CN106651006A - 基于复数神经网络的土壤墒情预测方法及装置 - Google Patents

基于复数神经网络的土壤墒情预测方法及装置 Download PDF

Info

Publication number
CN106651006A
CN106651006A CN201611039451.1A CN201611039451A CN106651006A CN 106651006 A CN106651006 A CN 106651006A CN 201611039451 A CN201611039451 A CN 201611039451A CN 106651006 A CN106651006 A CN 106651006A
Authority
CN
China
Prior art keywords
moisture content
soil moisture
content data
soil
time point
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
CN201611039451.1A
Other languages
English (en)
Inventor
冀荣华
张舒蕾
郑立华
刘云玲
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.)
China Agricultural University
Original Assignee
China Agricultural University
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 China Agricultural University filed Critical China Agricultural University
Priority to CN201611039451.1A priority Critical patent/CN106651006A/zh
Publication of CN106651006A publication Critical patent/CN106651006A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Abstract

本发明实施例公开了一种基于复数神经网络的土壤墒情预测方法及装置。方法包括：获取待预测土壤的历史墒情数据；从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；将选取的墒情数据转换为单位圆上的复数；根据转换后的墒情数据和预构建的MLMVN神经网络模型预测待预测土壤在所述预测时间点的墒情数据。本发明实施例通过将数据转换为单位圆上的复数，构建以土壤墒情为输入的复数神经网络预测模型，进而降低建模复杂度并提高农田土壤墒情多步预测精度。

Description

基于复数神经网络的土壤墒情预测方法及装置
技术领域
本发明实施例涉及农业信息技术领域，具体涉及一种基于复数神经网络的土壤墒情预测方法及装置。
背景技术
我国的季风气候和传统低效的农业灌溉技术综合导致我国农业水资源利用率低，节水灌溉技术主要依据作物的需水、耗水规律来控制、调配水资源，节水灌溉策略的制定必须依靠土壤墒情的增长消退规律。因此，准确、高效地预测土壤墒情的长期变化趋势，是实现精准灌溉、提高水资源利用率改善农作物生长状况的基础。
目前国内外学者常用的土壤墒情预测模型主要有确定性和随机性模型。确定性模型是从土壤水分运移、转化所遵循的物理规律出发建立土壤水动态模型，主要有经验公式法、土层水量平衡法、土壤水动力学法等。随机性方法则考虑了土壤水分变化的随机特点，用随机模拟法来探讨田间土壤水分的变化过程，如多元回归预测法、神经网络模型等。以上模型的复杂性和预测精度各不相同。经验性模型比较简单便于应用，但是模型中经验参数的适用范围有限；多元回归预测法通过建立土壤墒情与多种环境因素之间的回归方程进行土壤墒情预测，但在但在中长期预测时误差累计严重导致预测精度低；神经网络预测模型提高了中长期土壤墒情预测的预测精度，但模型参数选择复杂且依赖大量的经验技巧，训练过程容易陷入局部极值。
发明内容
本发明实施例的一个目的是解决现有技术使用确定性和随机性模型时由于输入数据维度较高，导致预测精度低的问题。
本发明实施例提出了一种基于复数神经网络的土壤墒情预测方法，包括：
获取待预测土壤的历史墒情数据；
从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；
将选取的墒情数据转换为单位圆上的复数；
根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据。
可选的，在根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据之前，所述方法还包括：
