CN106373022B - 基于bp-ga的温室农作物种植效率条件优化方法及系统 - Google Patents
基于bp-ga的温室农作物种植效率条件优化方法及系统 Download PDFInfo
- Publication number
- CN106373022B CN106373022B CN201610820775.2A CN201610820775A CN106373022B CN 106373022 B CN106373022 B CN 106373022B CN 201610820775 A CN201610820775 A CN 201610820775A CN 106373022 B CN106373022 B CN 106373022B
- Authority
- CN
- China
- Prior art keywords
- layer
- neuron
- output
- hidden layer
- input
- 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.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims abstract description 46
- 230000002068 genetic Effects 0.000 claims abstract description 20
- 230000000875 corresponding Effects 0.000 claims abstract description 9
- 238000005065 mining Methods 0.000 claims abstract description 9
- 210000002569 neurons Anatomy 0.000 claims description 178
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 7
- 229930003268 Vitamin C Natural products 0.000 claims description 6
- 235000019154 vitamin C Nutrition 0.000 claims description 6
- 239000011718 vitamin C Substances 0.000 claims description 6
- 150000003700 vitamin C derivatives Chemical class 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 230000001537 neural Effects 0.000 description 14
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 12
- 241000227653 Lycopersicon Species 0.000 description 9
- 239000002253 acid Substances 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000003973 irrigation Methods 0.000 description 4
- 230000002262 irrigation Effects 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 240000003768 Solanum lycopersicum Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000000349 Chromosomes Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000009114 investigational therapy Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000618 nitrogen fertilizer Substances 0.000 description 2
- 239000002686 phosphate fertilizer Substances 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N potassium Chemical compound data:image/svg+xml;base64,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 data:image/svg+xml;base64,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 [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances data:image/svg+xml;base64,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 data:image/svg+xml;base64,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 O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229940088594 Vitamin Drugs 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001488 breeding Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006011 modification reaction Methods 0.000 description 1
