【技术实现步骤摘要】
本专利技术属于数据预测领域，具有涉及一种基于狼鸟优化算法的农作物产量预测优化方法。
技术介绍
1、在当今时代，技术进步，特别是物联网、人工智能和大数据的发展，已经根本性地改变了农业行业的面貌。传统农业正在逐步转型为智慧农业，这一变革体现在在农作物生长的环境中部署了多种传感器设备。这些设备能够收集各种数据，并通过实时监控和分析这些数据，实现对农作物的精确管理。在这个背景下，对农作物产量的预测变得极为关键，因为它可以帮助农业工作者更准确地评估农作物的生长状况，并做出正确的决策以提高产量。目前的做法是利用历史的产量数据和其他影响因素的数据来预测未来的产量，通过分析这些数据之间的关系和影响程度来进行预测。
2、长短期记忆网络（lstm）是一种特殊的循环神经网络（rnn），特别适用于处理和预测序列数据的长期依赖问题。与传统的rnn相比，lstm通过引入门控机制（包括输入门、遗忘门和输出门）来避免长期依赖问题，从而提高了模型对时间序列数据的学习能力。在农作物生长和产量预测领域，lstm能够有效地处理和分析时间序列数据，如历史气候变化、土壤湿度、温度等多种因素，这些因素对农作物的生长周期和产量有着直接的影响。通过训练lstm模型来学习这些时间序列数据中的模式和依赖关系，可以对农作物的生长状况、成熟时间和潜在产量进行准确的预测。
3、在lstm网络模型中，学习率和正则化系数是两个关键的超参数，它们对模型的训练效果和最终的预测性能有显著影响：学习率决定了模型权重更新的幅度，传统lstm网络预测时， 学习率因子和正则化系数不
4、自然界中，狼和乌鸦之间的一种互惠互利的生态系统共存和伙伴关系，被称为狼-鸟关系，基于这种自然动物关系（wbo），提出了一种新的狼鸟优化器的超启发式算法。该方法是基于乌鸦和狼的觅食行为发展起来的，其中考虑了乌鸦寻找猎物和向狼发送信号的智力；狼鸟优化算法在全局勘探阶段的搜索速度较慢，在迭代后期算法已陷入局部最优，影响算法寻优性能。
技术实现思路
1、为解决上述技术问题，提供一种基于狼鸟优化算法的农作物产量预测优化方法，通过改进狼鸟优化算法，提高狼鸟优化算法的寻优性能，利用狼鸟优化算法整定lstm网络模型的最佳学习率因子和正则化系数参数，提高lstm网络模型对农作物产量数据预测的准确性。
2、本专利技术为实现上述目标所采用的技术方案是：
3、一种基于狼鸟优化算法的农作物产量预测优化方法，具体步骤为：
4、s1、改进狼鸟优化算法的搜索比率因子，继而建立狼鸟优化算法的位置更新数学模型。
5、s2、将lstm网络模型的最佳学习率因子和正则化系数实数编码为一个空间解集与狼鸟优化算法的乌鸦和狼种群位置建立映射关系。
6、s3、利用改进后的狼鸟优化算法对lstm网络模型的最佳学习率因子和正则化系数参数整定；得到最佳学习率因子和正则化系数。
7、s4、利用优化后的lstm网络对影响农作物产量的因素数据处理，输出最新农作物产量预测数据值。
8、进一步地，所述步骤s1，改进搜索比率因子，引入乌鸦个体位置适应度值，同时改进搜索比率控制因子，改进后搜索比率因子数学模型公式为：
9、；
10、式中，为乌鸦的种群规模，为当前迭代时第个乌鸦个体位置的适应度值，当前迭代时最优乌鸦个体位置的适应度值，为搜索比率因子最大值，为搜索比率因子最小值，为搜索比率控制因子，公式为：
11、；
12、式中，unifrnd函数取值为-a到a之间的随机数，a的数学模型公式为：
13、；
14、式中，为最大迭代次数，为取值在0到1内的随机值。
15、进一步地，原先搜索比率因子参数的变化是平滑的，一旦种群陷入局部最优，就很难保持种群的多样性，导致解决方案的质量很差；改进后的搜索比率因子参数不规则变化，可以提高种群具备逃脱当前局部解的能力。
16、进一步地，引入改进后的搜索比率因子，改进狼鸟优化算法在全局勘探阶段的位置更新策略，数学模型公式为：
17、（1）；
18、式中，为第只乌鸦在第次迭代的最新位置，为第只乌鸦在第次迭代的位置，为当前最优的乌鸦位置，为改进后的搜索比率因子，和为0到1内的随机整数值，为猎物的中心位置。
19、进一步地，改进后的狼鸟优化算法整定lstm网络模型的参数时，通过目标函数追踪适合农作物产量数据预测的最佳学习率因子和正则化系数，目标函数数学模型为：
