CN105930921A - 一种棉叶螨的预测方法 - Google Patents
一种棉叶螨的预测方法 Download PDFInfo
- Publication number
- CN105930921A CN105930921A CN201610227145.4A CN201610227145A CN105930921A CN 105930921 A CN105930921 A CN 105930921A CN 201610227145 A CN201610227145 A CN 201610227145A CN 105930921 A CN105930921 A CN 105930921A
- Authority
- CN
- China
- Prior art keywords
- spider mites
- hmm
- cotton
- cotton spider
- sequence
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 241001454293 Tetranychus urticae Species 0.000 title abstract 6
- 229920000742 Cotton Polymers 0.000 claims description 134
- 241001454295 Tetranychidae Species 0.000 claims description 105
- 241000607479 Yersinia pestis Species 0.000 claims description 49
- 206010035148 Plague Diseases 0.000 claims description 40
- 230000003203 everyday effect Effects 0.000 claims description 11
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 241000219146 Gossypium Species 0.000 description 112
- 230000018109 developmental process Effects 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 18
- 241000238631 Hexapoda Species 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 3
- 240000000047 Gossypium barbadense Species 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 210000002189 macula lutea Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001256 tonic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种棉叶螨的预测方法,属于农业技术领域;该预测方法包括以下步骤:确定隐马尔科夫模型的隐含状态集合及观测值序列;对隐马尔科夫模型进行训练,得到适合预测棉叶螨发生和发展的隐马尔科夫模型;利用训练好的隐马尔科夫模型实现对棉叶螨发生和发展的预测。该方法解决了现有技术中对棉叶螨的预测准确度低的问题,实现了棉叶螨快速且准确地预测。
Description
技术领域
本发明涉及农业技术领域,具体涉及一种棉叶螨的预测方法。
背景技术
棉花是重要的经济作物,而棉叶螨俗是棉花的三大虫害之一,主要在棉花叶面背部刺吸汁液,使叶面出现黄斑、红叶和落叶等危害症状,造成大面积减产甚至绝收,平均每年使棉花减产可达10%~68%,给棉农造成重大的经济损失。及时、准确地掌握病虫害的发生发展情况并采取科学的防治措施非常必要。
目前已有很多学者对棉叶螨的发生发展规律进行了研究,如3月上旬7~8℃开始产卵,3月底10℃开始孵化并取食各种杂草,5初月至6月旬迁入棉田开始形成危害,并且分别大概在7月初、8月初、8月下旬形成三个危害的高峰期。但这些对棉叶螨的预测大多停留在基于历史经验的定性分析上,缺少量化的防治预测方法,且具体到生产实践中,棉叶螨具有爆发时间快的特征,往往需要更为精细的准确预测,错过了最佳防治时机,后续的防治措施则会事倍功半。
发明内容
