CN102163301A - 基于bp人工神经网络的农作物害虫发生量的预测方法 - Google Patents

基于bp人工神经网络的农作物害虫发生量的预测方法 Download PDF

Info

Publication number
CN102163301A
CN102163301A CN2011100897901A CN201110089790A CN102163301A CN 102163301 A CN102163301 A CN 102163301A CN 2011100897901 A CN2011100897901 A CN 2011100897901A CN 201110089790 A CN201110089790 A CN 201110089790A CN 102163301 A CN102163301 A CN 102163301A
Authority
CN
China
Prior art keywords
matrix
neural network
artificial neural
occurrence
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN2011100897901A
Other languages
English (en)
Inventor
彭琳
刘宗田
杨林楠
钟飞
朱平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN2011100897901A priority Critical patent/CN102163301A/zh
Publication of CN102163301A publication Critical patent/CN102163301A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Catching Or Destruction (AREA)

Abstract

本发明公开了一种基于BP人工神经网络的农作物害虫发生量的预测方法，其步骤如下：（1）采集待预测农作物害虫发生量的原始数据和影响农作物害虫发生影响因子的原始数据；（2）计算原始数据之间关联度，剔除差异大的数据；（3）计算影响农作物害虫发生的影响因子的累计贡献率；（4）利用BP人工神经网络，对农作物害虫发生量进行预测。该方法利用灰色关联度分析方法对农作物害虫发生量的原始数据进行处理，剔除掉误差数据，保证预测模型的稳定性和准确性；并利用主成分分析方法降低了BP人工神经网络输入因子个数，有效地解决了利用BP人工神经网络进行预测时，输入因子少时，其预测准确性低；输入因子多时，运算量大、其预测结果得不到收敛的矛盾。