根据选取的墒情数据的个数确定输入层的节点数；
根据输入层的节点数构建多输入单输出的MLMVN神经网络。
可选的，当所述MLMVN神经网络含有两个隐含层时，设置第一隐含层节点数少于第二隐含层节点数。
可选的，所述根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据包括：
若所述预测时间点为一个，则将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在所述预测时间点的墒情数据。
可选的，若预测时间点为两个或者两个以上，则将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在第一预测时间点的墒情数据；
从所述选取的墒情数据以及第一个预测时间点对应的墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；
将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在下一预测时间点的墒情数据。
本发明实施例提供一种基于复数神经网络的土壤墒情预测装置，包括：
获取模块，用于获取待预测土壤的历史墒情数据；
选取模块，用于从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；
转换模块，用于将选取的墒情数据转换为单位圆上的复数；
预测模块，用于根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据。
可选的，所述装置还包括：建模模块；
所述建模模块，用于根据选取的墒情数据的个数确定输入层的节点数；根据输入层的节点数构建多输入单输出的MLMVN神经网络。
可选的，当所述MLMVN神经网络含有两个隐含层时，设置第一隐含层节点数少于第二隐含层节点数。
可选的，所述预测模块，用于在预测时间点为一个时，将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在所述预测时间点的墒情数据。
可选的，所述预测模块，还用于在预测时间点为两个或者两个以上，将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在第一预测时间点的墒情数据；从所述选取的墒情数据以及第一个预测时间点对应的墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在下一预测时间点的墒情数据。
由上述技术方案可知，本发明实施例提出的基于复数神经网络的土壤墒情预测方法及装置通过将数据转换为单位圆上的复数，以复数土壤墒情作为网络输入以提高农田土壤墒情多步预测精度。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：
图1示出了本发明一实施例提供的基于复数神经网络的土壤墒情预测方法的流程示意图；
图2示出了本发明另一实施例提供的基于复数神经网络的土壤墒情预测方法的流程示意图；
图3示出了本发明另一实施例提供的基于复数神经网络的土壤墒情预测方法中神经网络的拓扑结构示意图；
图4示出了本发明另一实施例提供的基于复数神经网络的土壤墒情预测方法中循环预测示意图；
图5示出了本发明一实施例提供的基于复数神经网络的土壤墒情预测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本发明一实施例提供的基于复数神经网络的土壤墒情预测方法的流程示意图，参见图1，该方法可由处理器时限，具体包括如下步骤：
110、获取待预测土壤的历史墒情数据；
需要说明的是，土壤的墒情数据可由设置在预设采样点处的传感器采集，预设采样点的数量和位置可视情况而定；另外，优选的是，传感器的型号、采样频率相同，由此，在同一时刻采集土壤不同位置的墒情数据，可见，每个采样时刻都有对应与之对应的墒情数据，并将每个采样时刻对应的墒情数据作为一个样本。
120、从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；
不难理解的是，在步骤120的基础上，历史墒情数据中包括多个采样时刻(称之为时间点)对应的样本集，本步骤选取距离预测时间点最近的N个时间点以提高选取的数据的准确度。
130、将选取的墒情数据转换为单位圆上的复数；
本步骤的具体通过实复数转换公式实现，公式(1)如下：
其中，u0,u1,......,un为待转化时间序列，序列中有多个时间点以及每个时间点对应的墒情数据；a＝min{uj}为时间序列中最小值，b＝max{uj}为时间序列中最大值，为转化后得到的幅度值，为对转化后幅度范围进行扩展的常数，xj为单位圆上复数的指数表示。
140、根据转换后的墒情数据和预构建的多层前馈复数神经网络MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据。