- 230000001737 promoting Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- 229930003231 vitamins Natural products 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06Q—DATA PROCESSING SYSTEMS OR METHODS, SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL, SUPERVISORY OR FORECASTING PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Computing arrangements based on biological models using neural network models
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary programming, e.g. genetic algorithms
Abstract
本发明提供一种基于BP‑GA的温室农作物种植效率条件优化方法及系统，其中的方法包括：采集温室农作物的样本数据；根据所采集的样本数据构建三层拓扑结构的BP神经网络模型；用样本数据对所构建的三层BP神经网络模型进行训练，挖掘输入变量与输出变量之间的函数关系；根据函数关系和预设的评分权重，获取综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，决策参数为在综合指标E为最优时，对应的输入变量组合。通过本发明能够及时地掌握使温室农作物种植效率提升的最优决策参数组合，并做出精确地预测；可以及时采取调节措施，使影响种植效率的关键因素得到合理的控制，保证种植产量可观，品质提升，有效的节约资源，降低生产成本。
Description
技术领域
本发明涉及农业种植技术领域，尤其涉及一种基于BP-GA的温室农作物种植效率条件优化方法及系统。
背景技术
目前，农业种植效率的提升和对农作物的产量的预测是我国农业发展的一项重要的研究工作，是市场调研、种植规模、气候调节等多因素关联的大系统，对优化农业发展模式和统筹管理具有指导作用。
由于农作物的产量既受土壤、肥力、气候等自然因素的影响，又受政策、投入、科技水平等社会经济因素的影响，因此，传统的主要凭借经验施肥灌溉的耕种模式不仅浪费大量的人力物力、且对农业种植效率和产量的预测及分析起不到任何作用。虽然目前一些学者采用了一些较为复杂的数学计算和方程来对农业的种植效率提出了多种评价体系及方法，但其仅限于灌溉、施肥等相应的步骤的研究，对于如何从一个系统的角度对农业的种植效率进行综合指标的评价，至今都尚未有一套比较完整的方法。
鉴于上述问题，亟需建立一套全面反映农业种植所涉及的方方面面的评价体系和方法，以依据农作物自身特性和针对不同角色的人群的实际需求，建立优化的生产模式，促进农作物产量的增长和品质的提高，从而因地制宜的为农作物种植提供决策，进而促进农业经济的可视化发展。
发明内容
鉴于上述问题，本发明的目的是提供一种基于BP-GA的温室农作物种植效率条件优化方法，包括：
采集温室农作物的样本数据，样本数据为对温室农作物的产量和品质造成影响的因素；
根据所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为所述BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为所述BP神经网络模型的输出变量，用所述样本数据对所构建的三层BP神经网络模型进行训练，挖掘所述输入变量与输出变量之间的函数关系；
根据所述函数关系和预设的评分权重，获取综合指标E，根据综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，所述决策参数为在综合指标E为最优时，对应的输入变量组合。
此外，优选的方式为：所构建的三层拓扑结构的BP神经网络模型包括输入层、隐含层和输出层，在构建所述BP神经网络模型的过程中，
利用线性归一化方法对所述输入变量和输出变量进行归一化处理，获取输入输出序列；
根据所述输入输出序列确定输入层神经元的个数、隐含层神经元的个数和输出层神经元的个数，并初始化所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元和输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；
通过对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取所述输入变量与输出变量之间的函数关系。
此外，优选的方式为：在对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取所述输入变量与输出变量之间的函数关系的过程中，
根据所述输入层神经元的个数、输入层各神经元与隐含层各神经元之间的连接权值和隐含层阈值获取隐含层各神经元的输出值；
根据所述隐含层各神经元的输出值、所述隐含层各神经元和输出层各神经元之间的连接权值、输出层阈值获取所述输出层各神经元的输出值；