Description

基于BP人工神经网络的农作物害虫发生量的预测方法
技术领域
本发明属于智能预测技术领域，具体地说是涉及一种基于BP人工神经网络的农作物害虫发生量的预测方法。
背景技术
近年来，随着现代计算智能技术的发展，利用BP人工神经网络建立农业预测模型已取得了较好的预测效果，例如有文章报道，其题目为“BP人工神经网络在家蚕杂交组合预测中的应用初探”（该文作者是：何克荣 柳新菊 祝新荣, 发表于2010年出版的《蚕桑通报》第41卷第3期第26-28页），该文公开了一种利用BP人工神经网络建立家蚕杂种一代的6个经济性状的预测模型的方法；和文章“基于BP神经网络的果蔬热导率预测模型”（该文作者是：张敏，钟志友，杨乐，等，发表于2010年出版的《农业机械学报》第41卷第10期第117-121页），该文公开了根据果蔬热导率与可溶性固形物含量、含水率、密度和硬度等因素的变化关系, 建立一种基于BP神经网络的果蔬热导率预测模型的方法；以及文章“稻纵卷叶螟发生程度的神经网络预警”（该文作者是：汪四水, 张孝羲, 张夕林，发表于2003年出版的《生物数学学报》第18卷第1期第93-97页），该文公开了一种利用BP人工神经网络原理，结合500pb西太平洋副热带高压和江苏省通州市稻纵卷叶螟发生程度的数据，建立稻纵卷叶螟发生程度预警模型的方法。已有利用BP人工神经网络建立的农业预测模型存在的不足：（1）在农业数据采集过程中存在大量由于人为、设备、仪器仪表精度限制等原因导致的误差，现有预测方法对这些误差一般都忽略不计，从而极大的影响了预测模型的稳定性和准确性。（2）利用BP人工神经网络进行预测时，存在着输入因子少时，导致其预测准确性低；输入因子多时，BP人工神经网络运算量大、导致其预测结果得不到收敛。目前基于BP人工神经网络建立的预测方法，很难有效地解决这一矛盾。
发明内容
鉴于以上所述现有技术存在的技术问题，本发明的目的是提供一种基于BP人工神经网络的农作物害虫发生量的预测方法，该方法能在原始数据信息不丢失的情况，降低预测的影响因子维数，减少运算量，提高预测精度。
为了达到上述目的，本发明的构思如下：首先，利用灰色关联分析法对待预测的农作物害虫过去的发生量和影响害虫发生的影响因子的原始数据进行关联度计算，剔除掉差异较大的数据；其次，对灰色关联分析法处理后的数据进行主成分分析，计算影响害虫发生的影响因子的累计贡献率；最后，利用BP人工神经网络对农作物害虫发生量进行预测，得到预测结果。
根据上述的发明构思，本发明采用下述技术方案：
本发明的基于BP人工神经网络的农作物害虫发生量的预测方法，具体步骤如下：
（1）、采集整理待预测的农作物害虫过去的发生量的原始数据和影响农作物害虫发生的影响因子的原始数据；
（2）、利用灰色关联度分析方法，计算原始数据之间的关联度，剔除差异较大数据；
（3）、对灰色关联分析法处理后的数据主成分分析，计算影响农作物害虫发生的影响因子的累计贡献率；
（4）、利用BP人工神经网络，对农作物害虫发生量进行预测。
上述步骤（2）中所述的利用灰色关联度分析方法，计算农作物害虫过去的发生量的原始数据之间的关联度，剔除差异较大数据，其操作步骤如下：
（21）、对农作物害虫过去的发生量的原始数据进行标准化处理，消除各数据间的量纲关系，使数据一致，
对农作物害虫过去的发生量的原始数据进行标准化处理，将各指标的属性值统一到（-1，1）范围内，计算式如下：
Figure 227378DEST_PATH_IMAGE001
其中，
Figure 220741DEST_PATH_IMAGE002
是标准化矩阵的第i行第j列的数值，是参与标准化矩阵的第i行第j列的数值，是参与标准化矩阵的第i列的平均值；
（22）、计算一级绝对差矩阵
计算一级绝对差矩阵，其计算式为：
其中，
Figure 540678DEST_PATH_IMAGE006
是绝对差矩阵，
Figure 93888DEST_PATH_IMAGE007
是标准化矩阵的参照向量第k个值，
Figure 369012DEST_PATH_IMAGE008
是标准化矩阵第i个向量的第k个值；
（23）、计算关联度系数矩阵
根据步骤（22）计算得到的绝对差矩阵
Figure 12483DEST_PATH_IMAGE006
，计算关联度系数矩阵
Figure 409966DEST_PATH_IMAGE009
，其计算式为：
Figure 951937DEST_PATH_IMAGE010
其中，
Figure 30751DEST_PATH_IMAGE009
是关联度系数矩阵，
Figure 528729DEST_PATH_IMAGE006
是绝对差矩阵，
Figure 362693DEST_PATH_IMAGE011
是二级最小差，  
Figure 313331DEST_PATH_IMAGE012
是二级最大差，
Figure 510351DEST_PATH_IMAGE013
是分辨系数，
Figure 862835DEST_PATH_IMAGE014
，一般取
Figure 867700DEST_PATH_IMAGE015
；
（24）、计算灰色关联度
根据步骤（23）计算得到农作物害虫过去的发生量的原始数据之间的关联度系数矩阵
Figure 305634DEST_PATH_IMAGE009
 ，计算出灰色关联度
Figure 539301DEST_PATH_IMAGE016
，其计算式为：
Figure 11870DEST_PATH_IMAGE017
其中，
Figure 187637DEST_PATH_IMAGE016
是灰色关联度， 
Figure 112867DEST_PATH_IMAGE009
是关联系数矩阵，N是向量的维数；
上述步骤（3）中所述的对灰色关联分析法处理后的数据主成分分析，计算影响农作物害虫发生的影响因子的累计贡献率，其操作步骤如下：
（31）、对影响农作物害虫发生的影响因子进行标准化处理，消除各数据间的量纲关系，使数据一致，
影响因子的标准化处理，计算式为：
其中，
Figure 710257DEST_PATH_IMAGE019
是标准化矩阵的第i行第j列的数值，
Figure 56924DEST_PATH_IMAGE020
是参与标准化矩阵的第i行第j列的数值，
Figure 469451DEST_PATH_IMAGE004
是参与标准化矩阵的第i列的平均值；
（32）、计算影响农作物害虫发生的影响因子的相关系数矩阵
计算影响因子的相关系数矩阵，其计算式为：
