本发明专利技术公开了一种基于BP神经网络的气候因素影响的菜籽油品质预测方法，包括：获取菜籽油种植时期的气候因素指标数据以及对应菜籽油的品质指标数据；气候因素指标包括苗期、薹期、花期、角果成熟期和全生育期的日均温、日均最低温度、日均最高温度、日均温差、相对湿度、降水量和辐射量共35项气候指标；菜籽油品质指标包括出油效率、极性总酚、类胡萝卜素、菜籽甾醇、菜油甾醇、β‑谷甾醇、α‑生育酚、γ‑生育酚、油酸、亚油酸和亚麻酸，共11项品质指标；构建BP神经网络预测模型的拓扑结构；确定训练参数与函数，反复训练以调整BP神经网络的权值和阈值，获得BP神经网络预测模型。本发明专利技术实现了对基于气候因素的菜籽油品质的准确预测。
【技术实现步骤摘要】
本专利技术涉及菜籽油品质指标预测领域，尤其一种基于bp神经网络的气候因素影响的菜籽油品质预测方法。
技术介绍
1、油菜是我国第一大油料作物，菜籽油在我国食用油供应中占有关键地位。长江流域是中国的油菜主产区，但该产区的油菜生产具有明显的地域性和多样性。环境因子是作物生长的主要条件，由于地理位置的差异，不同的生态区域有不同的温度、光照、降雨等气候因子，对菜籽油的品质生长有一定的影响。因此，建立基于气候因素的菜籽油品质预测有利于推动油菜籽产业的可持续发展。但该方法需要综合考虑多个气象要素，对数据处理和建模算法等方面提出了更高的要求。神经网络是一种较强大的机器学习算法，可以有效处理大量的数据，并通过自我学习来提高预测精度。
2、bp神经网络把训练样本的输入输出问题转变成了一个非线性的数学优化方面的问题，bp神经网络根据widrow-hoff规则，使用数学优化算法中的最速下降算法，实现对任意非线性映射的逼近，具有很强的泛化能力和处理能力。从理论上来说，bp神经网络可以对于任意复杂的非线性映射进行运算，而却可以达到非常小的误差，同时bp神经网络的隐含层层数、隐含层单元数及网络的学习速率等参数都可以按需设置，由此可见，bp神经网络的灵活性较大。
3、只要bp神经网络的隐含层层数或隐含层单元数足够多，bp神经网络就可以完成对任意非线性映射的逼近，可想而知bp神经网络的非线性映射能力非常强。bp神经网络学习算法是一个全局逼近的优化算法，它具有很好的泛化能力和较强的容错性。
技术实现思路</p>1、本专利技术的目的是提供一种基于bp神经网络的菜籽油品质预测方法，根据菜籽油苗期、薹期、花期、角果成熟期和全生育期的日均温、日均最低温度、日均最高温度、日均温差、相对湿度、降水量和辐射量对菜籽油的出油效率、极性总酚、类胡萝卜素、菜籽甾醇、菜油甾醇、β-谷甾醇、α-生育酚、γ-生育酚、油酸、亚油酸和亚麻酸品质指标进行预测，通过建立的预测模型，可以对未来菜籽油品质指标进行预测，有利于提高菜籽油的品质和降低生产成本。
2、为实现上述目的，本专利技术是根据以下技术方案实现的：
3、一种基于bp神经网络的气候因素影响的菜籽油品质预测方法，包括以下步骤：
4、步骤s1：获取菜籽油种植时期的气候因素指标数据以及对应菜籽油的品质指标数据，对气候因素指标数据和品质指标数据分别进行归一化处理；其中所述气候因素指标包括苗期、薹期、花期、角果成熟期和全生育期的日均温、日均最低温度、日均最高温度、日均温差、相对湿度、降水量和辐射量共35项气候指标；所述菜籽油品质指标包括出油效率、极性总酚、类胡萝卜素、菜籽甾醇、菜油甾醇、β-谷甾醇、α-生育酚、γ-生育酚、油酸、亚油酸和亚麻酸，共11项品质指标；
5、步骤s2：构建bp神经网络预测模型的拓扑结构；所述拓扑结构包括输入层、隐含层和输出层；所述输入层的自变量为所述步骤s1中的气候因素指标，输入层神经元个数为35；所述输出层的因变量为所述步骤s1中的菜籽油品质指标，即输出层神经元个数为11；所述隐含层的神经元个数根据kolmogorov定理确定；
6、步骤s3：根据气候因素指标数据和品质指标数据的特征初始化确定bp神经网络模型结构中的训练参数与函数，使用梯度下降法和反向传播调整bp神经网络的权值和阈值，直至网络输出的误差减小到可接受范围，获得bp神经网络预测模型；
7、步骤s4：利用所获得的bp神经网络预测模型对不同地区种植的菜籽油的品质指标进行预测。
8、上述技术方案中，所述步骤s1中归一化处理具体为将气候因素指标数据和品质指标数据转化为[0,1]区间的值，归一化转换公式如下：
9、
10、其中，x′表示归一化后的数据，xmin表示数据变化的最小值，xmax表示数据变化的最大值。
11、上述技术方案中，所述步骤s2中隐含层的神经元个数确定公式为：
12、
13、其中，p为隐含层神经元个数，m为输入层神经元个数，n为输出层神经元个数，a为1-10之间的常数。
14、上述技术方案中，所述步骤s1中归一化处理后的数据随机分成两组，其中数据的70％作为训练集用于训练，剩下的30％用于验证网络的收敛性。
