CN103646299A - 基于神经元网络的农作物预测方法与装置 - Google Patents

Abstract

本公开涉及一种基于神经元网络的农作物预测方法与装置。该方法包括建立神经元网络模型；设置样本函数学习参数；初始化连接权值、与隐层中各节点的激励阈值；根据样本函数和神经元网络模型计算神经元网络的输出误差；根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束；如果未结束，则修正连接权值与隐层中各节点的激励阈值，并继续计算神经元网络的输出误差，直至满足根据样本函数学习参数所设置的结束条件；如果结束，则输出对样本函数的学习结果，并根据学习结果对农作物的产量进行预测。本公开可以使预测的结果更能够反映农作物产量的真实情况。

Description

基于神经元网络的农作物预测方法与装置

技术领域

本公开涉及人工智能领域，特别地，涉及一种基于神经元网络的农作物预测方法与装置。

背景技术

随着世界人口的不断增加，农业问题越来越受到人们的关注，农业产量的精确预测对于制定国民经济发展计划、进行生产调度与规划具有重要意义。目前，国内关于农业产量预测问题的研究大多采用指数平滑模型、季节模型、线性随机模型、线性回归模型等几类方法。

但是，上述方法各有其优缺点：指数平滑模型计算简单，可用到所有历史数据且对数据数量要求不高，但结果精度低，且一次指数平滑只能预测一期数据，适用于短期预测；季节模型适用于既有季节变动又有线性增长趋势、且季节波动幅度随趋势增加而加大的时间序列的短期预测；线性随机模型需要大量的历史数据、计算复杂、计算量大、但精度相对较高，适用于短期预测；线性回归模型适合进行长期预测，但运算量大、再学习性差。而且，上述方法所能考虑的因素也比较单一、未能考虑这些因素在农作物生长期间对农作物的累积效果。

发明内容

本公开鉴于以上问题中的至少一个提出了新的技术方案。

本公开在其一个方面提供了一种基于神经元网络的农作物预测方法，其可以使预测的结果更能够反映农作物产量的真实情况。

本公开在其另一方面提供了一种基于神经元网络的农作物预测装置，其可以使预测的结果更能够反映农作物产量的真实情况。

根据本公开，提供一种基于神经元网络的农作物预测方法，包括：

根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型；

设置样本函数学习参数；

初始化神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值；

根据样本函数和所建立的神经元网络模型计算神经元网络的输出误差；

根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束；

如果未结束，则修正神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值，并继续计算神经元网络的输出误差，直至满足根据样本函数学习参数所设置的结束条件；

如果结束，则输出对样本函数的学习结果，并根据学习结果对农作物的产量进行预测。

在本公开的一些实施例中，影响农作物产量的生长因素包括农作物生长期间的平均温度、最高温度、最低温度、相对湿度、降雨量、总日照量、二氧化碳浓度、土壤条件和施肥量。

在本公开的一些实施例中，根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型的步骤包括：

根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层中各节点的激励阈值、过程神经元激励函数以及神经元网络的输入计算神经元网络的隐层输出；

根据神经元网络的隐层输出、神经元网络隐层到神经元网络输出层的连接权值、输出神经元的激励阈值以及输出神经元激励函数计算神经元网络的输出。

在本公开的一些实施例中，所设置的样本函数学习参数包括误差精度和最大学习迭代次数。

在本公开的一些实施例中，根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束的步骤包括：

将计算出的输出误差与误差精度进行比较；

将当前学习迭代次数与最大学习迭代次数进行比较；

如果计算出的输出误差小于误差精度或当前学习迭代次数大于最大学习迭代次数，则学习过程结束，否则，继续学习并更新当前学习迭代次数。

根据本公开，还提供了一种基于神经元网络的农作物预测装置，包括：

模型建立单元，用于根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型；

参数设置单元，用于设置样本函数学习参数；

参数初始化单元，用于初始化神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值；

误差计算单元，用于根据样本函数和所建立的神经元网络模型计算神经元网络的输出误差；

判断单元，用于根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束；

迭代处理单元，用于如果未结束，则修正神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值，并继续计算神经元网络的输出误差，直至满足根据样本函数学习参数所设置的结束条件；