Figure 497450DEST_PATH_IMAGE021
其中， 
Figure 681755DEST_PATH_IMAGE023
是标准化矩阵第i行与第j行的相关系数，
Figure 643895DEST_PATH_IMAGE024
是标准化矩阵的第j行第i列的数值，
Figure 210005DEST_PATH_IMAGE025
是标准化矩阵的第i行第k列的数值，
Figure 814469DEST_PATH_IMAGE026
是标准化矩阵的第j行向量，是标准化矩阵的第k行向量转置，
Figure 624479DEST_PATH_IMAGE028
是相关系数矩阵，
利用标准化后的数据计算影响因子相关系数矩阵，其计算式为：
Figure 697926DEST_PATH_IMAGE030
      i，j= 1，2…，12， n=7
（33）、计算相关系数矩阵特征值、特征向量
根据步骤（32）计算得到相关系数矩阵为R，其求解特征方程为:
Figure 494980DEST_PATH_IMAGE031
其中，
Figure 103816DEST_PATH_IMAGE028
是相关系数矩阵，
Figure 339625DEST_PATH_IMAGE032
是特征值，
Figure 350307DEST_PATH_IMAGE033
是单位矩阵，
得到相关系数矩阵R的特征值
Figure 629847DEST_PATH_IMAGE032
，每个特征值对应的特征向量为：
Figure 725979DEST_PATH_IMAGE034
；
（34）、计算前q个主成分所占的累计贡献率
前q个主成分所占的累计贡献率计算式为:
Figure 499900DEST_PATH_IMAGE035
其中，
Figure 365088DEST_PATH_IMAGE036
是影响农作物害虫发生的累计贡献率，
Figure 316995DEST_PATH_IMAGE037
是第
Figure 900423DEST_PATH_IMAGE038
组数据的特征值，n为主成分的个数，q为累计贡献率达到75%以上的主成分个数；
上述步骤（4）中所述的利用BP人工神经网络，对农作物害虫发生量进行预测，其具体步骤为：
（41）、确定BP人工神经网络输入层节点个数
设输入层节点个数为主成分分析后的主成分个数；
（42）、确定BP人工神经网络输出层节点个数
设输出层节点数为预测结果的个数；
（43）、确定BP人工神经网络传递函数
（44）、确定BP人工神经网络隐含层神经元个数
（45）、训练BP人工神经网络
以主成分分析后的数据和历年该农作物的发生量为训练样本，对BP人工神经网络进行训练；
（46）、利用训练后的BP人工神经网络，对农作物的发生量进行预测。
本发明的基于BP人工神经网络的农作物害虫发生量的预测方法与现有技术相比较，具有以下效果：该方法利用灰色关联度分析方法，对农作物害虫发生量的原始数据进行处理，剔除掉误差数据，保证了预测模型的稳定性和准确性。同时，利用主成分分析法对BP人工神经网络输入因子进行处理，在保证信息不丢失的情况，降低了BP人工神经网络输入因子个数，有效地解决了利用BP人工神经网络进行预测时，输入因子过少，导致其预测准确性不高；输入因子过多，运算复杂、又导致其预测结果得不到收敛的矛盾。
附图说明
图1为本发明的基于BP人工神经网络的农作物害虫发生量的预测方法的流程图；
图2是图1中所述的步骤（2）的流程图；
图3是图1中所述的步骤（3）的流程图；
图4是图1中所述的步骤（4）的流程图；
图5为BP人工神经网络训练过程的误差图；
图6为第一代斑潜蝇发生高峰期发生量（植株感染率）与气象信息原始数据表；
图7为标准化处理后的原始数据表；
图8为一级绝对差矩阵表；
图9为关联系数矩阵计算后的数据表；
图10灰色关联度分析后的数据表；
图11为标准化处理后的影响因子数据表；
图12为主成分与斑潜蝇发生高峰期发生量数据统计表。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的描述。
本实施例以某地农作物害虫——斑潜蝇发生量作为预测实例。
参照图1，本发明的基于BP人工神经网络的农作物害虫发生量的预测方法，包括如下步骤：
   （1）采集整理待预测的农作物害虫过去的发生量的原始数据和影响害虫发生的影响因子的原始数据
在某地植保站采集1999年至2007年斑潜蝇发生量（植株感染率）原始数据，将各种蔬菜田的采样面积进行加权平均，得到斑潜蝇在蔬菜中的危害程度，采用植株感染率作为危害程度指标，见表1。
表1  1999年—2007年建水县斑潜蝇发生量（植株感染率）原始数据表
Figure 150138DEST_PATH_IMAGE040
此外，第一代斑潜蝇发生量与其相对应的月份的6个气象因子有着密切的关系，所以以该地气象台同期观测的月平均气温、极端最高气温、极端最低气温、降水量等6项气象数据作为影响因子数据，见图6；
（2）利用灰色关联度分析方法，计算原始数据之间的关联度，剔除差异较大数据，如图2所示，其操作步骤如下：
（21）、对农作物害虫过去的发生量的原始数据进行标准化处理，消除各数据间的量纲关系，使数据一致。
对图3中的表2中的数据进行标准化处理，计算式如下：
Figure 197729DEST_PATH_IMAGE018
其中，
Figure 507487DEST_PATH_IMAGE041
是标准化矩阵的第i行第j列的数值，
Figure 892726DEST_PATH_IMAGE042
是参与标准化矩阵的第i行第j列的数值，
Figure 946132DEST_PATH_IMAGE043
是参与标准化矩阵的第i列的平均值，
标准化处理后的原始数据，如图7所示。
（22）、计算一级绝对差矩阵
计算一级绝对差矩阵，其计算式为：
其中，
Figure 141939DEST_PATH_IMAGE006
是绝对差矩阵，
Figure 434380DEST_PATH_IMAGE045
是标准化矩阵的参照向量第k个值，
Figure 353794DEST_PATH_IMAGE046
是标准化矩阵第i个向量的第k个值，其计算结果图8所示。
（23）、计算关联系数矩阵
根据步骤（22）计算得到的绝对差矩阵，计算关联系数矩阵
Figure 11226DEST_PATH_IMAGE009
，其计算式为：
Figure 56543DEST_PATH_IMAGE010
其中，是关联度系数矩阵，
Figure 62862DEST_PATH_IMAGE006
