【技术实现步骤摘要】
本专利技术属于虫情预报和监测领域，涉及一种昆虫种群动态的预报估计方法，具体涉及一种基于昆虫种群的交互时滞不确定网络的预报估计方法。
技术介绍
1、昆虫种群动态的预报估计方法是现代化农业发展的
技术实现思路
之一，在虫情预报和监测领域有着一定应用价值，可减少人力资源损耗、加强农田管理效率以及提升病虫害预报和监测精准度。
2、目前传感器原件向着微型化、网络化和自动化的方向发展，这导致传感器的制造成本和能耗降低。又由于网络因素干扰和使用年限长久，传感器异常现象可能会频繁发生。此时，传感器对目标的观测出现异常，具体表现为观测数值的衰退或失真。同时，建立不同昆虫之间的耦合关系(如食物链关系、生存关系等)，并考虑昆虫间的信息交互时滞。此外，由于人为操作不当、仪器误差以及舍入误差等原因，在描述昆虫种群的交互时滞不确定网络中可能存在不确定参数扰动，对预报和估计精度带来一定的困难。因此，针对昆虫种群动态模型，设计可兼顾传感器异常、建模误差摄动以及信息交互时滞等因素的预报估计方法具有重要的理论价值和实际意义。
3、目前现有的基于昆虫种群动态的不确定网络并未同时分析传感器异常、信息交互时滞和建模不确定参数摄动的影响，导致预报估计精度低。
技术实现思路
1、为了解决昆虫种群动态不确定网络不能兼顾处理建模误差摄动以及信息交互时滞，导致预报估计性能较低，同时在传感器异常现象发生时，预报器和估计器可能存在失灵的问题，进而充分考虑传感器异常现象，本专利技术提供了一种昆虫种群动态的预报估计方法。p>
2、本专利技术的目的是通过以下技术方案实现的：
3、一种昆虫种群动态的预报估计方法，包括如下步骤：
4、步骤一、建立如下昆虫种群的交互时滞不确定网络模型，所述不确定网络模型描述如下：
5、
6、yκ,ι＝φκ,ιcκ,ιxκ,ι+σκ,ι
7、式中，κ∈[1,2,...s]表示昆虫种群类别，s表示昆虫总类别；表示在采样点ι处第κ类昆虫种群的动态向量，表示在采样点ι+1处第κ类昆虫种群的动态向量，代表维数为p的列向量全体集合；ωκκ,ι表示在采样点ι处κ类昆虫自身的耦合强度，ωκρ,ι表示在采样点ι处κ类昆虫与ρ类昆虫之间的连接强度；y表示内耦合强度；表示在ι-d采样点处ρ类昆虫向κ类昆虫的传递向量，d表示不同昆虫的信息交互时滞；表示第κ类昆虫在采样点ι处的动态转移矩阵，代表p维方阵的全体集合，hκ,ι和fκ,ι分别表示第κ类昆虫在采样点ι处的建模误差系数矩阵和建模误差比例矩阵，δκ,ι表示第κ类昆虫在采样点ι处的建模误差矩阵；bκ,ι表示第κ类昆虫在采样点ι处的噪声分布矩阵，θκ,ι表示第κ类昆虫在采样点ι处的加性噪声；表示在采样点ι处对第κ类昆虫动态的实时观测值，代表维数为q的列向量全体集合；表示在采样点ι处对第κ类昆虫观测中的传感器异常现象；表示在采样点ι处对第κ类昆虫的观测矩阵，表示q×p维矩阵的全体集合；σκ,ι表示第κ类昆虫在采样点ι处的观测噪声；
8、步骤二、对步骤一建立的不确定网络模型设计预报器和估计器，具体步骤如下：
9、步骤二一、根据昆虫种群的交互时滞不确定网络模型，构造如下预报器模型：
10、
11、式中，表示在采样点ι处对第κ类昆虫动态的预报值，表示在采样点ι处对第κ类昆虫动态的估计值，在采样点ι-d处对第κ类昆虫动态的估计值；
12、步骤二二、基于步骤二一构造的预报器模型和传感器异常现象，建立如下形式的昆虫种群的动态估计模型：
13、
14、式中，表示在采样点ι+1处对第κ类昆虫动态的估计值；表示估计器中的待定参数；表示在采样点ι+1处传感器异常现象的发生概率；和分别表示在采样点ι+1处第κ类昆虫动态的观测值和在采样点ι+1处对第κ类昆虫的观测矩阵；
15、步骤三、针对第κ类昆虫种群，利用步骤二中的预报器计算相应的预报误差协方差矩阵上界ψκ,ι+1|ι，所述预报误差协方差矩阵上界ψκ,ι+1|ι满足如下形式：