将所述输出层各神经元的输出值与预设的输出值进行比较，获取预测误差；
根据所述预测误差对所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行更新，获取更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；
根据更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值对所述输出层各神经元的输出值进行重新计算，获取所述输入变量与输出变量之间的函数关系。
此外，优选的方式为：在根据所述函数关系和预设的评分权重，利用GA对所述函数关系进行极值寻优，获取决策参数的过程中，
将所述函数关系作为GA的适应度函数，并对所述适应度函数进行计算，获取个体适应度值；
根据预设的评分权重和所获取的个体适应度值，获取综合性指标E；
预设决策参数的变化区间，以及所述GA的种群、数量以及迭代次数；
确定优化计算的趋势方向；其中，所确定的优化计算的趋势方向使得所述综合指标最高；
初始化种群，并将初始化后的种群作为父代种群，对所述父代种群中所有个体的适应度函数值进行计算，获取父代种群的最优个体；
采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作，获取子群，将所获取的子群作为新一代父代种群；
根据实际的迭代次数和预设的迭代次数判断迭代是否结束，若结束，将最后一次迭代所获取的父代种群的最优个体作为决策参数，否则继续迭代。
另一方面，本发明提供一种基于BP-GA的温室农作物种植效率条件优化系统，包括：
样本数据采集单元，用于采集温室农作物的样本数据，所述样本数据为对温室农作物的产量和品质造成影响的因素；
BP神经网络模型构建单元，用于根据所述样本数据采集单元所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为所述BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为所述BP神经网络模型的输出变量；
函数关系挖掘单元，用于用所述样本数据对所构建的三层BP神经网络模型进行训练，挖掘所述输入变量与输出变量之间的函数关系；
决策参数获取单元，用于根据所述函数关系获取单元所获取的所述输入变量与输出变量之间的函数关系，以及预设的评分权重，获取综合指标E，根据综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，所述决策参数为在综合指标E为最优时，对应的输入变量组合。
本发明提供的基于BP-GA的温室农作物种植效率条件优化方法及系统，通过在BP建立的高精度模型预测的基础上，准确的表现出来系统的输出与系统决策参数之间的函数关系，再根据调研以及实际需求评出权重，得到最终得分的计算公式，最后利用遗传算法获取当前状态下的最优决策参数组合。本发明能够及时地掌握使温室农作物种植效率提升的最优决策参数组合，并做出精确地预测；可以及时采取调节措施，使影响种植效率的关键因素得到合理的控制，从而保证种植产量可观，品质提升，有效的节约资源，降低生产成本。
附图说明
图1为根据本发明实施例的基于BP-GA的温室农作物种植效率条件优化方法的流程示意图；
图2为构建的BP神经网络模型的结构示意图；
图3为根据本发明实施例的基于BP-GA的温室农作物种植效率条件优化系统的逻辑结构框图。
具体实施方式
以下将结合附图对本发明的具体实施例进行详细描述。
为详细的说明本发明提供的基于BP-GA的温室农作物种植效率条件优化方法，图1示出了根据本发明实施的基于BP-GA的温室农作物种植效率条件优化方法的流程。
如图1所示，本发明提供的基于BP-GA的温室农作物种植效率条件优化方法包括：
S110：采集温室农作物的样本数据，所述样本数据为对温室农作物的产量和品质造成影响的因素。
在本发明的一个示例中，对温室农作物的产量和品质造成影响的因素可以为温度、湿度、光照等。
S120：根据所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为BP神经网络模型的输出变量，用样本数据对所构建的三层BP神经网络模型进行训练，挖掘输入变量与输出变量之间的函数关系。
在本发明的一个示例中，可以采集温度、湿度、光照数据作为BP神经网络模型的输入变量，与温室农作物产量和品质有关的因素可以为产量、维C含量、可溶糖含量等，因此，可以将产量、维C含量、可溶糖含量等作为BP神经网络模型的输出变量。
其中，所构建的三层拓扑结构的BP神经网络模型包括输入层、隐含层和输出层，在构建三层拓扑结构的BP神经网络模型的过程中，利用线性归一化方法对所述输入变量和输出变量进行归一化处理，获取输入输出序列；根据所述输入输出序列确定输入层神经元的个数、隐含层神经元的个数和输出层神经元的个数，并初始化所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元和输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；通过对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取输入变量与输出变量之间的函数关系。