是绝对差矩阵，是二级最小差，  是二级最大差， 是分辨系数，，一般取，
其计算结果为下图9，
（24）、计算灰色关联度
根据步骤（23）计算得到农作物害虫过去的发生量的原始数据之间的关联系数矩阵
Figure 223289DEST_PATH_IMAGE009
，其计算式为，
Figure 22618DEST_PATH_IMAGE017
其中，是灰色关联度， 是关联系数矩阵， N是向量的维数。
计算1999年到2007年与平均值的关联度，其结果为：[0.8223 0.9105 0.8780 0.9924 0.8920 0.9001 0.8636 0.9205 0.7664]。
得到1999年和2007年的数据与其它年份数据的相关度差，把这两年数据排除掉，得到进行灰色关联度分析的数据，如图10所示，
（3）对灰色关联分析法处理后的数据主成分分析，计算影响农作物害虫发生的影响因子的累计贡献率，如图3所示，其操作步骤如下：
（31）、对影响农作物害虫发生的影响因子的标准化处理，消除各数据间的量纲关系，使数据一致，
影响农作物害虫发生的影响因子的标准化处理，其计算式为：
Figure 764943DEST_PATH_IMAGE018
其中，
Figure 305646DEST_PATH_IMAGE041
是标准化矩阵的第i行第j列的数值，
Figure 11434DEST_PATH_IMAGE042
是参与标准化矩阵的第i行第j列的数值，是参与标准化矩阵的第i列的平均值。其计算结果，如图11所示。
（32）、计算影响农作物害虫发生的影响因子的相关系数矩阵
计算影响农作物害虫发生的影响因子的相关系数矩阵，其计算式为：
Figure 387106DEST_PATH_IMAGE021
Figure 465921DEST_PATH_IMAGE022
其中， 
Figure 963898DEST_PATH_IMAGE047
是标准化矩阵第i行与第j行的相关系数，
Figure 532283DEST_PATH_IMAGE048
是标准化矩阵的第j行第i列的数值，是标准化矩阵的第i行第k列的数值，
Figure 444055DEST_PATH_IMAGE050
是标准化矩阵的第j行向量，
Figure 796539DEST_PATH_IMAGE051
是标准化矩阵的第k行向量转置，是相关系数矩阵，
利用标准化后的数据计算影响因子相关系数矩阵，其计算式为：
Figure 659956DEST_PATH_IMAGE030
      i，j= 1，2…，12， n=7
（33）、计算相关系数矩阵特征值、特征向量
根据步骤（32）计算得到相关系数矩阵为R，其求解特征方程:
Figure 447040DEST_PATH_IMAGE031
其中，
Figure 294910DEST_PATH_IMAGE053
是相关系数矩阵，
Figure 282457DEST_PATH_IMAGE054
是特征值，
Figure 506765DEST_PATH_IMAGE055
是单位矩阵，
得到相关系数矩阵R的特征值
Figure 646891DEST_PATH_IMAGE054
，每个特征值对应的特征向量为：
Figure 931242DEST_PATH_IMAGE034
；
令︱R-M︱=0，求得12个特征值λi，i=1，2，…，12，是主成分的方差从大到小进行排列这：3.1980，2.0424，0.5006，0.3493，0.2067，0.0400，0，0，0，0，0，0，相对应的特征向量设为A 1 ,A 2 ,…,A 12  ；
（34）、计算前q个主成分所占的累计贡献率
前q个主成分所占的累计贡献率计算式为:
Figure 343768DEST_PATH_IMAGE035
其中，
Figure 168505DEST_PATH_IMAGE056
是影响农作物害虫发生的累计贡献率，
Figure 350088DEST_PATH_IMAGE057
是第
Figure 116924DEST_PATH_IMAGE058
组数据的特征值，n为主成分的个数，q为累计贡献率达到75%以上的主成分个数；
经计算前三项特征值的累积贡献率已超过90%，对应的特征向量式为：
则第i个主成分的表达式为：
Figure 645175DEST_PATH_IMAGE060
对标准化后的数据进行主成分分析，前三个项主成分Y1、Y2、Y3的各因素的关系式以及主成分的数值，如表7所示，
（Y1,Y2,Y3）T=
·（x1,x2,x3,x4,x5,x6,x7,x8,x9,x10,x11,x12）T
参见图12，通过运算，影响斑潜蝇发生的12个气象因子提取为3个复合因子Y1,Y2,Y3，其累计方差贡献率达到90.59%；
（4）、利用BP人工神经网络，对农作物害虫发生量进行预测，如图4所示，其具体步骤为：
（41）、确定BP人工神经网络输入层节点个数
设输入层节点个数为主成分分析后的主成分个数，根据步骤（3）得到影响农作物害虫发生的影响因子的累计贡献率，计算得到的影响斑潜蝇发生的12个气象因子，提取其中3个复合因子Y1,Y2,Y3，以该3个复合因子作为BP人工神经网络输入因子，所以BP人工神经网络的输入层的节点个数确定为3；
（42）、确定BP人工神经网络输出层节点个数
设输出层节点数为预测结果的个数，对农作物害虫的发生量进行预测，输出层节点数确定为1；
（43）、确定BP人工神经网络传递函数
传递函数选择为Sigmond函数；
（44）、确定BP人工神经网络隐含层神经元个数
隐含层神经元个数设定为10；
（45）、训练BP人工神经网络
通过步骤（3）计算得到影响斑潜蝇发生的12个气象因子可提取出3个复合因子Y1,Y2,Y3，以这3个复合因子作为BP人工神经网络输入因子，2000年至2005年的斑潜蝇发生量数据为样本，对BP人工神经网络进行训练；训练过程如图5所示，图5中横坐标表示训练代数，纵坐标表示训练精度，可以看到，经过3次训练，其精度达到3.91389e-10，BP人工神经网络训练趋于稳定；
（46）、利用训练后的BP人工神经网络，对农作物的发生量进行预测。
利用训练后的BP人工神经网络，对2006年斑潜蝇的发生量进行预测，得到2006年斑潜蝇的预测发生量为60.6%植株感染率，与2006年实际斑潜蝇发生量为64.9%植株感染率相比，得到预测精度为93.4%。
本发明所述的方法并不限于具体实施方式中所述的实施例，本领域技术人员根据本发明的技术方案得出的其它的实施方式，同样属于本发明的技术创新范围。

