基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法與裝置制造方法
【專利摘要】本公開涉及一種基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法與裝置。該方法包括建立神經(jīng)元網(wǎng)絡(luò)模型；設(shè)置樣本函數(shù)學(xué)習(xí)參數(shù)；初始化連接權(quán)值、與隱層中各節(jié)點的激勵閾值；根據(jù)樣本函數(shù)和神經(jīng)元網(wǎng)絡(luò)模型計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差；根據(jù)計算出的輸出誤差與所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)判斷學(xué)習(xí)過程是否結(jié)束；如果未結(jié)束，則修正連接權(quán)值與隱層中各節(jié)點的激勵閾值，并繼續(xù)計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差，直至滿足根據(jù)樣本函數(shù)學(xué)習(xí)參數(shù)所設(shè)置的結(jié)束條件；如果結(jié)束，則輸出對樣本函數(shù)的學(xué)習(xí)結(jié)果，并根據(jù)學(xué)習(xí)結(jié)果對農(nóng)作物的產(chǎn)量進(jìn)行預(yù)測。本公開可以使預(yù)測的結(jié)果更能夠反映農(nóng)作物產(chǎn)量的真實情況。
【專利說明】基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法與裝置
【技術(shù)領(lǐng)域】
[0001]本公開涉及人工智能領(lǐng)域，特別地，涉及一種基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法
與裝置。
【背景技術(shù)】
[0002]隨著世界人口的不斷增加，農(nóng)業(yè)問題越來越受到人們的關(guān)注，農(nóng)業(yè)產(chǎn)量的精確預(yù)測對于制定國民經(jīng)濟(jì)發(fā)展計劃、進(jìn)行生產(chǎn)調(diào)度與規(guī)劃具有重要意義。目前，國內(nèi)關(guān)于農(nóng)業(yè)產(chǎn)量預(yù)測問題的研究大多采用指數(shù)平滑模型、季節(jié)模型、線性隨機(jī)模型、線性回歸模型等幾類方法。
[0003]但是，上述方法各有其優(yōu)缺點:指數(shù)平滑模型計算簡單，可用到所有歷史數(shù)據(jù)且對數(shù)據(jù)數(shù)量要求不高，但結(jié)果精度低，且一次指數(shù)平滑只能預(yù)測一期數(shù)據(jù)，適用于短期預(yù)測；季節(jié)模型適用于既有季節(jié)變動又有線性增長趨勢、且季節(jié)波動幅度隨趨勢增加而加大的時間序列的短期預(yù)測；線性隨機(jī)模型需要大量的歷史數(shù)據(jù)、計算復(fù)雜、計算量大、但精度相對較高，適用于短期預(yù)測；線性回歸模型適合進(jìn)行長期預(yù)測，但運算量大、再學(xué)習(xí)性差。而且，上述方法所能考慮的因素也比較單一、未能考慮這些因素在農(nóng)作物生長期間對農(nóng)作物的累積效果。

【發(fā)明內(nèi)容】

[0004]本公開鑒于以上問題中的至少一個提出了新的技術(shù)方案。
[0005]本公開在其一個方面提供了一種基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法，其可以使預(yù)測的結(jié)果更能夠反映農(nóng)作物產(chǎn)量的真實情況。
[0006]本公開在其另一方面提供了一種基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測裝置，其可以使預(yù)測的結(jié)果更能夠反映農(nóng)作物產(chǎn)量的真實情況。
[0007]根據(jù)本公開，提供一種基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法，包括:
[0008]根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、輸出神經(jīng)元的激勵閾值、過程神經(jīng)元激勵函數(shù)以及輸出神經(jīng)元激勵函數(shù)建立神經(jīng)元網(wǎng)絡(luò)模型；
[0009]設(shè)置樣本函數(shù)學(xué)習(xí)參數(shù)；
[0010]初始化神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值以及神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值；
[0011]根據(jù)樣本函數(shù)和所建立的神經(jīng)元網(wǎng)絡(luò)模型計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差；