其中，在对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取输入变量与输出变量之间的函数关系的过程中，根据所述输入层神经元的个数、输入层各神经元与隐含层各神经元之间的连接权值和隐含层阈值获取隐含层各神经元的输出值；根据所述隐含层各神经元的输出值、所述隐含层各神经元和输出层各神经元之间的连接权值、输出层阈值获取所述输出层各神经元的输出值；将所述输出层各神经元的输出值与预设的输出值进行比较，获取预测误差；根据所述预测误差对所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行更新，获取更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；根据更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值对所述输出层各神经元的输出值进行重新计算，获取输入变量与输出变量之间的函数关系。
S130：根据函数关系和预设的评分权重，获取综合指标E，根据综合指标E，利用GA对函数关系进行极值寻优，获取决策参数；其中，该决策参数为在综合指标E为最优时，对应的输入变量组合。
其中，在根据函数关系和预设的评分权重，利用GA对函数关系进行极值寻优，获取决策参数的过程中，将函数关系作为GA的适应度函数，并对所述适应度函数进行计算，获取个体适应度值；根据预设的评分权重和所获取的个体适应度值，获取综合性指标E；预设决策参数的变化区间，以及所述GA的种群、数量以及迭代次数；确定优化计算的趋势方向；其中，所确定的优化计算的趋势方向使得所述综合指标最高；初始化种群，并将初始化后的种群作为父代种群，对父代种群中所有个体的适应度函数值进行计算，获取父代种群的最优个体；采用轮盘赌法或者锦标赛法对父代种群中所有个体进行第一次遗传迭代操作，获取子群，将所获取的子群作为新一代父代种群；根据实际的迭代次数和预设的迭代次数判断迭代是否结束，若结束，将最后一次迭代所获取的父代种群的最优个体作为决策参数，否则继续迭代。
其中，可以将获取的决策参数带入温室中并应用于温室农作物的生产过程中，获取温室农作物实际的产量和品质值，以对上述决策参数进行相应的验证，从而确定该决策参数能否在增加温室农作物产量的同时提升品质，若能，说明上述方法有效，若不能，则重复上述所有过程(即重复步骤S110～S130)，以重新获取决策参数。
通过上述可知，本发明提供的基于BP-GA的温室农作物种植效率条件优化方法，能确定温室农作物种植决策参数的最优值；根据优化后的种植决策参数最优值进行实际生产指导。为了更为清楚的对本发明进行说明，下述将对本发明提供的基于BP-GA的温室农作物种植效率条件优化方法作示例性说明。具体可按下述步骤进行：
1、采集所有对温室农作物产量和品质有影响的原始变量(即上述的BP神经网络模型的输入变量)X＝[x1，x2，x3......]作为BP神经网络模型的输入，包括温度、湿度、光照、CO2浓度等；产量与品质的决定变量Y＝[y1，y2，y3......]，包括产量、品质等变量，将其作为BP神经网络模型的输出，其中，凡对本发明结论具有影响的因素都在本专利的保护范围之内；
2、为提高建模过程精度，将所有采集的样本(即上述的原始变量和决定变量)进行归一化处理。将样本集的参量值利用线性归一化方法映射到[0，1]范围内，得到归一化的样本集
其中R为输入矩阵；Rnorm为归一化后输出矩阵；Rmax、Rmin为样本集中的最大值和最小值。
3、构建三层BP神经网络模型，包括输入层、输出层和隐含层；其中，本发明中设定输入层神经元为i个，输出层神经元为k个，隐含层神经元为j个；隐含层节点函数为S型函数，输出层节点函数为线性函数。令输入层到隐含层的权值为Wij，隐含层节点阈值为bj，隐含层至输出层的权值为输出层节点阈值为其中，所构建的BP神经网络模型的结构图如2所示。
将图2所示的BP神经网络模型作为黑箱模型，循环更新BP神经网络中的参数权值与阈值Wij、bj、训练以得到输入变量与输出变量之间的函数关系，训练过程如下所示：
第一步：网络初始化，根据归一化后的输入输出序列确定输入层节点数i、隐含层节点数j、输出层节点数k；初始化输入层、隐含层和输出层神经元之间的连接权值Wij，初始化隐含层阈值bj，输出层阈值给定误差精度和神经元激励函数。
第二步：隐含层输出计算，隐含层j个神经元的加权之和，即
其中，i为输入层神经元的个数，Wij为输入层第i个神经元与隐含层第j个神经元之间的连接权值，Xi为输入层第i个神经元的样本数据，bj为隐含层第j个神经元的阈值。
隐含层神经元输出采用S函数激发得：
其中，f为隐含层激励函数，本领域技术人员都应该明白，该函数还可以有其他多种表达形式，本发明只列出了其中一种，为隐含层j个神经元的加权之和；
第三步：输出层输出计算：
其中，为输出层第k个神经元的输出值，j为隐含层神经元的个数，为隐含层第j个神经元与输出层第k个神经元之间的连接权值，Hj为隐含层第j个神经元的输出值，为输出层第k个神经元的阈值。
第四步：误差计算；此时实际样本输出Y与对进行了反归一化的预测值之间的误差：
总误差E准则函数如下：
第五步：修正网络的权值、阈值。根据网路的预测的误差e更新网络的权值、阈值。
其中j为隐含层神经元个数；k为输出层神经元个数；l＝1,2,3…,N，N为样本数。
第六步：利用更新得到的权值阈值重新估计判断算法迭代是否结束，若没有结束，返回第二步。到此，本发明利用BP神经网络非线性拟合方法挖掘温室农作物种植动态系统中可控的影响因素与果实产量和品质之间规律，采用BP神经网络建立的动态演化模型可以作为优化决策参数的基础模型。
4、基于步骤3所得的基础模型，利用遗传算法继续优化温室农作物种植系统控制参数组合综合指标E。其过程如下：
第一步：构建遗传算法优化的适应度函数。将步骤3所得的模型输出作为算法优化的适应度函数：
其中，为输出层第k个神经元的输出值，j为隐含层神经元的个数，为隐含层第j个神经元与输出层第k个神经元之间的连接权值，bk为输出层第k个神经元的阈值，f为隐含层激励函数，i为输入层神经元的个数，Wij为输入层第i个神经元与隐含层第j个神经元之间的连接权值，Xi为输入层第i个神经元的样本数据，bj为隐含层第j个神经元的阈值，为输出层第k个神经元的阈值。