Claims (2)

1.一种基于BP人工神经网络的农作物害虫发生量的预测方法，其特征在于：首先，利用灰色关联分析法对待预测的农作物害虫过去的发生量和影响害虫发生的影响因子的原始数据进行关联度计算，剔除掉差异较大的数据；其次，对灰色关联分析法处理后的数据进行主成分分析，计算影响害虫发生的影响因子的累计贡献率；最后，利用BP人工神经网络对农作物害虫发生量进行预测，得到预测结果，具体步骤如下：
（1）、采集整理待预测的农作物害虫过去的发生量的原始数据和影响农作物害虫发生的影响因子的原始数据；
（2）、利用灰色关联度分析方法，计算原始数据之间的关联度，剔除差异较大数据；
（3）、对灰色关联分析法处理后的数据主成分分析，计算影响农作物害虫发生的影响因子的累计贡献率；
（4）、利用BP人工神经网络，对农作物害虫发生量进行预测。
2.根据权利要求1所述的基于BP人工神经网络的农作物害虫发生量的预测方法，其特征在于，上述步骤(2)中所述的利用灰色关联度分析方法，计算原始数据之间的关联度，剔除差异较大数据，其操作步骤如下：
（21）、对农作物害虫过去的发生量的原始数据进行标准化处理，消除各数据间的量纲关系，使数据一致，
对农作物害虫过去的发生量的原始数据进行标准化处理，将各指标的属性值统一到（-1，1）范围内，计算式如下： 
Figure 252712DEST_PATH_IMAGE001
其中，
Figure 109810DEST_PATH_IMAGE002
是标准化矩阵的第i行第j列的数值，
Figure 804096DEST_PATH_IMAGE003
是参与标准化矩阵的第i行第j列的数值，是参与标准化矩阵的第i列的平均值；
（22）、计算一级绝对差矩阵
计算一级绝对差矩阵，其计算式为：
                