[0012]根據(jù)計算出的輸出誤差與所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)判斷學(xué)習(xí)過程是否結(jié)束；
[0013]如果未結(jié)束，則修正神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值以及神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值，并繼續(xù)計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差，直至滿足根據(jù)樣本函數(shù)學(xué)習(xí)參數(shù)所設(shè)置的結(jié)束條件；[0014]如果結(jié)束，則輸出對樣本函數(shù)的學(xué)習(xí)結(jié)果，并根據(jù)學(xué)習(xí)結(jié)果對農(nóng)作物的產(chǎn)量進(jìn)行預(yù)測。
[0015]在本公開的一些實施例中，影響農(nóng)作物產(chǎn)量的生長因素包括農(nóng)作物生長期間的平均溫度、最高溫度、最低溫度、相對濕度、降雨量、總?cè)照樟?、二氧化碳濃度、土壤條件和施肥量。
[0016]在本公開的一些實施例中，根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、輸出神經(jīng)元的激勵閾值、過程神經(jīng)元激勵函數(shù)以及輸出神經(jīng)元激勵函數(shù)建立神經(jīng)元網(wǎng)絡(luò)模型的步驟包括:
[0017]根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、過程神經(jīng)元激勵函數(shù)以及神經(jīng)元網(wǎng)絡(luò)的輸入計算神經(jīng)元網(wǎng)絡(luò)的隱層輸出；
[0018]根據(jù)神經(jīng)元網(wǎng)絡(luò)的隱層輸出、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、輸出神經(jīng)元的激勵閾值以及輸出神經(jīng)元激勵函數(shù)計算神經(jīng)元網(wǎng)絡(luò)的輸出。
[0019]在本公開的一些實施例中，所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)包括誤差精度和最大學(xué)習(xí)迭代次數(shù)。
[0020]在本公開的一些實施例中，根據(jù)計算出的輸出誤差與所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)判斷學(xué)習(xí)過程是否結(jié)束的步驟包括:
[0021]將計算出的輸出誤差與誤差精度進(jìn)行比較；
[0022]將當(dāng)前學(xué)習(xí)迭代次數(shù)與最大學(xué)習(xí)迭代次數(shù)進(jìn)行比較；
[0023]如果計算出的輸出誤差小于誤差精度或當(dāng)前學(xué)習(xí)迭代次數(shù)大于最大學(xué)習(xí)迭代次數(shù)，則學(xué)習(xí)過程結(jié)束，否則，繼續(xù)學(xué)習(xí)并更新當(dāng)前學(xué)習(xí)迭代次數(shù)。
[0024]根據(jù)本公開，還提供了一種基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測裝置，包括:
[0025]模型建立單元，用于根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、輸出神經(jīng)元的激勵閾值、過程神經(jīng)元激勵函數(shù)以及輸出神經(jīng)元激勵函數(shù)建立神經(jīng)元網(wǎng)絡(luò)模型；
[0026]參數(shù)設(shè)置單元，用于設(shè)置樣本函數(shù)學(xué)習(xí)參數(shù)；
[0027]參數(shù)初始化單元，用于初始化神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值以及神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值；
[0028]誤差計算單元，用于根據(jù)樣本函數(shù)和所建立的神經(jīng)元網(wǎng)絡(luò)模型計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差；
[0029]判斷單元，用于根據(jù)計算出的輸出誤差與所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)判斷學(xué)習(xí)過程是否結(jié)束；
[0030]迭代處理單元，用于如果未結(jié)束，則修正神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值以及神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值，并繼續(xù)計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差，直至滿足根據(jù)樣本函數(shù)學(xué)習(xí)參數(shù)所設(shè)置的結(jié)束條件；[0031]預(yù)測單元，用于如果結(jié)束，則輸出對樣本函數(shù)的學(xué)習(xí)結(jié)果，并根據(jù)學(xué)習(xí)結(jié)果對農(nóng)作物的產(chǎn)量進(jìn)行預(yù)測。