不难理解的是，将转换为复数的墒情数据输入至构建完成的MLMVN神经网络中，并设置需要预测的时间点，MLMVN神经网络输出对应的预测的墒情数据。
本发明实施例通过将数据转换为单位圆上的复数，以转化后的土壤墒情作为MLMVN网络的输入和输出，进而降低建模复杂度并提高农田土壤墒情多步预测精度。
图2示出了本发明另一实施例提供的基于复数神经网络的土壤墒情预测方法的流程示意图，下面参见图2对本申请的原理进行详细说明，方法具体包括如下步骤：
210、数据采集
采集获取农田作物整个生长周期(幼苗期、生长期、抽穗期和成熟期)的土壤墒情。采集方法如下：选定实验田，在实验田内均匀设定a1个土壤墒情采样点，在相同的土壤深度下埋入型号相同的传感器并设置相同的采样频率，对农田作物整个生长周期的土壤墒情进行采集。
220、数据集生成
1：对于某一采样时刻，a1个土壤传感器采集同一时刻不同位置的同一土壤深度的a1个土壤墒情数据，除去a1个数据中的最大值和最小值，以剩余a1-2个数的均值作为此刻的土壤墒情。按照这种求均值的方法，依次求一天中每个采样时刻的土壤墒情。
2：利用土壤墒情的箱线图筛选出土壤墒情中的奇异值，并用前后各50个数据的数据均值替换奇异值；对于由传感器本身的限制或人为因素造成的缺失数据，利用最近邻插值法进行补充。
3：把土壤墒情按照时间顺序进行存储，按照时间递进顺序把所有的土壤墒情整理为二维矩阵的形式，每一行代表一个样本，每个样本包含N个输入和一个期望输出(N由网络输入个数决定)。所有数据构成样本集S。
4：利用上述数据转换公式(1)对把数据集S转换为分布于单位圆上的复数。
利用进行对数据进行范围扩展的原因在于：1、由于操作误差以及外界干扰，采集的时间序列往往存在小范围的偏差2、数据转化后，原时间序列中最大值对应2π，最小值对应0rad，2π和0在复平面的单位圆上对应的是同一点。所以必须利用扩展数据范围避免最大值最小值的接近以增加算法的适用性。
230、建立预测模型
本发明利用复数神经网络MLMVN对土壤墒情进行多步预测。MLMVN包含一个输入层，n个隐含层和一个输出层。MLMVN的拓扑结构如附图3所示。
其中，x1,......,xn为神经元输入，n为输入因子数；YNs，S为神经元实际输出；Ns-1表示第S层中每个神经元的输入个数为第S-1层神经元的个数，每个神经元对应随机生成的Ns-1+1个权重；m为网络输出层；Nm表示第m层神经元数。
Step1：输入层节点数按照如下方式设定
输入层节点个数与土壤墒情有关，本预测模型利用前N个土壤墒情对第N+j(j＝1,…,k)个土壤墒情进行k步预测，所以该模型输入层节点数为N。N应该尽可能大(至少为待预测步长的2倍)这样学习算法才能从足够多的输入中较好的学习时间序列潜在的趋势和变化，保证训练出的模型具有一定的稳定性。
Step2:隐含层数和节点数的确定
利用MLMVN进行非线性时间序列预测时，当网络含有两个隐含层，且第一个隐含层节点数少于第二个隐含层节点数时预测效果较好。因为：1、这使得输入数据被压缩到低维空间随后放大到高维空间，第一个隐含层神经元学习样本中的平均时间序列变化，第二隐含层神经元学习并预测样本中固定的跳跃及转折。2、这样的网络结构相当于建立一个高通过滤器，可以学习到非稳定序列中的波动变化。
Step3：输出层节点个数的确定
本模型MLMVN采用循环预测的方式实现多步预测，所以输出层节点数设置为1，一次预测一个土壤墒情。
240、训练预测模型
目标：利用训练算法，计算在训练停止准则内预测模型中各层之间的连接权重，使得预测模型预测精度达到最佳。
基本思想：
1.设定训练停止准则均方根误差RMSE
2.把转化为复数的训练数据，输入建立好的MLMVN预测模型
3.根据网络误差，利用基于误差纠正的反馈学习算法，不断调整网络权重，使样本误差小于RMSE。
基于误差纠正的反馈学习算法
Step1:根据激活函数计算神经元实际输出
构成MLMVN的神经元MVN的激活函数F的计算公式如(2)：
其中，x1,......,xn为神经元的n个输入，w0,......,wn为随机生成的复数权重，z＝w0+w1x1,......,wnxn为每个神经元输入的权重和，arg(z)为权重和z的幅角，P(z)为神经元的实际输出。
Step2:根据误差纠正规则调整权重
MLMVN的误差纠正学习规则的计算公式如(3)：
其中，wr为第r步得到的权重向量，wr+1为第r+1步的权重向量，Cr为学习率n表示每个神经元有n个输入，为神经元权重误差概率，|zr|为第r步中神经元输入的权重和的模，D为神经元的期望输出，Y＝P(z)为神经元的实际输出，x为神经元输入向量的共轭复数。
对于输出层来说，由于输出层神经元的期望输出已知，可根据期望输出与实际输出来确定误差，而对于隐含层神经元来说期望输出未知，则需要根据误差反向传播确定隐含层神经元的误差。因此对MLMVN中隐含层和输出层神经元的学习规则需要进行进一步修订。在修订之前假设1、网络总误差由造成该误差的所有神经元共享2、网络中某一个神经元的误差由该神经元所有权重误差引起的，且所有权重对误差的贡献率相同。