其中，
Figure 771549DEST_PATH_IMAGE006
是绝对差矩阵，
Figure 320342DEST_PATH_IMAGE007
是标准化矩阵的参照向量第k个值，
Figure 719969DEST_PATH_IMAGE008
是标准化矩阵第i个向量的第k个值；
（23）、计算关联度系数矩阵
根据步骤（22）计算得到的绝对差矩阵，计算关联度系数矩阵
Figure 982640DEST_PATH_IMAGE009
，其计算式为：
Figure 651519DEST_PATH_IMAGE010
         
其中，
Figure 910462DEST_PATH_IMAGE009
是关联度系数矩阵，
Figure 212261DEST_PATH_IMAGE006
是绝对差矩阵，
Figure 214852DEST_PATH_IMAGE011
是二级最小差，  
Figure 800554DEST_PATH_IMAGE012
是二级最大差，
Figure 964819DEST_PATH_IMAGE013
是分辨系数，，一般取
Figure 61662DEST_PATH_IMAGE015
；                
（24）、计算灰色关联度
根据步骤（23）计算得到农作物害虫过去的发生量的原始数据之间的关联度系数矩阵 ，计算出灰色关联度
Figure 102616DEST_PATH_IMAGE016
，其计算式为： 
Figure 565958DEST_PATH_IMAGE017
   
其中，
Figure 723401DEST_PATH_IMAGE016
是灰色关联度， 
Figure 221379DEST_PATH_IMAGE009
是关联系数矩阵，N是向量的维数；
3、根据权利要求1所述的基于BP人工神经网络的农作物害虫发生量的预测方法，其特征在于，上述步骤（3）中所述的对灰色关联分析法处理后的数据主成分分析，计算影响农作物害虫发生的影响因子的累计贡献率，其操作步骤如下：
（31）、对影响农作物害虫发生的影响因子进行标准化处理，消除各数据间的量纲关系，使数据一致，
影响因子的标准化处理，计算式为：
            
Figure 789763DEST_PATH_IMAGE018
                                           
    其中，
Figure 5981DEST_PATH_IMAGE019
是标准化矩阵的第i行第j列的数值，
Figure 200071DEST_PATH_IMAGE003
是参与标准化矩阵的第i行第j列的数值，
Figure 552555DEST_PATH_IMAGE004
是参与标准化矩阵的第i列的平均值；
（32）、计算影响农作物害虫发生的影响因子的相关系数矩阵
 计算影响因子的相关系数矩阵，其计算式为：
Figure 229524DEST_PATH_IMAGE020
                     