[0032]在本公開的一些實施例中，影響農(nóng)作物產(chǎn)量的生長因素包括農(nóng)作物生長期間的平均溫度、最高溫度、最低溫度、相對濕度、降雨量、總?cè)照樟?、二氧化碳濃度、土壤條件和施肥量。
[0033]在本公開的一些實施例中，模型建立單元包括:
[0034]隱層輸出計算子單元，用于根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、過程神經(jīng)元激勵函數(shù)以及神經(jīng)元網(wǎng)絡(luò)的輸入計算神經(jīng)元網(wǎng)絡(luò)的隱層輸出；
[0035]網(wǎng)絡(luò)輸出計算子單元，用于根據(jù)神經(jīng)元網(wǎng)絡(luò)的隱層輸出、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、輸出神經(jīng)元的激勵閾值以及輸出神經(jīng)元激勵函數(shù)計算神經(jīng)元網(wǎng)絡(luò)的輸出。
[0036]在本公開的一些實施例中，所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)包括誤差精度和最大學(xué)習(xí)迭代次數(shù)。
[0037]在本公開的一些實施例中，判斷單元包括:
[0038]誤差比較子單元，用于將計算出的輸出誤差與誤差精度進(jìn)行比較；
[0039]迭代次數(shù)比較子單元，用于將當(dāng)前學(xué)習(xí)迭代次數(shù)與最大學(xué)習(xí)迭代次數(shù)進(jìn)行比較；
[0040]學(xué)習(xí)結(jié)束判斷子單元，用于如果計算出的輸出誤差小于誤差精度或當(dāng)前學(xué)習(xí)迭代次數(shù)大于最大學(xué)習(xí)迭代次數(shù)，則學(xué)習(xí)過程結(jié)束，否則，繼續(xù)學(xué)習(xí)并更新當(dāng)前學(xué)習(xí)迭代次數(shù)。
[0041]在本公開的技術(shù)方案中，由于考慮多種影響農(nóng)作物產(chǎn)量的生長因素、而且在構(gòu)建神經(jīng)元網(wǎng)絡(luò)模型時所使用的神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值與神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值均是時變的，反映了輸出對輸入在時間上的累積效果，并且將多種生長因素與時變的連接權(quán)值相結(jié)合綜合考慮了這些生長因素對農(nóng)作物產(chǎn)量的累積效果，使得基于該神經(jīng)元網(wǎng)絡(luò)模型所預(yù)測出的結(jié)果更加準(zhǔn)確。
【專利附圖】

【附圖說明】
[0042]此處所說明的附圖用來提供對本公開的進(jìn)一步理解，構(gòu)成本申請的一部分。在附圖中:
[0043]圖1是本公開一個實施例的基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法的流程示意圖。
[0044]圖2是本公開三層結(jié)構(gòu)的過程神經(jīng)元網(wǎng)絡(luò)模型示意圖。
[0045]圖3是本公開一個實施例的基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測裝置的結(jié)構(gòu)示意圖。
【具體實施方式】
[0046]下面將參照附圖描述本公開。要注意的是，以下的描述在本質(zhì)上僅是解釋性和示例性的，決不作為對本公開及其應(yīng)用或使用的任何限制。除非另外特別說明，否則，在實施例中闡述的部件和步驟的相對布置以及數(shù)字表達(dá)式和數(shù)值并不限制本公開的范圍。另外，本領(lǐng)域技術(shù)人員已知的技術(shù)、方法和裝置可能不被詳細(xì)討論，但在適當(dāng)?shù)那闆r下意在成為說明書的一部分。
[0047]人工神經(jīng)元網(wǎng)絡(luò)是信息科學(xué)與技術(shù)研究領(lǐng)域的新興學(xué)科，是近年來迅速發(fā)展起來的一門集神經(jīng)科學(xué)、計算機(jī)科學(xué)、信息科學(xué)與工程科學(xué)為一體的邊緣交叉學(xué)科。近年來，其理論得到了迅速發(fā)展，成為國際前沿研究領(lǐng)域之一。人工神經(jīng)元網(wǎng)絡(luò)是一種大規(guī)模并行的復(fù)雜的非線性動力系統(tǒng)，可表示極其復(fù)雜的非線性模型系統(tǒng)，具有高度并行的處理機(jī)制、高度靈活可變的拓?fù)浣Y(jié)構(gòu)以及強(qiáng)大的自組織、自學(xué)習(xí)、自適應(yīng)能力和處理非線性問題的能力。