本发明的目的在于通过提供一种棉叶螨的预测方法,解决了现有技术中对棉叶螨的预测准确度低的问题,实现了棉叶螨快速且准确地预测。
为达到上述目的,本发明主要提供如下技术方案:
本发明实施例提供了一种棉叶螨的预测方法,包括以下步骤:
确定隐马尔科夫模型的隐含状态集合及观测值序列;
对隐马尔科夫模型进行训练,得到适合预测棉叶螨发生和发展的隐马尔科夫模型;
利用训练好的隐马尔科夫模型实现对棉叶螨发生和发展的预测。
作为优选,所述隐含状态集合为S={S1,S2,…,SN},隐含状态Si表示不同的棉叶螨发生等级,1<i<N,其中N为棉叶螨发生等级的个数,所述棉叶螨发生等级根据历史棉叶螨发生时的红叶株率进行划分。
作为优选,基于预测棉田所在地区的气象数据确定所述观测值序列。
作为优选,将气象数据中的平均气温所在的范围划分成若干个区间段,将每个区间段作为一个平均气温等级,得到平均气温等级集合{Ok},其中1≤k≤M,M为平均气温等级的个数;将预测棉田所在地区在未来一段时间内每天的平均气温等级作为所述观测值序列中的观测值Ot,其中1≤t≤T,T为观测值的个数,即得到随时间推移的观测值序列O={O1,O2,…,OT}。
作为优选,采用Baum-Welch算法对隐马尔科夫模型进行训练,包括以下步骤:
a.根据预测棉田的历史棉叶螨发生的统计数据对隐马尔科夫模型中的模型参数赋初值,根据预测棉田的历史棉叶螨发生时的气象数据建立用于训练HMM模型的观测值训练序列O′={O′1,O′2,…,O′T},由此建立隐马尔科夫初始模型λ0;
b.根据隐马尔科夫初始模型λ0中的模型参数,分别计算观测值训练序列O′中观测值O′t(1≤t≤T)对应的隐马尔科夫前变量αt(Si)和后向变量βt(Si),并由αt(Si)和βt(Si)计算中间变量γt(Si)和ξt(Si,Sj)以及前向概率P(O′|λ0),由γt(Si)和ξt(Si,Sj)重新计算模型参数,得到新隐马尔科夫模型λ1;
c.根据新隐马尔科夫模型的模型参数按照步骤b进行重复迭代计算,直至得到的新隐马尔科夫模型收敛,收敛的新隐马尔科夫模型即为最佳的隐马尔科夫模型,即适合预测棉叶螨发生和发展的隐马尔科夫模型。
作为优选,所述收敛的评判标准是比较前后两次迭代计算得到的前向概率P(O′|λe-1和P(O′|λe),其中e为大于或等于1的整数,表示采用Baum-Welch算法的迭代次数,当|P(O′|λe)-P(O′|λe-1)|<ε时,则隐马尔科夫模型λe收敛,ε为自定义阈值,取ε为10-3,收敛的隐马尔科夫模型λe即为最佳的隐马尔科夫模型。
作为优选,利用训练好的隐马尔科夫模型对棉叶螨的发生和发展进行预测为:通过Viterbi算法计算观测值序列O={O1,O2,…,OT}对应的最优隐含状态序列,包括以下步骤:
a.对下列变量赋初值:
令δ1(Si)=P(q1=Si,O1|λe)=πibi(O1),ψ1(Si)=0,1≤i≤N
其中
观测值序列O={O1,O2,…,OT}
b.对变量δt(Sj)进行递归:
δt(Sj)=max1≤i≤N[δt-1(Si)aij]bjk
ψt(Sj)=arg max1≤i≤N[δt-1(Si)aij]
其中ψt(Sj)表示使δt-1(Si)aij取最大值的隐含状态Si
c.迭代过程:
令t=t+1,若t<T,重复步骤b的递归过程,否则迭代终止,得到:
P(q,O∣λe)=max1≤i≤N[δT(Si)]
d.最优隐含状态序列的获取:
令t=T-1,T-2,…,1,由可得到最大概率的隐含状态序列,即最优隐含状态序列,由所述最优隐含状态序列即可预测棉叶螨的发生和发展。
与现有技术相比,本发明的有益效果在于:
本发明实施例通过对棉叶螨发生数据与气象数据构建隐马尔科夫模型,将容易观测的气温因素与棉叶螨发生等级建立联系,实现了棉叶螨快速且准确的预测。本发明实施例建立的预测模型不仅参考历史棉叶螨虫害发生数据及气象数据,而且在预测时结合实时的气象数据,使得对棉叶螨虫害发生和发展的预测准确度高,而且随着时间的推移预测准确度不会下降,同时预测时间上尺度很小,有助于实际植保工作的开展。
具体实施方式
下面结合具体实施例对本发明作进一步详细描述,但不作为对本发明的限定。
隐马尔科夫模型(HMM模型)是一种基于参数表示的描述随机过程统计特性的概率模型,可定义为一个五元组λ=(S,O,π,A,B),简记为λ=(π,A,B),其中五个参数的含义如下:
(1)S={S1,S2,…,SN}代表一组马尔科夫模型中隐含状态集合,其中N为隐含状态个数,这些状态之间满足马尔科夫性质,是HMM模型中实际所隐含的状态,这些状态无法通过观测得到,状态之间可以相互转换,可把t时刻马尔科夫链处于隐含状态Si表示成qt=Si(1≤i≤N);