第一个隐含层各神经元学习规则：
第2个到第m-1隐含层各神经元学习规则：
输出层神经元学习规则：
其中，为第s-1层的第i个神经元实际输出的共轭复数，δjs为第s层的第j个神经元的误差，Ns-1为第s-1层神经元的个数
MLMVN网络利用RMSE作为学习控制条件，即当RMSE达到设定最小值(0.1rad)时检验下一个样本，否则继续调整权重，其中RMSE定义如下
其中，Yi为第i个神经元期望输出，为第i个神经元实际输出测试预测模型：
利用测试数据集，检验训练好的MLMVN模型的一步预测精度。利用循环预测的方法实现多步预测
利用MLMVN进行土壤墒情预测时采用循环预测法，根据已知时间点的数据预测第一个未知数据，这个输出又会变成输入，用以计算第二个未知数据，循环k次，直到预测出k个点的数据。具体计算实现如下：
xn＝f(x0,x1,…,xn-1)
xn+1＝f(x1,x2,…,xn)
.....
xn+j＝f(xj,xj+1,…,xn+j-1), (8)
循环预测示意图如附图(4)，由此，若所述预测时间点为一个，则将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在所述预测时间点的墒情数据。
若预测时间点为两个或者两个以上，则将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在第一预测时间点的墒情数据；
从所述选取的墒情数据以及第一个预测时间点对应的墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；
将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在下一预测时间点的墒情数据。
本发明实施例复数神经元比实数神经元具有更强的功能性，所以由复数神经元构成的复数神经网络具有很强学习和生成能力，非线性函数逼近能力强，擅长学习时间序列中的波动变化，在进行多步预测时误差累计小，这使得进行土壤墒情多步预测时预测精度有所提高。该预测结果可指导相关科学工作人员提前制定合理的中长期节水灌溉策略，在提高农作物生产效益方面有一定的实用性。
对于方法实施方式，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施方式并不受所描述的动作顺序的限制，因为依据本发明实施方式，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施方式均属于优选实施方式，所涉及的动作并不一定是本发明实施方式所必须的。
图5示出了本发明一实施例提供的基于复数神经网络的土壤墒情预测装置的结构示意图，参见图5，该装置包括：获取模块510、选取模块520、转换模块530和预测模块540，其中；
获取模块510，用于获取待预测土壤的历史墒情数据；
选取模块520，用于从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；
转换模块530，用于将选取的墒情数据转换为单位圆上的复数；
预测模块540，用于根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据。
需要说明的是，在对土壤的墒情数据进行预测时，获取模块510获取设置在该土壤中预设采样点位置处的传感器采集的历史墒情数据，并将采集到的数据发送至选取模块520，由选取模块520从中选取出最新的N个时间点对应的墒情数据，并将选取出的数据发送至转换模块530，转换模块530基于上述公式1对墒情数据进行转换处理，获取单位圆上的复数，并将转换获取的复数发送至预测模块540，由预测模块540，根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据。
可见，本实施例通过将数据转换为单位圆上的复数，以转换后的复数土壤墒情作为网络输入，进而降低建模复杂度并提高农田土壤墒情多步预测精度。
本实施例中，所述装置还包括：建模模块；
所述建模模块，用于根据选取的墒情数据的个数确定输入层的节点数；根据输入层的节点数构建多输入单输出的MLMVN神经网络。
在构建模型是，当所述MLMVN神经网络含有两个隐含层时，设置第一隐含层节点数少于第二隐含层节点数。
本实施例中，预测模块540的工作原理如下：
在预测时间点为一个时，将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在所述预测时间点的墒情数据。
在预测时间点为两个或者两个以上，将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在第一预测时间点的墒情数据；从所述选取的墒情数据以及第一个预测时间点对应的墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在下一预测时间点的墒情数据。