[0048]圖1是本公開一個實施例的基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法的流程示意圖。
[0049]如圖1所示，該實施例可以包括以下步驟:
[0050]S102，根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、輸出神經(jīng)元的激勵閾值、過程神經(jīng)元激勵函數(shù)以及輸出神經(jīng)元激勵函數(shù)建立神經(jīng)元網(wǎng)絡(luò)模型；
[0051]其中，影響農(nóng)作物產(chǎn)量的生長因素可以包括但不限于農(nóng)作物生長期間的平均溫度、最高溫度、最低溫度、相對濕度、降雨量、總?cè)照樟?、二氧化碳濃度、土壤條件和施肥量。根據(jù)影響農(nóng)作物產(chǎn)量的生長因素的個數(shù)確定神經(jīng)元網(wǎng)絡(luò)的輸入的維數(shù)。
[0052]S104，設(shè)置樣本函數(shù)學(xué)習(xí)參數(shù)；
[0053]其中，所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)可以包括誤差精度和最大學(xué)習(xí)迭代次數(shù)。根據(jù)這些樣本函數(shù)學(xué)習(xí)參數(shù)確定對樣本函數(shù)的學(xué)習(xí)迭代次數(shù)。
[0054]S106，初始化神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層至IJ神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值以及神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值。
[0055]S108，根據(jù)樣本函數(shù)和所建立的神經(jīng)元網(wǎng)絡(luò)模型計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差；
[0056]由于樣本函數(shù)中包含輸入到神經(jīng)元網(wǎng)絡(luò)的輸入數(shù)據(jù)以及期望輸出數(shù)據(jù)，這樣輸入數(shù)據(jù)在經(jīng)過神經(jīng)元網(wǎng)絡(luò)后可以與期望的輸出數(shù)據(jù)進(jìn)行比較，即可得出輸出誤差，利用該輸出誤差訓(xùn)練神經(jīng)元網(wǎng)絡(luò)內(nèi)的各個參數(shù)。
[0057]S110，根據(jù)計算出的輸出誤差與所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)判斷學(xué)習(xí)過程是否結(jié)束；
[0058]S卩，如果迭代的次數(shù)達(dá)到設(shè)定的最大學(xué)習(xí)迭代次數(shù)或者輸出誤差小于誤差精度，則可以結(jié)束整個迭代過程，也即對神經(jīng)元網(wǎng)絡(luò)的學(xué)習(xí)結(jié)束。
[0059]S112，如果未結(jié)束，則修正神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值以及神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值，并繼續(xù)計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差，直至滿足根據(jù)樣本函數(shù)學(xué)習(xí)參數(shù)所設(shè)置的結(jié)束條件。
[0060]S114，如果結(jié)束，則輸出對樣本函數(shù)的學(xué)習(xí)結(jié)果，并根據(jù)學(xué)習(xí)結(jié)果對農(nóng)作物的產(chǎn)量進(jìn)行預(yù)測。
[0061]在該實施例中，由于考慮多種影響農(nóng)作物產(chǎn)量的生長因素、而且在構(gòu)建神經(jīng)元網(wǎng)絡(luò)模型時所使用的神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值與神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值均是時變的，反映了輸出對輸入在時間上的累積效果，并且將多種生長因素與時變的連接權(quán)值相結(jié)合綜合考慮了這些生長因素對農(nóng)作物產(chǎn)量的累積效果，使得基于該神經(jīng)元網(wǎng)絡(luò)模型所預(yù)測出的結(jié)果更加準(zhǔn)確。
[0062]進(jìn)一步地，在步驟S102中，根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、輸出神經(jīng)元的激勵閾值、過程神經(jīng)元激勵函數(shù)以及輸出神經(jīng)元激勵函數(shù)建立神經(jīng)元網(wǎng)絡(luò)模型的步驟可以包括:
[0063]根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、過程神經(jīng)元激勵函數(shù)以及神經(jīng)元網(wǎng)絡(luò)的輸入計算神經(jīng)元網(wǎng)絡(luò)的隱層輸出；