15、上述技术方案中，所述步骤s3中bp神经网络模型结构中的训练参数与函数具体包括：最大迭代次数即训练次数net.trainparam.epochs＝1000；误差性能期望值net.trainparam.goal＝0.0000001；学习率net.trainparam.lr＝0.01；训练函数为trainlm，学习函数为learngdm，激活函数为sigmoid函数，隐含层的传递函数为tansig函数，输出层的传递函数为purelin函数。
16、上述技术方案中，所述步骤s3中获得bp神经网络预测模型具体为：
17、y′＝a×tansig(bx′+c)+d
18、
19、y′为归一化后的输出层的变量矩阵，x′为归一化后的输入层的变量矩阵，a为隐含层到输出层的权值矩阵，b为输入层到隐含层的权值矩阵，c为隐含层阈值矩阵，d为输出层阈值矩阵；其中，y′进行反归一化后得到y；
20、
21、
22、其中，a为隐含层到输出层的权值，b为输入层到隐含层的权值，h为隐含层阈值，d为输出层阈值；n为输出层的变量个数，i＝1,2,……n，n＝11；p为隐含层神经元个数，k＝1,2,……,p，p＝16；m为输入层的变量个数，j＝1,2,……,m，m＝35。
23、本专利技术与现有技术相比，具有如下有益效果：
24、本专利技术建立的基于bp神经网络的气候因素影响的菜籽油品质预测方法，能够对基于气候因素影响的菜籽油品质进行及时、快速、连续、真实地预测，及时的为不同区域的菜籽油品质提供使用依据，这为菜籽油品质预测提供了更先进的手段，能够根据预测结果进行调整和优化种植方案，以提高菜籽油的品质和降低生产成本。
25、本专利技术对菜籽油品质有直接影响的气候因素指标出发，选取11个菜籽油品质指标，数据处理上对数据分别进行归一化处理，在bp网络反向传播过程中采用梯度下降法和反向传播调整bp神经网络的权值和阈值，通过计算菜籽油品质指标的期望输出值与菜籽油品质指标的实际输出值之间的误差均方差对隐含层和输出层各层权值和阈值进行修正，提高了预测精确度。
本文档来自技高网...
【技术保护点】
1.一种基于BP神经网络的气候因素影响的菜籽油品质预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于BP神经网络的气候因素影响的菜籽油品质预测方法，其特征在于，所述步骤S1中归一化处理具体为将气候因素指标数据和品质指标数据转化为[0,1]区间的值，归一化转换公式如下：
3.根据权利要求1所述的一种基于BP神经网络的气候因素影响的菜籽油品质预测方法，其特征在于，所述步骤S2中隐含层的神经元个数确定公式为：
4.根据权利要求1所述的一种基于BP神经网络的气候因素影响的菜籽油品质预测方法，其特征在于，所述步骤S1中归一化处理后的数据随机分成两组，其中数据的70％作为训练集用于训练，剩下的30％用于验证网络的收敛性。
5.根据权利要求1所述的一种基于BP神经网络的气候因素影响的菜籽油品质预测方法，其特征在于，所述步骤S3中BP神经网络模型结构中的训练参数与函数具体包括：最大迭代次数即训练次数net.trainParam.epochs＝1000；误差性能期望值net.trainParam.goal＝0.0000001；学习率net.trainParam.lr＝0.01；训练函数为Trainlm，学习函数为Learngdm，激活函数为sigmoid函数，隐含层的传递函数为tansig函数，输出层的传递函数为purelin函数。
6.根据权利要求1所述的一种基于BP神经网络的气候因素影响的菜籽油品质预测方法，其特征在于，所述步骤S3中获得BP神经网络预测模型具体为：
...
【技术特征摘要】
1.一种基于bp神经网络的气候因素影响的菜籽油品质预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于bp神经网络的气候因素影响的菜籽油品质预测方法，其特征在于，所述步骤s1中归一化处理具体为将气候因素指标数据和品质指标数据转化为[0,1]区间的值，归一化转换公式如下：
3.根据权利要求1所述的一种基于bp神经网络的气候因素影响的菜籽油品质预测方法，其特征在于，所述步骤s2中隐含层的神经元个数确定公式为：
4.根据权利要求1所述的一种基于bp神经网络的气候因素影响的菜籽油品质预测方法，其特征在于，所述步骤s1中归一化处理后的数据随机分成两组，其中数据的70％作为训练集用于训练，剩下的30％用于验证网络的收敛性。
【专利技术属性】
技术研发人员：贾才华，马玉林，周广生，赵思明，汪波，蒯婕，王晶，赵杰，
申请(专利权)人：华中农业大学，
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。