预测单元，用于如果结束，则输出对样本函数的学习结果，并根据学习结果对农作物的产量进行预测。

在本公开的一些实施例中，影响农作物产量的生长因素包括农作物生长期间的平均温度、最高温度、最低温度、相对湿度、降雨量、总日照量、二氧化碳浓度、土壤条件和施肥量。

在本公开的一些实施例中，模型建立单元包括：

隐层输出计算子单元，用于根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层中各节点的激励阈值、过程神经元激励函数以及神经元网络的输入计算神经元网络的隐层输出；

网络输出计算子单元，用于根据神经元网络的隐层输出、神经元网络隐层到神经元网络输出层的连接权值、输出神经元的激励阈值以及输出神经元激励函数计算神经元网络的输出。

在本公开的一些实施例中，所设置的样本函数学习参数包括误差精度和最大学习迭代次数。

在本公开的一些实施例中，判断单元包括：

误差比较子单元，用于将计算出的输出误差与误差精度进行比较；

迭代次数比较子单元，用于将当前学习迭代次数与最大学习迭代次数进行比较；

学习结束判断子单元，用于如果计算出的输出误差小于误差精度或当前学习迭代次数大于最大学习迭代次数，则学习过程结束，否则，继续学习并更新当前学习迭代次数。

在本公开的技术方案中，由于考虑多种影响农作物产量的生长因素、而且在构建神经元网络模型时所使用的神经元网络输入层到神经元网络隐层的连接权值与神经元网络隐层到神经元网络输出层的连接权值均是时变的，反映了输出对输入在时间上的累积效果，并且将多种生长因素与时变的连接权值相结合综合考虑了这些生长因素对农作物产量的累积效果，使得基于该神经元网络模型所预测出的结果更加准确。

附图说明

此处所说明的附图用来提供对本公开的进一步理解，构成本申请的一部分。在附图中：

图1是本公开一个实施例的基于神经元网络的农作物预测方法的流程示意图。

图2是本公开三层结构的过程神经元网络模型示意图。

图3是本公开一个实施例的基于神经元网络的农作物预测装置的结构示意图。

具体实施方式

下面将参照附图描述本公开。要注意的是，以下的描述在本质上仅是解释性和示例性的，决不作为对本公开及其应用或使用的任何限制。除非另外特别说明，否则，在实施例中阐述的部件和步骤的相对布置以及数字表达式和数值并不限制本公开的范围。另外，本领域技术人员已知的技术、方法和装置可能不被详细讨论，但在适当的情况下意在成为说明书的一部分。

人工神经元网络是信息科学与技术研究领域的新兴学科，是近年来迅速发展起来的一门集神经科学、计算机科学、信息科学与工程科学为一体的边缘交叉学科。近年来，其理论得到了迅速发展，成为国际前沿研究领域之一。人工神经元网络是一种大规模并行的复杂的非线性动力系统，可表示极其复杂的非线性模型系统，具有高度并行的处理机制、高度灵活可变的拓扑结构以及强大的自组织、自学习、自适应能力和处理非线性问题的能力。

图1是本公开一个实施例的基于神经元网络的农作物预测方法的流程示意图。

如图1所示，该实施例可以包括以下步骤：

S102，根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型；

其中，影响农作物产量的生长因素可以包括但不限于农作物生长期间的平均温度、最高温度、最低温度、相对湿度、降雨量、总日照量、二氧化碳浓度、土壤条件和施肥量。根据影响农作物产量的生长因素的个数确定神经元网络的输入的维数。

S104，设置样本函数学习参数；

其中，所设置的样本函数学习参数可以包括误差精度和最大学习迭代次数。根据这些样本函数学习参数确定对样本函数的学习迭代次数。

S106，初始化神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值。

S108，根据样本函数和所建立的神经元网络模型计算神经元网络的输出误差；

由于样本函数中包含输入到神经元网络的输入数据以及期望输出数据，这样输入数据在经过神经元网络后可以与期望的输出数据进行比较，即可得出输出误差，利用该输出误差训练神经元网络内的各个参数。