[0064]根據(jù)神經(jīng)元網(wǎng)絡(luò)的隱層輸出、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、輸出神經(jīng)元的激勵閾值以及輸出神經(jīng)元激勵函數(shù)計算神經(jīng)元網(wǎng)絡(luò)的輸出。
[0065]進(jìn)一步地，在步驟S110中，根據(jù)計算出的輸出誤差與所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)判斷學(xué)習(xí)過程是否結(jié)束的步驟可以包括: [0066]將計算出的輸出誤差與誤差精度進(jìn)行比較；
[0067]將當(dāng)前學(xué)習(xí)迭代次數(shù)與最大學(xué)習(xí)迭代次數(shù)進(jìn)行比較；
[0068]如果計算出的輸出誤差小于誤差精度或當(dāng)前學(xué)習(xí)迭代次數(shù)大于最大學(xué)習(xí)迭代次數(shù)，則學(xué)習(xí)過程結(jié)束，否則，繼續(xù)學(xué)習(xí)并更新當(dāng)前學(xué)習(xí)迭代次數(shù)。
[0069]在本公開另一實施例中，基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法可以包括以下步驟:
[0070](—)建立神經(jīng)元網(wǎng)絡(luò)模型，如圖2所示，其中，假設(shè)該模型為單個隱層的前饋過程神經(jīng)元網(wǎng)絡(luò)模型，該模型是由若干過程神經(jīng)元，包括作為其特例的傳統(tǒng)非時變神經(jīng)元，按照一定拓?fù)浣Y(jié)構(gòu)組成的一種信息前向傳輸?shù)木W(wǎng)絡(luò)模型，PN表不隱層節(jié)點。
[0071 ] 假設(shè)系統(tǒng)輸入為X (t) = (Xl (t)，x2 (t)，...，xn(t))，其中，X (t)表示農(nóng)作物產(chǎn)量的η個生長因素；
[0072]從神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的輸入輸出關(guān)系可以表示為:
[0073]°J =f ￡ Σwv(~(,)dt - ’ j =m
[0074]從神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的輸入輸出關(guān)系可以表示為:
[0075]y = S Σν/°/ ~θ
[0076]根據(jù)式(1)和(2)可知，前饋神經(jīng)元網(wǎng)絡(luò)輸入與輸出之間的映射關(guān)系可以表示為:
[0077]y = S ivjf- ef —θ
[0078]上述公式(1)-。 中“^^為系統(tǒng)的第土個輸入“二^^^^^^為神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值，Vj為神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值，m為隱層節(jié)點個數(shù)，[0，T]為輸入過程區(qū)間，#^為神經(jīng)元網(wǎng)絡(luò)隱層的第j個節(jié)點的
激勵閾值，f為過程神經(jīng)元激勵函數(shù)，可以取Sigmoid函數(shù)，g為輸出神經(jīng)元激勵函數(shù)，也可以取Sigmoid函數(shù)，Θ為輸出神經(jīng)元的激勵閾值，0j代表神經(jīng)元網(wǎng)絡(luò)隱層的第j個節(jié)點。
[0079](二)樣本函數(shù)的學(xué)習(xí):
[0080](1)給定K個學(xué)習(xí)樣本函數(shù)，如下所示:
[0081 ] (xn (t)，x12 (t)，…，xln (t)，di)
[0082](x21 (t)，x22 (t)，...，x2n (t)，d2)
[0083].........[0084](xK1 (t)，χΚ2 (t)，...，χΚη (t)，dK)
[0085]其中，dk為第k個樣本函數(shù)的期望輸出，xuz(t)為第u個學(xué)習(xí)樣本的第z個輸入，其中，u=l, 2,...K ；z=l, 2,...η ；
[0086](2)設(shè)置參數(shù):
[0087]設(shè)置誤差精度ε、累計學(xué)習(xí)迭代次數(shù)為s以及最大學(xué)習(xí)迭代次數(shù)為Μ，其中Μ可以根據(jù)經(jīng)驗來設(shè)定，初始s=0 ；
[0088](3)選取 L 個基函數(shù) h (t)，b2(t)，…，bL(t)；
[0089](4)初始化連接權(quán)值V」、Mf和激勵閾值Θ」，其中，i=l，2，…，n; j=l，2，…，m; 1=1, 2，…，L ;
[0090]對于權(quán)值和閾值的初始化按照過程神經(jīng)元網(wǎng)絡(luò)模型圖的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行。由于隱層到輸出層采用非時變的神經(jīng)元結(jié)構(gòu)，所以權(quán)值Vj的初始化取[0，1]之間很小的隨機(jī)數(shù)，也可以初始化為0均值，方差為1的符合正態(tài)分布的隨機(jī)數(shù)。