第二步：结合不同的专家选择农产品的标准，分别将k个输出变量的权重定为g1，g2，g3，g4…，gk，根据所定的评分权重，获得一个综合性的指标E，计算公式如下式所示：
其中，E为综合性指标，gk为第k个神经元的输出值的权重，yk为第k个样本数据的输出。
第三步：设置决策变量的变化区间，即ximin≤xi≤ximax，以及设置遗传算法的种群P，数量s，迭代次数gen，初始化种群P，并作为第一代父代P1。
第四步：确定优化计算的趋势方向，使得综合指标E最高即最大化计算优化。
第五步：计算P1中所有个体的适应度函数值，将最优个体输出作为一代最优个体。
第六步：将P1中个体进行选择、交叉、变异等第一次遗传迭代操作，得到第一代子群Q1，并作为第二代父群P1。
遗传算法选择操作有轮盘赌法、锦标赛法等多种方法，下面以轮盘赌法为例，即基于适应度比例的选择策略，每个个体m的选择概率为：
其中：
其中，Fm为个体m的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数，t为系数，s为种群数目。
由于个体采用实数编码，所以交叉操作方法采用实数交叉法，第n个染色体an和第l个染色体al在第j位的交叉操作方法如下：
其中，b是[0,1]间的随机数。
选取第m个个体的的第j个基因amj进行变异，变异操作方法如下：
其中，amax为基因amj的上界；amin为基因amj的下界；f(g)＝r2(1-g/Gmax)2；r2为一个随机数；g为当前迭代次数；Gmax为最大进化次数；r是[0，1]间的随机数。
第七步：判断遗传迭代次数是否等于gen，不等于返回第二步。等于结束循环，并将最后一次迭代所获取的使得函数取得极大值的决策参量作为优化所得最佳参数组合(即决策参数)。
5、将所得最优决策参量组合带入温室中作用于作物生产过程中，得到实际的产量与品质值，考察最优决策参量是否能在增加产量的同时提升品质，如果是则说明计算结果有效，否则重复上述所有过程。
需要说明的是，人工神经网络的学习是对数据进行归纳学习的过程，通过对数据样本进行反复学习，来不断修正各个神经元之间相互连接的权值和阈值，最终实现将人工神经网络的权值和阈值收敛于一个稳定的范围。
遗传算法的基本步骤为：初始群体、编码、计算适应度函数、交叉变异操作和解码。
本发明针对BP神经网络在实际应用中表现出来的不足，采用三层BP神经网络，利用遗传算法优化BP神经网络输出的决策参数组合，通过反复的实验确定最优的决策参数，使得综合指标E取得最大值。结合生产实验，充分考虑温室农作物种植过程中的实际情况，实时采集外界参数、果实成熟度变化等特点，对BP网络的结构和参数进行选取，在反复通过网络训练和检测得到较为合理的预测结果。
本发明的方法是以采集的真实数据为样本数据，对其进行统计、分析、整合，并在此基础上建立以对温室农作物生长条件有影响的原始变量和以影响产量与品质有关变量为输出建立稳定的预测模型；然后，在预测模型的基础上建立基于遗传算法的参数优化模型，提出了系统中优化的对象，根据优化目标值确定优化量值，为农业种植提供实际生产指导。
作为本发明的另外一示例，该示例以对温室番茄种植效率条件优化实验为例，首先收集收获期同一天不同处理方式下的1200组决策参数组合作为我们建模的样本数据库，然后用本发明的研究过程对其进行建模优化，最后通过在某农场的温室中进行实际实验得到优化后的实际效果。具体步骤如下：
步骤一：以1200组真实实验数据建立实验样本，即，将温度、相对湿度、光照、CO2浓度、氮肥使用量、磷肥使用量、钾肥使用量以及灌水量这八个因素作为模型输入，产量、维生素C含量、可溶糖含量以及糖酸比作为模型输出。
试验以番茄适宜的气象条件作为参考：番茄生育适宜温度为13～28℃；空气相对湿度为45％～50％时，番茄生长最好；番茄受光照强度影响较大，对日照长短要求不严格；番茄需水量大，要求土壤水分含量处于60％～85％的水平[23]。通过整理文献和资料，空气中正常的CO2浓度为330μmol/mol，番茄生长试验的CO2浓度取550～900μmol/mol，氮肥的施用量为300～700kg·hm-2，磷肥的施用量为120～260kg·hm-2，钾肥的施用量为150～320kg·hm-2，灌溉量取100～300mm。为保证实验数据的一致性，将收获期同一天相同处理方式多次采样的数据取平均作为对应参数的当天样本。采集的部分样本实例如表1所示：
表1
步骤二：建立三层拓扑结构的BP神经网络，设定BP神经网络的输入层神经元为8个，分别对应温度、相对湿度、光照、CO2浓度等，输出层神经元为4个，分别对应产量、维生素C含量、可溶糖含量以及糖酸比，隐含层神经元为5个。从1200组样本数据中随机选出800组作为BP神经网络的训练样本，剩余的400组作为测试样本，建立神经网络模型。在本课题中采用的隐含层激活函数为tansig。其具体函数表达式如下：
步骤三：以上述BP神经网作为黑箱模型，循环更新网络参数权值与阈值Wij、bj、训练以得到期望决策参数组合输出。
得到输入层到隐层的权值Wij：
隐含层神经元阈值bj：
隐含层到输出层的权值
输出层阈值
本部分利用神经网络非线性拟合方法挖掘温室番茄动态系统中可控的影响因素与果实产量和品质之间规律。采用BP神经网络建立的动态演化模型可以作为优化决策参数的基础模型。
步骤四：基于步骤三所得的动态演化模型，利用遗传算法继续优化温室农作物种植系统控制参数组合综合指标E。
利用最优化的方法获取温室番茄种植的决策参数是实现提高种植效率的有效途径，本部分采用遗传算法对预测温室番茄产量品质的模型进行极值寻优计算，并将获得的操作变量值作为番茄的最佳生长条件。结合农民、收购商、超市采购人员、消费者选择番茄的标准，分别将产量、维生素C含量、可溶糖含量以及糖酸比的权重定为0.4，0.3，0.2，0.1，根据所定的评分权重，获得综合指标E的计算公式如下式所示：