20、；
21、式中，为第个乌鸦个体的预测位置。
22、进一步地，使用温室大棚传感器对农作物生长相关数据进行数据采集，并对采集到的数据进行数据预处理，然后将处理后的数据划分为训练集、测试集和验证集。
23、进一步地，从温室大棚传感器中采集到的农作物生长影响因素历史数据包括以下变量：温室日平均温度数据、温室空气湿度数据、温室土壤湿度数据、温室土壤值数据、温室光照强度数据、温室浓度数据、温室灌溉量和频率数据、温室历史产量数据等。
24、进一步地，使用皮尔逊相关系数法（pearson correlation coefficient）计算各影响因素与农作物生长之间的相关系数，筛选出相关系数较高的变量作为模型输入特征，相关性系数公式如下：
25、；
26、式中，为变量和变量之间的皮尔逊相关系数，范围-1到1之间，为变量和变量之间的协方差，和为变量和变量的标准差，e\left [ {(x-{\mu }_{x})(y-{\mu }_{y})} \right ]为期望值操作符，其中和分别是变量和变量的均值。
27、进一步地，选择相关性系数较高的影响因素作为模型的输入变量，同时使用拉依达准则对数据的异常值进行识别和处理进行数据清理，并采用归一化法处理清洗后的数据，然后将数据集按6：2：2的比例划分训练集、测试集、验证集，归一化法公式如下：
28、；
29、式中，为归一化的数值，为农作物生长数据中的一个具体的观测值或数据点，为农作物生长数据中的最大值，为农作物生长数据中的最小值。
30、进一步地，将训练集输入s3构建的优化后的lstm模型进行训练，得到训练完成的模型后，再将测试集和验证集输入到训练完成的模型中，对改进lstm网络模型进行评估，将实际数据输入到模型中，得到输出结果后对结果进行反归一化处理得到农作物生长的预测结果。
31、进一步地，lstm模型区别于其他神经网络之处在于其拥有独特的单元状态，表示神经网络对于时刻前所有输入信息的总结，输入信息经过记忆细胞单元具体过程如下式：
32、{f}_{t}=\sigma \left [ {{w}_本文档来自技高网...
【技术保护点】
1.一种基于狼鸟优化算法的农作物产量预测优化方法，利用改进狼鸟优化算法优化LSTM网络，实现农作物产量数据预测，其特征在于，具体步骤为：
2.根据权利要求1所述的一种基于狼鸟优化算法的农作物产量预测优化方法，其特征在于，所述步骤S1，改进搜索比率因子，引入乌鸦个体位置适应度值，同时改进搜索比率控制因子，改进后搜索比率因子数学模型公式为：
3.根据权利要求2所述的一种基于狼鸟优化算法的农作物产量预测优化方法，其特征在于，引入改进后的搜索比率因子，改进狼鸟优化算法在全局勘探阶段的位置更新策略，数学模型公式为：
4.根据权利要求3所述的一种基于狼鸟优化算法的农作物产量预测优化方法，其特征在于，改进后的狼鸟优化算法整定LSTM网络模型的参数时，通过目标函数追踪适合农作物产量数据预测的最佳学习率因子和正则化系数，目标函数数学模型为：
5.根据权利要求1-4任意一项所述的一种基于狼鸟优化算法的农作物产量预测优化方法，其特征在于，所述步骤S3，利用改进狼鸟优化算法整定LSTM网络模型的最佳学习率因子和正则化系数的具体步骤为：
6.根据
...【技术特征摘要】
1.一种基于狼鸟优化算法的农作物产量预测优化方法，利用改进狼鸟优化算法优化lstm网络，实现农作物产量数据预测，其特征在于，具体步骤为：
2.根据权利要求1所述的一种基于狼鸟优化算法的农作物产量预测优化方法，其特征在于，所述步骤s1，改进搜索比率因子，引入乌鸦个体位置适应度值，同时改进搜索比率控制因子，改进后搜索比率因子数学模型公式为：
3.根据权利要求2所述的一种基于狼鸟优化算法的农作物产量预测优化方法，其特征在于，引入改进后的搜索比率因子，改进狼鸟优化算法在全局勘探阶段的位置更新策略，数学模型公式为：
4...
【专利技术属性】
技术研发人员：冯海波，王建民，
申请(专利权)人：济南农智信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。