[0091]Ορ θ.的初始化方法類似于' 的初始化。&(t)由于是時間的函數(shù)，為了便于
計算，將權(quán)函數(shù)表示為同組基函數(shù)的展開形式
【權(quán)利要求】
1.一種基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法，其特征在于，包括:根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、輸出神經(jīng)元的激勵閾值、過程神經(jīng)元激勵函數(shù)以及輸出神經(jīng)元激勵函數(shù)建立神經(jīng)元網(wǎng)絡(luò)模型；設(shè)置樣本函數(shù)學(xué)習(xí)參數(shù)；初始化神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值以及神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值；根據(jù)樣本函數(shù)和所建立的神經(jīng)元網(wǎng)絡(luò)模型計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差；根據(jù)計算出的輸出誤差與所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)判斷學(xué)習(xí)過程是否結(jié)束；如果未結(jié)束，則修正神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值以及神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值，并繼續(xù)計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差，直至滿足根據(jù)樣本函數(shù)學(xué)習(xí)參數(shù)所設(shè)置的結(jié)束條件；如果結(jié)束，則輸出對樣本函數(shù)的學(xué)習(xí)結(jié)果，并根據(jù)學(xué)習(xí)結(jié)果對農(nóng)作物的產(chǎn)量進(jìn)行預(yù)測。
2.根據(jù)權(quán)利要求1所述的基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法，其特征在于，所述影響農(nóng)作物產(chǎn)量的生長因素包括農(nóng)作物生長期間的平均溫度、最高溫度、最低溫度、相對濕度、降雨量、總?cè)照樟?、二氧化碳濃度、土壤條件和施肥量。
3.根據(jù)權(quán)利要求1所述的基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法，其特征在于，所述根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、輸出神經(jīng)元的激勵閾值、過程神經(jīng)元激勵函數(shù)以及輸出神經(jīng)元激勵函數(shù)建立神經(jīng)元網(wǎng)絡(luò)模型的步驟包括:根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、過程神經(jīng)元激勵函數(shù)以及神經(jīng)元網(wǎng)絡(luò)的輸入計算神經(jīng)元網(wǎng)絡(luò)的隱層輸出；根據(jù)神經(jīng)元網(wǎng)絡(luò)的隱層輸出、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、輸出神經(jīng)元的激勵閾值以及輸出神經(jīng)元激勵函數(shù)計算神經(jīng)元網(wǎng)絡(luò)的輸出。
4.根據(jù)權(quán)利要求1所述的基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法，其特征在于，所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)包括誤差精度和最大學(xué)習(xí)迭代次數(shù)。
5.根據(jù)權(quán)利要求4所述的基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測方法，其特征在于，所述根據(jù)計算出的輸出誤差與所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)判斷學(xué)習(xí)過程是否結(jié)束的步驟包括:將計算出的輸出誤差與誤差精度進(jìn)行比較；將當(dāng)前學(xué)習(xí)迭代次數(shù)與最大學(xué)習(xí)迭代次數(shù)進(jìn)行比較；如果計算出的輸出誤差小于誤差精度或當(dāng)前學(xué)習(xí)迭代次數(shù)大于最大學(xué)習(xí)迭代次數(shù)，則學(xué)習(xí)過程結(jié)束，否則，繼續(xù)學(xué)習(xí)并更新當(dāng)前學(xué)習(xí)迭代次數(shù)。