S110，根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束；

即，如果迭代的次数达到设定的最大学习迭代次数或者输出误差小于误差精度，则可以结束整个迭代过程，也即对神经元网络的学习结束。

S112，如果未结束，则修正神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值，并继续计算神经元网络的输出误差，直至满足根据样本函数学习参数所设置的结束条件。

S114，如果结束，则输出对样本函数的学习结果，并根据学习结果对农作物的产量进行预测。

在该实施例中，由于考虑多种影响农作物产量的生长因素、而且在构建神经元网络模型时所使用的神经元网络输入层到神经元网络隐层的连接权值与神经元网络隐层到神经元网络输出层的连接权值均是时变的，反映了输出对输入在时间上的累积效果，并且将多种生长因素与时变的连接权值相结合综合考虑了这些生长因素对农作物产量的累积效果，使得基于该神经元网络模型所预测出的结果更加准确。

进一步地，在步骤S102中，根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型的步骤可以包括：

根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层中各节点的激励阈值、过程神经元激励函数以及神经元网络的输入计算神经元网络的隐层输出；

根据神经元网络的隐层输出、神经元网络隐层到神经元网络输出层的连接权值、输出神经元的激励阈值以及输出神经元激励函数计算神经元网络的输出。

进一步地，在步骤S110中，根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束的步骤可以包括：

将计算出的输出误差与误差精度进行比较；

将当前学习迭代次数与最大学习迭代次数进行比较；

如果计算出的输出误差小于误差精度或当前学习迭代次数大于最大学习迭代次数，则学习过程结束，否则，继续学习并更新当前学习迭代次数。

在本公开另一实施例中，基于神经元网络的农作物预测方法可以包括以下步骤：

（一）建立神经元网络模型，如图2所示，其中，假设该模型为单个隐层的前馈过程神经元网络模型，该模型是由若干过程神经元，包括作为其特例的传统非时变神经元，按照一定拓扑结构组成的一种信息前向传输的网络模型，PN表示隐层节点。

假设系统输入为X(t)=(x₁(t),x₂(t),...,x_n(t))，其中，X(t)表示农作物产量的n个生长因素；

从神经元网络输入层到神经元网络隐层的输入输出关系可以表示为：

$o_j=f({\∫}_0^T\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\left(t\right)x_i\left(t\right)\right)\mathrm{dt}-{\mathrm{\θ}}_j^{\left(1\right)}),j=\mathrm{1,2},...,m---\left(1\right)$

从神经元网络隐层到神经元网络输出层的输入输出关系可以表示为：

$y=g(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_j{o}_j-\mathrm{\θ})---\left(2\right)$

根据式（1）和（2）可知，前馈神经元网络输入与输出之间的映射关系可以表示为：

$y=g(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_{j}f({\∫}_0^T\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}\left(t\right)x_i\left(t\right)\right)\mathrm{dt}-{\mathrm{\θ}}_j^{\left(1\right)})-\mathrm{\θ})---\left(3\right)$

上述公式（1）-（3）中，x_i(t)为系统的第i个输入，i=1,2,...n，w_ij(t)为神经元网络输入层到神经元网络隐层的连接权值，v_j为神经元网络隐层到神经元网络输出层的连接权值，m为隐层节点个数，[0,T]为输入过程区间，

为神经元网络隐层的第j个节点的激励阈值，f为过程神经元激励函数，可以取Sigmoid函数，g为输出神经元激励函数，也可以取Sigmoid函数，θ为输出神经元的激励阈值，o_j代表神经元网络隐层的第j个节点。

（二）样本函数的学习：

（1）给定K个学习样本函数，如下所示：

(x₁₁(t),x₁₂(t),…,x_1n(t),d₁)

(x₂₁(t),x₂₂(t),…,x_2n(t),d₂)

………

(x_K1(t),x_K2(t),…,x_Kn(t),d_K)