根据遗传算法计算特性，通过对决策参数进行编码，并不断进行交叉、重组、变异等操作，迭代计算获取使得函数取得极大值的决策参量。在目标优化计算中，其通过计算得到一系列得分E，为最优极值提供可行解。各组可行解的指标E即为最终得分，最后最高得分为本次计算结果中得到的最佳可行解。
设置决策变量的变化区间，如表2所示：
表2
得到的计算最优参数，如表3所示：
表3
得到的最优结果，如表4所示：
表4
作为本发明的另一个方面，提供一种基于BP-GA的温室农作物种植效率条件优化系统。图3示出了根据本发明实施例的基于BP-GA的温室农作物种植效率条件优化系统的逻辑结构。如图3所示，本发明提供的基于BP-GA的温室农作物种植效率条件优化系统300包括样本数据采集单元310、BP神经网络模型构建单元320、函数关系挖掘单元330和决策参数获取单元340。
其中，样本数据采集单元310用于采集温室农作物的样本数据，样本数据为对温室农作物的产量和品质造成影响的因素。
BP神经网络模型构建单元320用于根据样本数据采集单元所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为BP神经网络模型的输出变量。
函数关系获取单元330用于用所述样本数据对所构建的三层BP神经网络模型进行训练，挖掘输入变量与输出变量之间的函数关系。
决策参数获取单元340用于根据函数关系获取单元所获取的输入变量与输出变量之间的函数关系，以及预设的评分权重，获取综合指标E，根据综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，决策参数为在综合指标E为最优时，对应的输入变量的值。
通过上述可知，本发明通过遗传算法对温室农作物种植效率的优化效果明显，在BP建立的高精度模型预测的基础上，准确的表现出来输入变量与输出变量之间的函数关系，再根据调研以及实际需求评出权重，得到最终得分的计算公式，最后利用遗传算法获取当前状态下的最佳控制条件。通过实验表明，基于遗传算法获取的决策参数在农作物生产过程中，既能在产量增加的同时提升农作物的品质，从而有效的提升种植效率，为进一步实现更加符合生产工艺的决策参数的获取提供了技术保障。
如上参照附图以示例的方式描述了根据本发明的基于BP-GA的温室农作物种植效率条件优化方法及系统。但是，本领域技术人员应当理解，对于上述本发明所提出的基于BP-GA的温室农作物种植效率条件优化方法及系统，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。
Claims (9)
1.一种基于BP-GA的温室农作物种植效率条件优化方法，包括：
采集温室农作物的样本数据，所述样本数据为对温室农作物的产量和品质造成影响的因素，包括温度、湿度、光照；
根据所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，
将所采集的样本数据作为所述BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为所述BP神经网络模型的输出变量，包括产量、维C含量、可溶糖含量，用所述样本数据对所构建的三层BP神经网络模型进行训练，挖掘所述输入变量与输出变量之间的函数关系；
根据所述函数关系和预设的评分权重，获取综合指标E，根据所述综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，所述决策参数为在综合指标E为最优时，对应的输入变量组合；
通过下述方式获取综合性指标E：
其中，E为综合性指标，gk为根据专家评分的第k个神经元输出值的权重，yk为第k个样本数据的输出值。
2.如权利要求1所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，所构建的三层拓扑结构的BP神经网络模型包括输入层、隐含层和输出层，在构建所述BP神经网络模型的过程中，
利用线性归一化方法对所述输入变量和输出变量进行归一化处理，获取输入输出序列；
根据所述输入输出序列确定输入层神经元的个数、隐含层神经元的个数和输出层神经元的个数，并初始化所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元和输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；
通过对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取所述输入变量与输出变量之间的函数关系。
3.如权利要求2所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，在对输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行迭代训练，获取所述输入变量与输出变量之间的函数关系的过程中，
根据所述输入层神经元的个数、输入层各神经元与隐含层各神经元之间的连接权值和隐含层阈值获取隐含层各神经元的输出值；
根据所述隐含层各神经元的输出值、所述隐含层各神经元和输出层各神经元之间的连接权值、输出层阈值获取所述输出层各神经元的输出值；
将所述输出层各神经元的输出值与预设的输出值进行比较，获取预测误差；
根据所述预测误差对所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行更新，获取更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值；
