限学习机预测模型得到预测结果，并选取土壤湿度预测中常用的两种评价指标：均方误差MSE和决定系数R2，对模型的预测性能进行评价，从而完成对土壤湿度的精准预测。2.根据权利要求1所述的一种基于极限学习机的土壤湿度预测方法，其特征在于，所述步骤1具体包括，将数据分为训练集和测试集，训...

【专利技术属性】
技术研发人员：刘玉燕，刘轩，王延仓，张文豪，占玉林，金永涛，
申请(专利权)人：北华航天工业学院，
类型：发明
国别省市：