Figure 729775DEST_PATH_IMAGE021
   
其中， 
Figure 415972DEST_PATH_IMAGE022
是标准化矩阵第i行与第j行的相关系数，
Figure 436011DEST_PATH_IMAGE023
是标准化矩阵的第j行第i列的数值，
Figure 549461DEST_PATH_IMAGE024
是标准化矩阵的第i行第k列的数值，
Figure 537008DEST_PATH_IMAGE025
是标准化矩阵的第j行向量，
Figure 761316DEST_PATH_IMAGE026
是标准化矩阵的第k行向量转置，是相关系数矩阵，
利用标准化后的数据计算影响因子相关系数矩阵，其计算式为：
             
Figure 402907DEST_PATH_IMAGE028
                          
             
Figure 2011100897901100001DEST_PATH_IMAGE029
      i，j= 1，2…，12， n=7
    （33）、计算相关系数矩阵特征值、特征向量
根据步骤（32）计算得到相关系数矩阵为R，其求解特征方程:
  
其中，
Figure 896522DEST_PATH_IMAGE027
是相关系数矩阵，
Figure 2011100897901100001DEST_PATH_IMAGE031
是特征值，
Figure 737570DEST_PATH_IMAGE032
是单位矩阵，
得到相关系数矩阵R的特征值
Figure 919153DEST_PATH_IMAGE031
，每个特征值对应的特征向量为：
Figure 2011100897901100001DEST_PATH_IMAGE033
；                              
（34）、计算前q个主成分所占的累计贡献率
前q个主成分所占的累计贡献率计算式为:
       
Figure 436722DEST_PATH_IMAGE034
其中，
Figure 648129DEST_PATH_IMAGE035
是影响农作物害虫发生的累计贡献率，
Figure 276556DEST_PATH_IMAGE036
是第
Figure 312646DEST_PATH_IMAGE037
组数据的特征值，n为主成分的个数，q为累计贡献率达到75%以上的主成分个数；
4、根据权利要求1所述的基于BP人工神经网络的农作物害虫发生量的预测方法，其特征在于，上述步骤（4）中所述的利用BP人工神经网络，对农作物害虫发生量进行预测，其具体步骤为： 
（41）、确定BP人工神经网络输入层节点个数
设输入层节点个数为主成分分析后的主成分个数；
（42）、确定BP人工神经网络输出层节点个数
设输出层节点数为预测结果的个数；
（43）、确定BP人工神经网络传递函数
（44）、确定BP人工神经网络隐含层神经元个数
（45）、训练BP人工神经网络
以主成分分析后的数据和历年该农作物的发生量为训练样本，对BP人工神经网络进行训练；
（46）、利用训练后的BP人工神经网络，对农作物的发生量进行预测。
CN2011100897901A 2011-04-12 2011-04-12 基于bp人工神经网络的农作物害虫发生量的预测方法 Pending CN102163301A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011100897901A CN102163301A (zh) 2011-04-12 2011-04-12 基于bp人工神经网络的农作物害虫发生量的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011100897901A CN102163301A (zh) 2011-04-12 2011-04-12 基于bp人工神经网络的农作物害虫发生量的预测方法

Publications (1)

Publication Number Publication Date
CN102163301A true CN102163301A (zh) 2011-08-24

Family

ID=44464515

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011100897901A Pending CN102163301A (zh) 2011-04-12 2011-04-12 基于bp人工神经网络的农作物害虫发生量的预测方法

Country Status (1)