6.一種基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測裝置，其特征在于，包括:模型建立單元，用于根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、輸出神經(jīng)元的激勵閾值、過程神經(jīng)元激勵函數(shù)以及輸出神經(jīng)元激勵函數(shù)建立神經(jīng)元網(wǎng)絡(luò)模型； 參數(shù)設(shè)置單元，用于設(shè)置樣本函數(shù)學(xué)習(xí)參數(shù)；參數(shù)初始化單元，用于初始化神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值以及神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值；誤差計算單元，用于根據(jù)樣本函數(shù)和所建立的神經(jīng)元網(wǎng)絡(luò)模型計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差;判斷單元，用于根據(jù)計算出的輸出誤差與所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)判斷學(xué)習(xí)過程是否結(jié)束；迭代處理單元，用于如果未結(jié)束，則修正神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值以及神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值，并繼續(xù)計算神經(jīng)元網(wǎng)絡(luò)的輸出誤差，直至滿足根據(jù)樣本函數(shù)學(xué)習(xí)參數(shù)所設(shè)置的結(jié)束條件；預(yù)測單元，用于如果結(jié)束，則輸出對樣本函數(shù)的學(xué)習(xí)結(jié)果，并根據(jù)學(xué)習(xí)結(jié)果對農(nóng)作物的產(chǎn)量進(jìn)行預(yù)測。
7.根據(jù)權(quán)利要求6所述的基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測裝置，其特征在于，所述影響農(nóng)作物產(chǎn)量的生長因素包括農(nóng)作物生長期間的平均溫度、最高溫度、最低溫度、相對濕度、降雨量、總?cè)照樟?、二氧化碳濃度、土壤條件和施肥量。
8.根據(jù)權(quán)利要求6所述的基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測裝置，其特征在于，所述模型建立單元包括:隱層輸出計算子單元，用于根據(jù)影響農(nóng)作物產(chǎn)量的生長因素、神經(jīng)元網(wǎng)絡(luò)輸入層到神經(jīng)元網(wǎng)絡(luò)隱層的連接權(quán)值、神經(jīng)元網(wǎng)絡(luò)隱層中各節(jié)點的激勵閾值、過程神經(jīng)元激勵函數(shù)以及神經(jīng)元網(wǎng)絡(luò)的輸入計算神經(jīng)元網(wǎng)絡(luò)的隱層輸出；網(wǎng)絡(luò)輸出計算子單元，用于根據(jù)神經(jīng)元網(wǎng)絡(luò)的隱層輸出、神經(jīng)元網(wǎng)絡(luò)隱層到神經(jīng)元網(wǎng)絡(luò)輸出層的連接權(quán)值、輸出神經(jīng)元的激勵閾值以及輸出神經(jīng)元激勵函數(shù)計算神經(jīng)元網(wǎng)絡(luò)的輸出。
9.根據(jù)權(quán)利要求6所述的基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測裝置，其特征在于，所設(shè)置的樣本函數(shù)學(xué)習(xí)參數(shù)包括誤差精度和最大學(xué)習(xí)迭代次數(shù)。
10.根據(jù)權(quán)利要求9所述的基于神經(jīng)元網(wǎng)絡(luò)的農(nóng)作物預(yù)測裝置，其特征在于，所述判斷單元包括:誤差比較子單元，用于將計算出的輸出誤差與誤差精度進(jìn)行比較；迭代次數(shù)比較子單元，用于將當(dāng)前學(xué)習(xí)迭代次數(shù)與最大學(xué)習(xí)迭代次數(shù)進(jìn)行比較；學(xué)習(xí)結(jié)束判斷子單元，用于如果計算出的輸出誤差小于誤差精度或當(dāng)前學(xué)習(xí)迭代次數(shù)大于最大學(xué)習(xí)迭代次數(shù)，則學(xué)習(xí)過程結(jié)束，否則，繼續(xù)學(xué)習(xí)并更新當(dāng)前學(xué)習(xí)迭代次數(shù)。
【文檔編號】G06N3/08GK103646299SQ201310705042
【公開日】2014年3月19日 申請日期:2013年12月19日 優(yōu)先權(quán)日:2013年12月19日
【發(fā)明者】繆可成, 宋革聯(lián), 王茂華, 楊蕊, 張彬筠 申請人:浙江省公眾信息產(chǎn)業(yè)有限公司