(2)O={O1,O2,…,OT}为T个相互独立的观测值组成的观测值序列,Ot为t时刻的观测值,{O1,O2,…,OM}为观测值集合,其中M为隐马尔科夫模型在任意时刻所处状态产生的观测值数目,Ot∈{O1,O2,…,OM};
(3)π={πi}为初始状态概率矩阵,其中πi=P(q1=Si)(1≤i≤N)表示在初始时刻马尔科夫链处于隐含状态Si的概率,满足:πi≥0;
(4)A={aij}N×N,其中1≤i≤N,1≤j≤N,表示从t时刻的隐含状态Si转向t+1时刻的隐含状态Sj的状态转移概率矩阵,即aij=P(qt+1=Sj|qt=Si),且满足aij≥0;
(5)B={bjk}N×M,其中1≤j≤N,1≤k≤M,表示t时刻在隐含状态Sj下取得相应观测值Ok的概率所构成的观测值概率矩阵,即bjk=P(Ot=Ok|qt=Sj),且满足bjk≥0。
本发明实施例针对棉叶螨发生发展的预测,通过建立棉叶螨发生等级的隐马尔科夫模型,将可观测的气温因素与棉叶螨发生等级建立联系,可实现棉叶螨发生发展的快速准确预测。具体包括以下步骤:
(1)收集预测棉田区的历史棉叶螨发生数据及对应的气象数据,并创建数据库;其中历史棉叶螨发生数据信息包括:发生时间、发生条田编号、发生虫害名称、有螨株率(红叶株率);气象数据信息包括:时间、地点、日平均气温;
(2)构建HMM模型
a.确定隐马尔科夫模型的隐含状态集合S={S1,S2,…SN},其中隐含状态Si(1<i<N)为棉叶螨发生等级,其中N为棉叶螨发生等级的个数,该棉叶螨发生等级根据棉叶螨分级规则对历史棉叶螨发生数据进行等级划分得到,具体是对棉叶螨发生时的红叶株率进行划分得到不同的棉叶螨发生等级,再将确定的棉叶螨发生等级添加到数据库中,完善历史棉叶螨发生数据;
b.确定隐马尔科夫模型的观测值集合{O1,O2,…,OM},Ok(1≤k≤M)为平均气温等级,M为平均气温等级的个数;结合历史棉叶螨发生发展与气温的关系,根据气温划分规则,对棉叶螨发生时的平均气温进行等级划分,即将平均气温所在的范围划分成若干个区间段,将每个区间段作为一个平均气温等级,即得到平均气温等级集合{Ok},再将确定的平均气温等级添加到数据库中,完善棉叶螨发生时的气象数据。
c.确定基于隐马尔科夫模型数学定义的观测值序列O={O1,O2,…,OT},该观测值序列基于预测棉田所在地区的气象数据确定,即将预测棉田所在地区在未来一段时间内每天的平均气温等级作为观测值序列中的观测值Ot,其中1≤t≤T,T为观测值的个数,即得到随时间推移的观测值序列O={O1,O2,…,OT},其中t时刻的观测值Ot∈{O1,O2,…,OM};
d.建立棉叶螨发生等级初始概率矩阵π={π1,π2,…πN},其中πi=P(q1=Si)(1≤i≤N)表示在初始时刻棉叶螨发生等级为Si的概率,πi为统计中Si等级发生的次数与全部统计次数的比例,即为其中ni为棉叶螨发生等级为Si时的统计次数;
e.建立棉叶螨发生等级的概率转移矩阵A={aij}N×N,其中1≤i≤N,1≤j≤N,aij表示棉叶螨发生等级从t时刻的状态Si到t+1时刻的状态Sj的转移概率,即为棉叶螨发生等级由状态Si转移到状态Sj占所有从状态Si转移到别的状态的比例,即:(1≤i≤N,1≤j≤N),其中mij为棉叶螨发生等级由状态Si转移到状态Sj的次数;
f.建立棉叶螨发生等级与平均气温等级的观测值概率矩阵B={bjk}N×M,其中1≤j≤N,1≤k≤M,bjk表示t时刻棉叶螨发生等级为Sj时平均气温等级为Ok的概率,即棉叶螨发生等级为Sj时平均气温等级为Ok的次数占棉叶螨发生等级为Sj时的总统计次数的比例,即:(1≤j≤N,1≤k≤M),其中qjk为棉叶螨发生等级为Sj且平均气温等级为Ok时的统计次数;
由上述步骤,构建HMM模型:λ=(S,O,π,A,B);
(3)采用Baum-Welch算法对上述HMM模型进行训练,以得到适合预测棉叶螨发生和发展的隐马尔科夫模型,具体包括以下步骤:
a.根据数据库中预测棉田的历史棉叶螨发生的统计数据分别给上述HMM模型中的模型参数πi、aij和bjk赋初值和且和满足: 和根据数据库中预测棉田历史棉叶螨发生时的气象数据建立用于训练HMM模型的观测值训练序列,即平均气温等级训练序列O′={O′1,O′2,…,O′T},该训练序列中的观测值为历史棉叶螨发生时的一段时间内每天的平均气温等级,由此得到隐马尔科夫初始模型λ0=(S,O′,π0,A0,B0),其中π0,A0,B0分别是由和构成的矩阵;
b.根据给定的平均气温等级训练序列O′及隐马尔科夫初始模型λ0=(S,O′,π0,A0,B0),分别计算平均气温等级训练序列O′中观测值O′t对应的隐马尔科夫前变量αt(Si)和后向变量βt(Si),其中:
αt(Si)=P(O′1O′2……O′t,qt=Si|λ0)
βt(Si)=P(O′t+1O′t+2……O′T|qt=Si,λ0)
由αt(Si)和βt(Si)计算γt(Si)、ξt(Si,Sj)和P(O′|λ0):
由γt(Si)和ξt(Si,Sj)重新计算模型参数和其中:
由和得到新的HMM模型λ1=(S,O′,π1,A1,B1),其中π1,A1,B1分别是由和成的矩阵;
c.根据新的HMM模型的模型参数按照步骤b进行重复迭代计算,直至得到的新隐马尔科夫模型λe收敛,其中e为大于或等于1的整数,表示采用Baum-Welch算法的迭代次数;判断隐马尔科夫模型λe收敛的评判标准是比较前后两次迭代计算得到的前向概率P(O′|λe-1和P(O′|λe),当|P(O′|λe)-P(O′|λe-1)|<ε时,则隐马尔科夫模型λe收敛,其中ε为自定义阈值,取ε为10-3;上述收敛的隐马尔科夫模型λe=(πe,Ae,Be)即为最佳的HMM模型;
(4)根据上述确定的最佳HMM模型λe,对棉叶螨发生和发展进行预测
根据最佳HMM模型λe,使用Viterbi算法,输入任一观测值序列O={O1,O2,…,OT},得出该观测值序列所对应的最优隐含状态序列S′={S′1,S′2,…,S′T},即棉叶螨发生等级序列,从而实现对棉叶螨发生发展的预测;采用上述Viterbi算法确定棉叶螨发生等级序列包括以下步骤:
a.对下列变量赋初值,令δ1(Si)=P(q1=Si,O1|λe)=πibi(O1),ψ1(Si)=0,1≤i≤N
其中
b.对变量δt(Sj)进行递归:
即δt(Sj)=max1≤i≤N[δt-1(Si)aij]bjk
ψt(Sj)=arg max1≤i≤N[δt-1(Si)aij]
上述ψt(Sj)表示使δt-1(Si)aij取最大值的棉叶螨发生等级Si;
令t=t+1,若t<T,重复上述递归过程,否则迭代终止,得到:
P(q,O∣λe)=max1≤i≤N[δT(Si)]
c.最优隐含状态序列获取:
令t=T-1,T-2,…,1,由可得到最大概率的隐含状态序列,即棉叶螨发生等级序列。
本发明实施例选取一块预测棉田区,在建立该预测棉田区的历史棉叶螨发生数据库后,根据该预测棉田区历史棉叶螨的发生情况,将棉叶螨发生时的红叶株率分成3个等级,如表1所示,由此确定隐含状态集合S={1,2,3};分析该预测棉田区历史棉叶螨发生发展与气温的关系,将棉叶螨发生时的日平均气温分成3个等级,如表2所示,由此确定观测值集合为{1,2,3};
统计数据库中预测棉田的历史棉叶螨发生及发展的每天的等级情况和对应的每天的平均气温等级,得到表3所示的棉叶螨发生等级的概率转移矩阵A(3×3)和表4所示的棉叶螨发生等级与平均气温等级的观测值概率矩阵B(3×3);任意选取上述预测棉田区历史棉叶螨发生时的连续189天,根据每天的平均气温确定每天的平均气温等级,将每天的平均气温等级作为平均气温等级训练序列中的观测值,从而得到了随时间推移的平均气温等级训练序列O′={1,1,2,2,2,2,2,3,3,3,2,2,3,3,3,3,3,3,3,3,2,1,1,1,1,2,1,1,1,2,2,3,2,2,3,3,2,2,1,1,1,2,3,3,3,3,3,3,3,2,2,2,2,3,3,2,1,1,1,1,1,3,2,1,1,2,1,1,3,2,1,1,1,1,2,1,2,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,2,3,1,1,1,1,1,1,1,1,2,2,1,1,2,2,2,3,2,3,3,3,3,2,3,3,2,2,2,2,2,1,2,2,3,2,2,2,2,2,2,2,1,1,2,2,3,3,2,2,2,3,3,3,1,1,1,2,2,2,2,2,3,3,2,3,3,2,2,2,2,2,2,2,2,2,2,3,2,2,2,2,2,2,1,1};根据数据库中的棉叶螨发生等级数据,确定上述时间段的初始时刻各棉叶螨发生等级的发生概率,从而得到棉叶螨发生等级初始概率矩阵π={0.6,0.3,0.1},采用该初始概率矩阵以及上述的棉叶螨发生等级的概率转移矩阵A(3×3)和棉叶螨发生等级与平均气温等级的观测值概率矩阵B(3×3)对HMM模型赋初值,对该HMM模型训练后得到最佳的HMM模型λe=(πe,Ae,Be),其中πe={0,0.6,0.4},Ae如表5所示,Be如表6所示。