Country Link
CN (1) CN102163301A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940824A (zh) * 2016-01-04 2017-07-11 塔塔顾问服务有限公司 用于估计有效害虫严重程度指数的系统和方法
CN107025505A (zh) * 2017-04-25 2017-08-08 无锡中科智能农业发展有限责任公司 一种基于主成分分析和神经网络的水稻需水量预测方法
CN107292467A (zh) * 2016-03-31 2017-10-24 中国石油化工股份有限公司 一种钻井风险预测方法
CN107704958A (zh) * 2017-09-30 2018-02-16 渤海大学 一种多变量建模的火电厂发电量预测方法
CN110245604A (zh) * 2019-06-12 2019-09-17 西安电子科技大学 基于卷积神经网络的蚊虫识别方法
CN111027852A (zh) * 2019-12-09 2020-04-17 华南理工大学广州学院 基于大数据处理和灰色理论分析风发电效益的方法
CN112257892A (zh) * 2020-08-27 2021-01-22 中国石油化工股份有限公司 一种复杂气藏排水采气工艺制度优化方法
CN113486086A (zh) * 2021-07-01 2021-10-08 上海硕恩网络科技股份有限公司 一种基于特征工程的数据挖掘方法及系统
CN118365175A (zh) * 2024-06-17 2024-07-19 深圳点筹农业供应链有限公司 一种基于农产品信息采集校正方法及系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106940824A (zh) * 2016-01-04 2017-07-11 塔塔顾问服务有限公司 用于估计有效害虫严重程度指数的系统和方法
CN107292467A (zh) * 2016-03-31 2017-10-24 中国石油化工股份有限公司 一种钻井风险预测方法
CN107025505A (zh) * 2017-04-25 2017-08-08 无锡中科智能农业发展有限责任公司 一种基于主成分分析和神经网络的水稻需水量预测方法
CN107704958A (zh) * 2017-09-30 2018-02-16 渤海大学 一种多变量建模的火电厂发电量预测方法
CN110245604A (zh) * 2019-06-12 2019-09-17 西安电子科技大学 基于卷积神经网络的蚊虫识别方法
CN111027852A (zh) * 2019-12-09 2020-04-17 华南理工大学广州学院 基于大数据处理和灰色理论分析风发电效益的方法
CN111027852B (zh) * 2019-12-09 2023-04-18 华南理工大学广州学院 基于大数据处理和灰色理论分析风发电效益的方法
CN112257892A (zh) * 2020-08-27 2021-01-22 中国石油化工股份有限公司 一种复杂气藏排水采气工艺制度优化方法
CN112257892B (zh) * 2020-08-27 2024-04-16 中国石油化工股份有限公司 一种复杂气藏排水采气工艺制度优化方法
CN113486086A (zh) * 2021-07-01 2021-10-08 上海硕恩网络科技股份有限公司 一种基于特征工程的数据挖掘方法及系统
CN118365175A (zh) * 2024-06-17 2024-07-19 深圳点筹农业供应链有限公司 一种基于农产品信息采集校正方法及系统

Similar Documents

Publication Publication Date Title
CN102163301A (zh) 基于bp人工神经网络的农作物害虫发生量的预测方法
Yun et al. PNN based crop disease recognition with leaf image features and meteorological data
CN109299812B (zh) 一种基于深度学习模型和knn实时校正的洪水预测方法
Sabrol et al. Fuzzy and neural network based tomato plant disease classification using natural outdoor images
CN111652039B (zh) 基于残差网络和特征融合模块的高光谱遥感地物分类方法
CN103336956A (zh) 一种基于遥感时序数据的冬小麦面积估算方法
CN109711401A (zh) 一种基于Faster Rcnn的自然场景图像中的文本检测方法
CN113470076B (zh) 一种平养鸡舍黄羽鸡多目标跟踪方法
Baser et al. Tomconv: An improved cnn model for diagnosis of diseases in tomato plant leaves
Sharma et al. A New Dawn for Tomato-spotted wilt virus Detection and Intensity Classification: A CNN and LSTM Ensemble Model
CN114677606A (zh) 基于注意力机制和双分支网络的柑橘细粒度病害识别方法
TAO et al. Fusing multi-source data to map spatio-temporal dynamics of winter rape on the Jianghan Plain and Dongting Lake Plain, China
Puneeth et al. A literature review of the detection and categorization of various arecanut diseases using image processing and machine learning approaches
Zhou et al. Analyzing nitrogen effects on rice panicle development by panicle detection and time-series tracking
Wang et al. Research on identification of corn disease occurrence degree based on improved resnext network
CN111508528B (zh) 基于自然音频统计特性的无参考音频质量评价方法和装置
Zhang et al. Collaborative Forecasting and Analysis of Fish Catch in Hokkaido From Multiple Scales by Using Neural Network and ARIMA Model
CN110705698B (zh) 尺度自适应感知的目标计数深度网络设计方法
CN105139373A (zh) 基于独立子空间分析的无参考图像质量客观评价方法
CN112528726A (zh) 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统
Zhen et al. Attention-concatenation dense convolutional neural network for silkworm disease recognition
Das et al. Leaf disease detection, quantification and classification using digital image processing
Júnior et al. Machine learning and regression models to predict multiple tree stem volumes for teak
Wang et al. Extracting the height of lettuce by using neural networks of image recognition in deep learning
Indukuri et al. Paddy Disease Classifier using Deep learning Techniques

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20110824

WD01 Invention patent application deemed withdrawn after publication