根据更新后的输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值对所述输出层各神经元的输出值进行重新计算，获取所述输入变量与输出变量之间的函数关系。
4.如权利要求3所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，通过下述方式获取隐含层各神经元的输出值：
其中，f为隐含层激励函数，为隐含层j个神经元的加权之和；其中，所述通过下述方式获得：
其中，i为输入层神经元的个数，Wij为输入层第i个神经元与隐含层第j个神经元之间的连接权值，Xi为输入层第i个神经元的样本数据，bj为隐含层第j个神经元的阈值。
5.如权利要求4所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，通过下述方式获取输出层各神经元的输出值：
其中，为输出层第k个神经元的输出值，j为隐含层神经元的个数，为隐含层第j个神经元与输出层第k个神经元之间的连接权值，Hj为隐含层第j个神经元的输出值，为输出层第k个神经元的阈值。
6.如权利要求5所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，通过下述方式对所述输入层各神经元与隐含层各神经元之间的连接权值、隐含层各神经元与输出层各神经元之间的连接权值、隐含层阈值、输出层阈值进行更新：
其中，l＝1，2，3，…N，N为样本数，ek为Y与对进行了反归一化的预测值之间的误差；所述误差通过下述方式获得：
其中，Y为实际样本输出。
7.如权利要求1所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，在根据所述函数关系和预设的评分权重，利用GA对所述函数关系进行极值寻优，获取决策参数的过程中，
将所述函数关系作为GA的适应度函数，并对所述适应度函数进行计算，获取个体适应度值；
根据预设的评分权重和所获取的个体适应度值，获取综合性指标E；
预设决策参数的变化区间，以及所述GA的种群、数量以及迭代次数；
确定优化计算的趋势方向；其中，所确定的优化计算的趋势方向使得所述综合指标最高；
初始化种群，并将初始化后的种群作为父代种群，对所述父代种群中所有个体的适应度函数值进行计算，获取父代种群的最优个体；
采用轮盘赌法或者锦标赛法对所述父代种群中所有个体进行第一次遗传迭代操作，获取子群，将所获取的子群作为新一代父代种群；
根据实际的迭代次数和预设的迭代次数判断迭代是否结束，若结束，将最后一次迭代所获取的父代种群的最优个体作为决策参数，否则继续迭代。
8.如权利要求7所述的基于BP-GA的温室农作物种植效率条件优化方法，其中，通过下述方式获取个体适应度值：
其中，为输出层第k个神经元的输出值，j为隐含层神经元的个数，为隐含层第j个神经元与输出层第k个神经元之间的连接权值，bk为输出层第k个神经元的阈值，f为隐含层激励函数，i为输入层神经元的个数，Wij为输入层第i个神经元与隐含层第j个神经元之间的连接权值，Xi为输入层第i个神经元的样本数据，bj为隐含层第j个神经元的阈值，为输出层第k个神经元的阈值。
9.一种基于BP-GA的温室农作物种植效率条件优化系统，包括：
样本数据采集单元，用于采集温室农作物的样本数据，所述样本数据为对温室农作物的产量和品质造成影响的因素；
BP神经网络模型构建单元，用于根据所述样本数据采集单元所采集的样本数据构建三层拓扑结构的BP神经网络模型；其中，将所采集的样本数据作为所述BP神经网络模型的输入变量，将与温室农作物产量和品质有关的因素作为所述BP神经网络模型的输出变量；
函数关系挖掘单元，用于用所述样本数据对所构建的三层BP神经网络模型进行训练，挖掘所述输入变量与输出变量之间的函数关系；
决策参数获取单元，用于根据所述函数关系获取单元所获取的所述输入变量与输出变量之间的函数关系，以及预设的评分权重，获取综合指标E，根据所述综合指标E，利用GA对所述函数关系进行极值寻优，获取决策参数；其中，所述决策参数为在所述综合指标E为最优时，对应的输入变量组合；
通过下述方式获取综合性指标E：
其中，E为综合性指标，gk为根据专家评分的第k个神经元输出值的权重，yk为第k个样本数据的输出值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610820775.2A CN106373022B (zh) | 2016-09-13 | 2016-09-13 | 基于bp-ga的温室农作物种植效率条件优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610820775.2A CN106373022B (zh) | 2016-09-13 | 2016-09-13 | 基于bp-ga的温室农作物种植效率条件优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106373022A CN106373022A (zh) | 2017-02-01 |
| CN106373022B true CN106373022B (zh) | 2021-12-24 |
Family
ID=57897375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610820775.2A Active CN106373022B (zh) | 2016-09-13 | 2016-09-13 | 基于bp-ga的温室农作物种植效率条件优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106373022B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107665244B (zh) * | 2017-09-12 | 2020-01-14 | 中国农业大学 | 一种获取粮食产量与化肥使用量之间关系的方法及装置 |