根据预测棉田区未来40天的气象数据,以当天的平均气温等级为观测值序列的第一个观测值,再依次确定随后每天的平均气温等级,依次作为观测值序列中的观测值,得到随时间推移的观测值序列O={2,2,3,3,3,3,1,2,1,1,2,2,3,3,3,2,3,3,3,2,2,3,3,3,3,3,3,3,3,3,3,2,1,1,1,1,1,2,1,2};根据上述最佳的HMM模型,采用Viterbi算法,得到未来40天的棉叶螨发生等级序列S′={2,1,1,1,1,1,2,2,2,2,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,3,3,3,3,3,3,3,3},即预测未来40天每天的棉叶螨发生等级将按照2,1,1,1,1,1,2,2,2,2,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,3,3,3,3,3,3,3,3的趋势发展。
将上述预测结果与棉叶螨实际发生情况进行比较发现,该预测准确度高。在实际应用中,可根据气象数据的变化,实时对观测值序列中的观测值平均气温等级进行调整,也可根据实际情况对观测值的统计间隔进行调整,从而避免随时间的推移造成预测准确度的下降,确保对棉叶螨虫害的发生和发展进行快速且准确的预测。
本发明实施例在遵循棉叶螨历史发生规律的客观基础上,引入影响棉叶螨发生的实时的气温因素,构建隐马尔科夫链预测模型,将容易观测的气温因素与棉叶螨发生等级建立联系,实现棉叶螨快速且准确的预测。本发明实施例建立的预测模型不仅参考历史棉叶螨虫害发生数据及气象数据,而且在预测时结合实时的气象数据,使得对棉叶螨虫害发生和发展的预测准确度高,而且随着时间的推移预测准确度不会下降,同时预测时间上尺度很小,有助于实际植保工作的开展。
表1.棉叶螨发生等级划分说明
表2.平均气温等级划分说明
表3.棉叶螨发生等级的概率转移矩阵A(3×3)
表4.棉叶螨发生等级与平均气温等级的观测值概率矩阵B(3×3)
表5.最佳概率转移矩阵Ae(3×3)
表6.最佳观测值概率矩阵Be(3×3)
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种棉叶螨的预测方法,其特征在于,包括以下步骤:
确定隐马尔科夫模型的隐含状态集合及观测值序列;
对隐马尔科夫模型进行训练,得到适合预测棉叶螨发生和发展的隐马尔科夫模型;
利用训练好的隐马尔科夫模型实现对棉叶螨发生和发展的预测。
2.根据权利要求1所述的棉叶螨的预测方法,其特征在于,所述隐含状态集合为S={S1,S2,…,SN},隐含状态Si表示不同的棉叶螨发生等级,1<i<N,其中N为棉叶螨发生等级的个数,所述棉叶螨发生等级根据历史棉叶螨发生时的红叶株率进行划分。
3.根据权利要求1所述的棉叶螨的预测方法,其特征在于,基于预测棉田所在地区的气象数据确定所述观测值序列。
4.根据权利要求3所述的棉叶螨的预测方法,其特征在于,将气象数据中的平均气温所在的范围划分成若干个区间段,将每个区间段作为一个平均气温等级,得到平均气温等级集合{Ok},其中1≤k≤M,M为平均气温等级的个数;将预测棉田所在地区在未来一段时间内每天的平均气温等级作为所述观测值序列中的观测值Ot,其中1≤t≤T,T为观测值的个数,即得到随时间推移的观测值序列O={O1,O2,…,OT}。
5.根据权利要求1所述的棉叶螨的预测方法,其特征在于,采用Baum-Welch算法对隐马尔科夫模型进行训练,包括以下步骤:
a.根据预测棉田的历史棉叶螨发生的统计数据对隐马尔科夫模型中的模型参数赋初值,根据预测棉田的历史棉叶螨发生时的气象数据建立用于训练HMM模型的观测值训练序列O′={O′1,O′2,…,O′T},由此建立隐马尔科夫初始模型λ0;
b.根据隐马尔科夫初始模型λ0中的模型参数,分别计算观测值训练序列O′中观测值O′t(1≤t≤T)对应的隐马尔科夫前变量αt(Si)和后向变量βt(Si),并由αt(Si)和βt(Si)计算中间变量γt(Si)和ξt(Si,Sj)以及前向概率P(O′|λ0),由γt(Si)和ξt(Si,Sj)重新计算模型参数,得到新隐马尔科夫模型λ1;
c.根据新隐马尔科夫模型的模型参数按照步骤b进行重复迭代计算,直至得到的新隐马尔科夫模型收敛,收敛的新隐马尔科夫模型即为最佳的隐马尔科夫模型,即适合预测棉叶螨发生和发展的隐马尔科夫模型。
6.根据权利要求5所述的棉叶螨的预测方法,其特征在于,所述收敛的评判标准是比较前后两次迭代计算得到的前向概率P(O′|λe-1和P(O′|λe),其中e为大于或等于1的整数,表示采用Baum-Welch算法的迭代次数,当|P(O′|λe)-P(O′|λe-1)|<ε时,则隐马尔科夫模型λe收敛,ε为自定义阈值,取ε为10-3,收敛的隐马尔科夫模型λe即为最佳的隐马尔科夫模型。