其中，d_k为第k个样本函数的期望输出，x_uz(t)为第u个学习样本的第z个输入，其中，u=1,2,...K；z=1,2,...n；

（2）设置参数：

设置误差精度ε、累计学习迭代次数为s以及最大学习迭代次数为M，其中M可以根据经验来设定，初始s=0；

（3）选取L个基函数b₁(t),b₂(t),…,b_L(t)；

（4）初始化连接权值v_j、

和激励阈值θ_j，其中，i=1,2,…,n;j=1,2,…,m;l=1,2,…,L；

对于权值和阈值的初始化按照过程神经元网络模型图的网络结构进行。由于隐层到输出层采用非时变的神经元结构，所以权值v_j的初始化取[0,1]之间很小的随机数，也可以初始化为0均值，方差为1的符合正态分布的随机数。

和θ_j的初始化方法类似于v_j的初始化。w_ij(t)由于是时间的函数，为了便于计算，将权函数表示为同组基函数的展开形式：

表示相对于b_l(t)的输入节点i到隐层节点j的连接权值。

（5）计算误差函数E：

$\begin{array}{c}E=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(y_k-d_k)}^2=\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(g(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_{j}f({\∫}_0^T\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left(\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}^{\left(l\right)}{b}_l\left(t\right)\right)x_{\mathrm{ki}}\left(t\right)\right)\mathrm{dt}-{\mathrm{\θ}}_j^{\left(1\right)})-\mathrm{\θ})-d_k)}^2\\ =\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(g(\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{v}_{j}f(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{l=1}{\overset{L}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}^{\left(l\right)}{\∫}_0^T{b}_l\left(t\right)x_{\mathrm{ki}}\left(t\right)\mathrm{dt}-{\mathrm{\θ}}_j^{\left(1\right)})-\mathrm{\θ})-d_k)}^2\end{array}---\left(4\right)$

（6）判断E<ε或s>M是否成立，若是，则转入步骤（8），否则转入步骤（7）；

（7）修正连接权值和激励阈值：

v_j=v_j+αΔv_j，j=1,2,…,m；

$w_{\mathrm{ij}}^{\left(l\right)}=w_{\mathrm{ij}}^{\left(l\right)}+\mathrm{\&beta;\&Delta;}{w}_{\mathrm{ij}}^{\left(l\right)},i=\mathrm{1,2},...,n;j=\mathrm{1,2},...,m;l=\mathrm{1,2},...,L;$

θ_j=θ_j+γΔθ_j，j=1,2,…,m

且设置s=s+1，并转入步骤（5）；

其中，α,β,γ为学习效率常数，一般要求α,β,γ不超过2/λ_max，λ_max为输入向量X(t)的自相关矩阵的最大特征值。

$\mathrm{\&Delta;}{v}_j=-2\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\left[(g\left(z_k\right)-d_k)g^{\&prime;}\left(z_k\right)f\left(u_{\mathrm{kj}}\right)\right],j=\mathrm{1,2},...,m$

$\mathrm{\&Delta;}{w}_{\mathrm{ij}}^{\left(l\right)}=-2\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\left[(g\left(z_k\right)-d_k)g^{\&prime;}\left(z_k\right)f^{\&prime;}\left(u_{\mathrm{kj}}\right)x_{\mathrm{ki}}\left(t\right)\right]$

$\mathrm{\&Delta;}{\mathrm{\&theta;}}_j^l=-2\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\left[(g\left(z_k\right)-d_k)g^{\&prime;}\left(z_k\right)f\left(u_{\mathrm{kj}}\right)(-1)\right]$

其中，

$z_k=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{v}_{j}f(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}^{\left(l\right)}{\&Integral;}_0^T{b}_l\left(t\right)x_{\mathrm{ki}}\left(t\right)\mathrm{dt}-{\mathrm{\&theta;}}_j^{\left(1\right)})-\mathrm{\&theta;}$

$u_{\mathrm{kj}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{l=1}{\overset{L}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}^T{\&Integral;}_0^T{b}_l\left(t\right)x_{\mathrm{ki}}\left(t\right)\mathrm{dt}-{\mathrm{\&theta;}}_j;$

i=1,2,...n;l=1,2,...L;j=1,2,...m

（8）输出学习结果，即输出神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值以及每次调整的误差输出。

本公开实施例与现有技术相比，不仅能反映输出对n个输入综合的依赖关系（也称为对输入的“空间聚合”），而且还能反映输出对输入在时间上的累积效果（也称为对输入的“时间累计”），例如，对于农作物的产量，本公开的技术方案能综合考虑其生长期间对平均温度、最高温度、最低温度、相对湿度、降雨量、总日照量、CO2浓度、土壤条件与施肥量等因素的依赖关系，而且这种依赖关系并不是简单地在一个瞬时点到点的一种映射关系，而是综合地依赖于各个生长因素以及这些因素在其生长期间对农作物的累积效果。此外，本公开还能对预测使用的多个参数，例如，连接权值和激励阈值进行修正，由此可以使得预测的结果更能反映真实的情况。

本领域普通技术人员可以理解，实现上述方法实施例的全部和部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算设备可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤，而前述的存储介质可以包括ROM、RAM、磁碟和光盘等各种可以存储程序代码的介质。

图3是本公开一个实施例的基于神经元网络的农作物预测装置的结构示意图。

如图3所示，该实施例中的装置30可以包括模型建立单元302、参数设置单元304、参数初始化单元306、误差计算单元308、判断单元310、迭代处理单元312和预测单元314。其中，

模型建立单元302，用于根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型；

参数设置单元304，用于设置样本函数学习参数；

参数初始化单元306，用于初始化神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值；

误差计算单元308，用于根据样本函数和所建立的神经元网络模型计算神经元网络的输出误差；

判断单元310，用于根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束；

迭代处理单元312，用于如果未结束，则修正神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值，并继续计算神经元网络的输出误差，直至满足根据样本函数学习参数所设置的结束条件；

预测单元314，用于如果结束，则输出对样本函数的学习结果，并根据学习结果对农作物的产量进行预测。

在该实施例中，由于考虑多种影响农作物产量的生长因素、而且在构建神经元网络模型时所使用的神经元网络输入层到神经元网络隐层的连接权值与神经元网络隐层到神经元网络输出层的连接权值均是时变的，反映了输出对输入在时间上的累积效果，并且将多种生长因素与时变的连接权值相结合综合考虑了这些生长因素对农作物产量的累积效果，使得基于该神经元网络模型所预测出的结果更加准确。

进一步地，影响农作物产量的生长因素可以包括但不限于农作物生长期间的平均温度、最高温度、最低温度、相对湿度、降雨量、总日照量、二氧化碳浓度、土壤条件和施肥量。

进一步地，模型建立单元可以包括隐层输出计算子单元和网络输出计算子单元，其中，

隐层输出计算子单元，用于根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层中各节点的激励阈值、过程神经元激励函数以及神经元网络的输入计算神经元网络的隐层输出；

网络输出计算子单元，用于根据神经元网络的隐层输出、神经元网络隐层到神经元网络输出层的连接权值、输出神经元的激励阈值以及输出神经元激励函数计算神经元网络的输出。

进一步地，所设置的样本函数学习参数包括误差精度和最大学习迭代次数。

进一步地，判断单元可以包括误差比较子单元、迭代次数比较子单元和学习结束判断子单元，其中，

误差比较子单元，用于将计算出的输出误差与误差精度进行比较；

迭代次数比较子单元，用于将当前学习迭代次数与最大学习迭代次数进行比较；

学习结束判断子单元，用于如果计算出的输出误差小于误差精度或当前学习迭代次数大于最大学习迭代次数，则学习过程结束，否则，继续学习并更新当前学习迭代次数。

本说明书中各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同和相似的部分可以相互参见。对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处可以参见方法实施例部分的说明。

虽然已参照示例性实施例描述了本公开，但应理解，本公开不限于上述的示例性实施例。对于本领域技术人员显然的是，可以在不背离本公开的范围和精神的条件下修改上述的示例性实施例。所附的权利要求的范围应被赋予最宽的解释，以包含所有这样的修改以及等同的结构和功能。

Claims (10)

1.一种基于神经元网络的农作物预测方法，其特征在于，包括：

根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型；

设置样本函数学习参数；

初始化神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值；

根据样本函数和所建立的神经元网络模型计算神经元网络的输出误差；

根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束；

如果未结束，则修正神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值，并继续计算神经元网络的输出误差，直至满足根据样本函数学习参数所设置的结束条件；

如果结束，则输出对样本函数的学习结果，并根据学习结果对农作物的产量进行预测。

2.根据权利要求1所述的基于神经元网络的农作物预测方法，其特征在于，所述影响农作物产量的生长因素包括农作物生长期间的平均温度、最高温度、最低温度、相对湿度、降雨量、总日照量、二氧化碳浓度、土壤条件和施肥量。

3.根据权利要求1所述的基于神经元网络的农作物预测方法，其特征在于，所述根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型的步骤包括：

根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层中各节点的激励阈值、过程神经元激励函数以及神经元网络的输入计算神经元网络的隐层输出；

根据神经元网络的隐层输出、神经元网络隐层到神经元网络输出层的连接权值、输出神经元的激励阈值以及输出神经元激励函数计算神经元网络的输出。

4.根据权利要求1所述的基于神经元网络的农作物预测方法，其特征在于，所设置的样本函数学习参数包括误差精度和最大学习迭代次数。

5.根据权利要求4所述的基于神经元网络的农作物预测方法，其特征在于，所述根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束的步骤包括：

将计算出的输出误差与误差精度进行比较；

将当前学习迭代次数与最大学习迭代次数进行比较；

如果计算出的输出误差小于误差精度或当前学习迭代次数大于最大学习迭代次数，则学习过程结束，否则，继续学习并更新当前学习迭代次数。

6.一种基于神经元网络的农作物预测装置，其特征在于，包括：

模型建立单元，用于根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型；

参数设置单元，用于设置样本函数学习参数；

参数初始化单元，用于初始化神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值；

误差计算单元，用于根据样本函数和所建立的神经元网络模型计算神经元网络的输出误差；

判断单元，用于根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束；

迭代处理单元，用于如果未结束，则修正神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值，并继续计算神经元网络的输出误差，直至满足根据样本函数学习参数所设置的结束条件；

预测单元，用于如果结束，则输出对样本函数的学习结果，并根据学习结果对农作物的产量进行预测。

7.根据权利要求6所述的基于神经元网络的农作物预测装置，其特征在于，所述影响农作物产量的生长因素包括农作物生长期间的平均温度、最高温度、最低温度、相对湿度、降雨量、总日照量、二氧化碳浓度、土壤条件和施肥量。

8.根据权利要求6所述的基于神经元网络的农作物预测装置，其特征在于，所述模型建立单元包括：

隐层输出计算子单元，用于根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层中各节点的激励阈值、过程神经元激励函数以及神经元网络的输入计算神经元网络的隐层输出；

网络输出计算子单元，用于根据神经元网络的隐层输出、神经元网络隐层到神经元网络输出层的连接权值、输出神经元的激励阈值以及输出神经元激励函数计算神经元网络的输出。

9.根据权利要求6所述的基于神经元网络的农作物预测装置，其特征在于，所设置的样本函数学习参数包括误差精度和最大学习迭代次数。

10.根据权利要求9所述的基于神经元网络的农作物预测装置，其特征在于，所述判断单元包括：

误差比较子单元，用于将计算出的输出误差与误差精度进行比较；

迭代次数比较子单元，用于将当前学习迭代次数与最大学习迭代次数进行比较；

学习结束判断子单元，用于如果计算出的输出误差小于误差精度或当前学习迭代次数大于最大学习迭代次数，则学习过程结束，否则，继续学习并更新当前学习迭代次数。

Images