16、
17、式中，ψκ,ι+1|ι表示在采样点ι处对第κ类昆虫动态的预报值误差协方差矩阵；η1表示第一尺度标量，代表第一尺度标量的倒数，η2表示第二尺度标量，代表第二尺度标量的倒数，η3表示第三尺度标量，代表第三尺度标量的倒数；表示在采样点ι处对第κ类昆虫动态估计的二阶矩上界；ψκ,ι|ι表示在采样点ι处对第κ类昆虫动态的估计值误差协方差矩阵，ψκ,ι-d|ι-d表示在采样点ι-d处对第κ类昆虫动态的估计值误差协方差矩阵；ωκt,ι表示κ类昆虫与t类昆虫在采样点ι处的连接强度；θκ,ι表示加性噪声θκ,ι的协方差；(aκ,ι+ωκκ,ιy)t代表矩阵aκ,ι+ωκκ,ιy的转置，表示fκ,ι的转置，表示hκ,ι的转置，yt表示y的转置，表示bκ,ι的转置；表示矩阵的迹；
18、步骤四、利用步骤三所得预报误差协方差矩阵上界ψκ,ι+1|ι优化设计估计器中的待定参数ξκ,ι+1，所述待定参数ξκ,ι+1的结构形式如下：
19、
20、
21、式中，ξκ,ι+1表示在采样点ι+1处估计器(4)中的待定参数；表示在采样点ι+1处传感器异常现象的发生概率；代表的平方，xκ,ι+1表示在采样点ι处对第κ类昆虫动态预报的二阶矩上界；cκ,ι+1和ωκ,ι+1分别表示表示在采样点ι+1处对第κ类昆虫的观测矩阵和观测噪声协方差矩阵，是观测矩阵cκ,ι+1的转置；表示的逆运算；
22、步骤五、将步骤四所确定的参数ξκ,ι+1代入到步骤二中的估计器中，进一步得到ι+1采样点处的估计值此时，判断当前采样点ι+1与交互时滞不确定网络模型估计总采样点z的关系，若有ι+1＜z，则执行步骤六，否则循环结束；
23、步骤六、根据步骤四中所确定的参数ξκ,ι+1，计算不确定网络模型的估计误差协方差上界矩阵ψκ,ι+1|ι+1；更新采样点令ι＝ι+1，执行步骤二，止于等式ι+1＝z成立，所述估计误差协方差上界矩阵ψκ,ι+1|ι+1满足如下形式：
24、
25、式中，i是适当维数的单位矩阵；表示矩阵的转置，表示ξκ,ι+1的转置。
26、相比于现有技术，本专利技术具有如下优点：
27、1、本专利技术基于昆虫种群的交互时滞不确定网络提出一种预报估计方法，主要用于多目标跟踪、虫情预报及监测等领域。本专利技术同时考虑了建模误差扰动、交互时滞和传感器异常对预报估计策略的综合影响。在最小均方误差下，构造预报器和估计器，并优化设计待定参数满足理想的性能需求。与现有估计方法比较，本专利技术的预报估计方法可同时处理建模误差扰动、交互时滞和传感器异常对昆虫种群动态的影响，具有一定的鲁棒性和稳健性。
28、2、本专利技术解决了在现有状态估计方法中不能充分考虑昆虫种群的交互网络模型，以及在交互时滞、建模不确定扰动和传感器异常同时发生的情况下，导致估计算法精度低甚至发散的问题。本文档来自技高网...
【技术保护点】
1.一种昆虫种群动态的预报估计方法，其特征在于所述方法包括如下步骤：
2.根据权利要求1所述的昆虫种群动态的预报估计方法，其特征在于所述η4表示第四尺度标量，代表第四尺度标量的倒数，代表的转置。
3.根据权利要求1所述的昆虫种群动态的预报估计方法，其特征在于所述η5表示第五尺度标量，代表第五尺度标量的倒数，表示的转置。
【技术特征摘要】
1.一种昆虫种群动态的预报估计方法，其特征在于所述方法包括如下步骤：
2.根据权利要求1所述的昆虫种群动态的预报估计方法，其特征在于所述η4表示第四尺度标量，代...
【专利技术属性】
技术研发人员：贾朝清，刘玉锋，武志辉，王雯迪，雷韬，褚洪淳，孙立丰，张庆博，
申请(专利权)人：哈尔滨理工大学，
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。