7.根据权利要求1所述的棉叶螨的预测方法,其特征在于,利用训练好的隐马尔科夫模型对棉叶螨的发生和发展进行预测为:通过Viterbi算法计算观测值序列O={O1,O2,…,OT}对应的最优隐含状态序列,包括以下步骤:
a.对下列变量赋初值:
令δ1(Si)=P(q1=Si,O1|λe)=πibi(O1),ψ1(Si)=0,1≤i≤N
其中
b.对变量δt(Sj)进行递归:
δt(Sj)=max1≤i≤N[δt-1(Si)aij]bjk
ψt(Sj)=argmax1≤i≤N[δt-1(Si)aij]
其中ψt(Sj)表示使δt-1(Si)aij取最大值的隐含状态Si
c.迭代过程:
令t=t+1,若t<T,重复步骤b的递归过程,否则迭代终止,得到:
P(q,O|λe)=max1≤i≤N[δT(Si)]
d.最优隐含状态序列的获取:
令t=T-1,T-2,…,1,由可得到最大概率的隐含状态序列,即最优隐含状态序列,由所述最优隐含状态序列即可预测棉叶螨的发生和发展。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610227145.4A CN105930921A (zh) | 2016-04-13 | 2016-04-13 | 一种棉叶螨的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610227145.4A CN105930921A (zh) | 2016-04-13 | 2016-04-13 | 一种棉叶螨的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105930921A true CN105930921A (zh) | 2016-09-07 |
Family
ID=56838843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610227145.4A Pending CN105930921A (zh) | 2016-04-13 | 2016-04-13 | 一种棉叶螨的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930921A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563801A (zh) * | 2017-08-23 | 2018-01-09 | 浙江大学城市学院 | 一种基于隐马尔可夫模型的消费者线下消费行为预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484726A (zh) * | 2014-12-30 | 2015-04-01 | 江苏理工学院 | 船舶轨迹实时预测方法 |
CN104537209A (zh) * | 2014-12-09 | 2015-04-22 | 上海交通大学 | 基于隐马尔科夫模型的车辆行驶道路类型的判断方法 |
CN105244038A (zh) * | 2015-09-30 | 2016-01-13 | 金陵科技学院 | 一种基于hmm的选矿设备故障异常音频分析与识别方法 |
-
2016
- 2016-04-13 CN CN201610227145.4A patent/CN105930921A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537209A (zh) * | 2014-12-09 | 2015-04-22 | 上海交通大学 | 基于隐马尔科夫模型的车辆行驶道路类型的判断方法 |
CN104484726A (zh) * | 2014-12-30 | 2015-04-01 | 江苏理工学院 | 船舶轨迹实时预测方法 |
CN105244038A (zh) * | 2015-09-30 | 2016-01-13 | 金陵科技学院 | 一种基于hmm的选矿设备故障异常音频分析与识别方法 |
Non-Patent Citations (1)
Title |
---|
刘婧然等: "《棉叶螨发生趋势的RBF网络预报模型》", 《节水灌溉》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563801A (zh) * | 2017-08-23 | 2018-01-09 | 浙江大学城市学院 | 一种基于隐马尔可夫模型的消费者线下消费行为预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971240A (zh) | 一种变量选择与高斯过程回归的短期负荷预测方法 | |