| CN108633697A (zh) * | 2018-05-15 | 2018-10-12 | 重庆科技学院 | 一种基于植物日常数据分析与云技术的智能植物养培方法 |
| CN109248413A (zh) * | 2018-09-03 | 2019-01-22 | 秦怡静 | 一种基于bp神经网络和遗传算法的掷实心球姿势矫正方法 |
| CN109243562A (zh) * | 2018-09-03 | 2019-01-18 | 陈怡� | 一种基于Elman神经网络和遗传算法的形象气质提升方法 |
| CN109543761B (zh) * | 2018-11-27 | 2020-07-07 | 成都工业学院 | 植物适生地的分类方法及装置 |
| CN110069032B (zh) * | 2019-04-19 | 2021-04-23 | 淮阴工学院 | 一种基于小波神经网络的茄子温室环境智能检测系统 |
| CN110400170A (zh) * | 2019-07-10 | 2019-11-01 | 北京耕智农业科技有限公司 | 一种基于用户反馈数据调整作物供应的方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105022871A (zh) * | 2015-07-07 | 2015-11-04 | 同济大学 | 基于神经网络与整机的液力变矩器叶片数优化方法 |
-
2016
- 2016-09-13 CN CN201610820775.2A patent/CN106373022B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106373022A (zh) | 2017-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
| CN103218669A (zh) | 一种智能的活鱼养殖水质综合预测方法 | |
| CN110109193B (zh) | 一种基于drnn神经网络的茄子温室温度智能化检测装置 | |
| CN110084417B (zh) | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 | |
| CN110728401B (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
| CN110119766B (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
| CN110119086B (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
| CN108304970B (zh) | 苹果贮藏期的快速预测方法及系统、气调贮藏监控系统 | |
| CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
| CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
| CN110119169A (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
| CN110414115A (zh) | 一种基于遗传算法的小波神经网络番茄产量预测方法 | |
| CN106018284A (zh) | 一种作物长势定量遥感监测方法及系统 | |
| CN110147825B (zh) | 一种基于经验模态分解模型的草莓温室温度智能检测装置 | |
| Li et al. | Determining optimal CO2 concentration of greenhouse tomato based on PSO-SVM | |
| CN108520345A (zh) | 基于ga-bp神经网络模型的耕地质量评价方法及系统 | |
| Zuxing et al. | A prediction model of forest preliminary precision fertilization based on improved GRA-PSO-BP neural network | |
| CN109214591B (zh) | 一种木本植物地上生物量预测方法及系统 | |
| CN109858180B (zh) | 一种区域作物耗水空间格局优化设计方法 | |
| CN112613648A (zh) | 一种训练旱情监测模型的方法、旱情监测方法及设备 | |
| CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及系统 | |
| Avigal et al. | Learning Seed Placements and Automation Policies for Polyculture Farming with Companion Plants | |
| An et al. | A simulator-based planning framework for optimizing autonomous greenhouse control strategy | |
| CN110472840A (zh) | 一种基于神经网络技术的农业水利调度方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |