冬小麦优化灌溉产量预测模型的构建方法及装置制造方法及图纸

本发明专利技术实施例中提供了一种冬小麦优化灌溉产量预测模型的构建方法、装置及电子设备，属于人工智能技术领域，该方法包括：采用ANN技术拟合和描述冬小麦绿度与产量之间的关系，建立产量模型；采用BP神经网络，利用物理设备模拟生物神经网络的组织和功能，把具有简单功能的神经元相互连接起来，形成一个网络系统；采用最陡峭下降计算方法，通过反向传播不断调整网络的权重和阈值，使网络的误差平方之和最小。采用本方案，能够提高冬小麦优化灌溉产量预测的准确性。预测的准确性。预测的准确性。

【技术实现步骤摘要】
冬小麦优化灌溉产量预测模型的构建方法及装置


[0001]本专利技术涉及人工智能
，尤其涉及一种冬小麦优化灌溉产量预测模型的构建方法、装置及电子设备。

技术介绍

[0002]小麦的丰收直接关系到国民经济的发展和亿万人民的生活。因此，有必要对其产量进行合理预测，以便国家有关部门及时掌握各地区的产量情况，科学决策粮食供销和分配计划。在古代农业生产中，有一句话叫"靠天吃饭"，可见农业生产对气候的敏感性。即使在科学技术高度发展的今天，气候对农作物的产量仍有很大影响，尤其是日照、降雨和温度三大气候因素。即使科学技术水平达到了一定的高度，农作物的生产仍然无法摆脱对气候变化的影响。2000年以后，计算机技术得到了蓬勃发展，特别是机器学习和DM技术。机器学习和DM技术已被应用于各行各业，特别是农业领域。随着DM和机器学习的技术革新，作物产量与预测模型的结合已趋向于形成一个具有研究意义的研究方向。通过深入研究，可以大大提高农作物产量，增加农民的经济收入，大大改善农村经济发展。机器学习和DM不仅可以应用于专家系统，解决常见的农业问题，还可以通过收集多年来的数据信息来估算农产品的产量。对影响产量的各种因素进行深入研究，知道各种因素对产量的影响，然后进行有针对性的治理，使产量明显提高，农民收入增加，提高农业的整体发展水平。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供一种冬小麦优化灌溉产量预测模型的构建方法、装置及电子设备，至少部分解决现有技术中存在的问题。
[0004]第一方面，本专利技术实施例提供了一种冬小麦优化灌溉产量预测模型的构建方法，包括：
[0005]采用ANN技术拟合和描述冬小麦绿度与产量之间的关系，建立产量模型；
[0006]采用BP神经网络，利用物理设备模拟生物神经网络的组织和功能，把具有简单功能的神经元相互连接起来，形成一个网络系统；
[0007]采用最陡峭下降计算方法，通过反向传播不断调整网络的权重和阈值，使网络的误差平方之和最小。
[0008]根据本公开实施例的一种具体实现方式，所述采用ANN技术拟合和描述冬小麦绿度与产量之间的关系，包括：
[0009]构建如下函数：
[0010]A＝{a11a12...a1
n1
a21...a2
n2
...amn
m
}
[0011]T＝{Γ(a
ij
，c)|Γ(a
ij
，c)∈R，i＝1，2，..
·
，m，j＝1，2，...，n}
[0012]aij代表测试的问题，T是信息素轨道的集合，c为0或1，Γ(a
ij
，c)表示选择或未选择试题的信息素，T表示为维度矩阵：
[0013][0014]根据本公开实施例的一种具体实现方式，所述方法还包括：
[0015]从大量的数据中提取目标数据，提取有效数据后，对这些原始数据进行去噪数据处理操作，然后对数据进行转换和处理，最后通过数学或非数学手段提取数据中存在的有效信息。
[0016]根据本公开实施例的一种具体实现方式，所述方法还包括：
[0017]构建神经网络，其中，网络的输入层有I个节点，隐藏层有J个节点，输出层有K个节点，x
p
＝(x
p1
，x
p2
，...，x
pI
)表示网络输入，O
p
＝(o
p1
，o
p2
，...，o
pk
)
′
，T
p
＝(t
p1
，...，t
pk
)
′
分别表示网络的实际输出和预期输出，其中，p＝1，2，...，P样本数为P，(o
p1
，o
p2
，...，o
pJ
)表示隐藏层节点的输出，w
ij
表示第i(i＝1，2，...，I)个输入层节点到第j(j＝1，2，...，J)个隐藏层节点之间的权重，w
jk
表示第j个隐藏层结点到第k(k＝1，2，...，K)个输出层节点的权重；
[0018]设置网络的激励函数为对于第P个样本：
[0019]网络隐藏层的输出为：
[0020][0021]网络输出层的输出为：
[0022][0023]平方误差函数用于误差信号的反向传播，因此第三个样本的误差为：
[0024][0025]全局误差为：
[0026][0027]根据本公开实施例的一种具体实现方式，所述方法还包括：
[0028]使用气象因子为平均降雨量、平均温度、平均太阳辐射、最高温度和最低温度，每个气象因子选择当年6月至11月的数据，共有6*5＝30个输入属性，输出属性只有冬小麦的单位产量；
[0029]在训练神经网络之前，为了保证神经网络的学习偏差和收敛速度处于良好状态，对BP神经网络进行参数设计，包括确定神经网络的层数、输入层和输出层的维数、隐藏层的神经元数量，以及学习率、动量因子。
[0030]根据本公开实施例的一种具体实现方式，所述方法还包括：
[0031]在误差信号的反向传播中，误差信号从输出层逐层传播到输入层；
[0032]在误差信号的反向传播过程中，网络的权重和阈值通过误差反馈进行调整，以实现连续修正。
[0033]根据本公开实施例的一种具体实现方式，所述方法还包括：
[0034]在选择动量因子参数值时，选择合适的参数值，防止参数值过小引起的训练时间较长、或者参数值过大引起的不收敛。
[0035]第二方面，本专利技术实施例提供了一种冬小麦优化灌溉产量预测模型的构建装置，包括：
[0036]构建模块，用于采用ANN技术拟合和描述冬小麦绿度与产量之间的关系，建立产量模型；
[0037]形成模块，用于采用BP神经网络，利用物理设备模拟生物神经网络的组织和功能，把具有简单功能的神经元相互连接起来，形成一个网络系统；
[0038]执行模块，用于采用最陡峭下降计算方法，通过反向传播不断调整网络的权重和阈值，使网络的误差平方之和最小。
[0039]第三方面，本专利技术实施例还提供了一种电子设备，该电子设备包括：
[0040]至少一个处理器；以及，
[0041]与该至少一个处理器通信连接的存储器；其中，
[0042]该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行前述任第一方面或第一方面的任一实现方式中的冬小麦优化灌溉产量预测模型的构建方法。
[0043]第四方面，本专利技术实施例还提供了一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令用于使该计算机执行前述第一方面或第一方面的任一实现方式中的冬小麦优化灌溉产量预测模型的构建方法。
[0044本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种冬小麦优化灌溉产量预测模型的构建方法，其特征在于，包括：采用ANN技术拟合和描述冬小麦绿度与产量之间的关系，建立产量模型；采用BP神经网络，利用物理设备模拟生物神经网络的组织和功能，把具有简单功能的神经元相互连接起来，形成一个网络系统；采用最陡峭下降计算方法，通过反向传播不断调整网络的权重和阈值，使网络的误差平方之和最小。2.根据权利要求1所述的方法，其特征在于，所述采用ANN技术拟合和描述冬小麦绿度与产量之间的关系，包括：构建如下函数：A＝{a11a12...a1
n1
a21...a2
n2
...amn
m
}T＝{Γ(a
ij
,c)|Γ(a
ij
,c)∈R,i＝1,2,...,m,j＝1,2,...,n}a
ij
代表测试的问题，T是信息素轨道的集合，c为0或1，Γ(a
ij
,c)表示选择或未选择试题的信息素，T表示为维度矩阵：3.根据权利要求2所述的方法，其特征在于，所述方法还包括：从大量的数据中提取目标数据，提取有效数据后，对这些原始数据进行去噪数据处理操作，然后对数据进行转换和处理，最后通过数学或非数学手段提取数据中存在的有效信息。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：构建神经网络，其中，网络的输入层有I个节点，隐藏层有J个节点，输出层有K个节点，x
p
＝(x
p1
,x
p2
,...,x
pI
)表示网络输入，O
p
＝(o
p1
,o
p2
,...，o
pk
)',T
p
＝(t
p1
,...,t
pk
)'分别表示网络的实际输出和预期输出，其中，p＝1,2,...,P样本数为P，(o'
p1
,o'
p2
,...,o'
pJ
)表示隐藏层节点的输出，w
i
'
j
表示第i(i＝1,2,....

【专利技术属性】
技术研发人员：黄璐，李晓东，
申请(专利权)人：怀化学院，
类型：发明
国别省市：