Hsu et al. | Temperature prediction and TAIFEX forecasting based on fuzzy relationships and MTPSO techniques | |
Wahyuni et al. | Rainfall prediction in Tengger region Indonesia using Tsukamoto fuzzy inference system | |
CN106373022B (zh) | 基于bp-ga的温室农作物种植效率条件优化方法及系统 | |
CN108898251A (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
Ali et al. | Wireless sensor network and deep learning for prediction greenhouse environments | |
CN107103419A (zh) | 一种群体软件开发过程仿真系统及方法 | |
CN112116143A (zh) | 一种基于神经网络的森林虫害发生概率计算处理方法 | |
CN115345076A (zh) | 一种风速订正处理方法及装置 | |
Cheng et al. | A novel fuzzy time series forecasting method based on fuzzy logical relationships and similarity measures | |
CN105930921A (zh) | 一种棉叶螨的预测方法 | |
CN110807508A (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
Marinković et al. | Data mining approach for predictive modeling of agricultural yield data | |
Suvorova | Models for respondents' behavior rate estimate: bayesian network structure synthesis | |
CN116187540B (zh) | 一种基于时空偏差修正的风电场站超短期功率预测方法 | |
CN105868921A (zh) | 限定精度损失下水电站群随机规划模型模式树裁枝方法 | |
Johari et al. | Artificial neural network based technique for lightning prediction | |
CN114330478B (zh) | 针对电网风速预报的风速分类订正方法 | |
Chatterjee et al. | Hybrid regression model for soil moisture quantity prediction | |
Sodha et al. | Crop management of agricultural products using time series analysis | |
Uzoma et al. | A hybrid prediction system for american NFL results | |
Xiong et al. | An ultra-short-term wind speed correction method based on the fluctuation characteristics of wind speed | |
CN105678320A (zh) | 一种贝叶斯网络中基于矩阵分解的数据状态化方法 | |
Chen et al. | Entropy-based combining prediction of grey time series and its application | |
Singh et al. | Development of multi stage district level wheat yield forecast models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160907 |