对于装置实施方式而言，由于其与方法实施方式基本相似，所以描述的比较简单，相关之处参见方法实施方式的部分说明即可。
应当注意的是，在本发明的装置的各个部件中，根据其要实现的功能而对其中的部件进行了逻辑划分，但是，本发明不受限于此，可以根据需要对各个部件进行重新划分或者组合。
本发明的各个部件实施方式可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本装置中，PC通过实现因特网对设备或者装置远程控制，精准的控制设备或者装置每个操作的步骤。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样实现本发明的程序可以存储在计算机可读介质上，并且程序产生的文件或文档具有可统计性，产生数据报告和cpk报告等，能对功放进行批量测试并统计。应该注意的是上述实施方式对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施方式。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种基于复数神经网络的土壤墒情预测方法，其特征在于，包括：
获取待预测土壤的历史墒情数据；
从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；
将选取的墒情数据转换为单位圆上的复数；
根据转换后的墒情数据和预构建的MLMVN神经网络模型预测待预测土壤在所述预测时间点的墒情数据。
2.根据权利要求1所述的方法，其特征在于，在根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据之前，所述方法还包括：
根据选取的墒情数据的个数确定输入层的节点数；
根据输入层的节点数构建多输入单输出的MLMVN神经网络。
3.根据权利要求2所述的方法，其特征在于，当所述神经网络含有两个隐含层时，设置第一隐含层节点数少于第二隐含层节点数。
4.根据权利要求1所述的方法，其特征在于，所述根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据包括：
若所述预测时间点为一个，则将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在所述预测时间点的墒情数据。
5.根据权利要求4所述的方法，其特征在于，若预测时间点为两个或者两个以上，则将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在第一预测时间点的墒情数据；
从所述选取的墒情数据以及第一个预测时间点对应的墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；
将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在下一预测时间点的墒情数据。
6.一种基于复数神经网络的土壤墒情预测装置，其特征在于，包括：
获取模块，用于获取待预测土壤的历史墒情数据；
选取模块，用于从所述历史墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；
转换模块，用于将选取的墒情数据转换为单位圆上的复数；
预测模块，用于根据转换后的墒情数据和预构建的MLMVN神经网络预测待预测土壤在所述预测时间点的墒情数据。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：建模模块；
所述建模模块，用于根据选取的墒情数据的个数确定输入层的节点数；根据输入层的节点数构建多输入单输出的MLMVN神经网络。
8.根据权利要求7所述的装置，其特征在于，当所述MLMVN神经网络含有两个隐含层时，设置第一隐含层节点数少于第二隐含层节点数。
9.根据权利要求6所述的装置，其特征在于，所述预测模块，用于在预测时间点为一个时，将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在所述预测时间点的墒情数据。
10.根据权利要求9所述的装置，其特征在于，所述预测模块，还用于在预测时间点为两个或者两个以上，将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在第一预测时间点的墒情数据；从所述选取的墒情数据以及第一个预测时间点对应的墒情数据中选取距离预测时间点最近的N个时间点对应的墒情数据；将选取的墒情数据输入至MLMVN神经网络，获取待预测土壤在下一预测时间点的墒情数据。
CN201611039451.1A 2016-11-21 2016-11-21 基于复数神经网络的土壤墒情预测方法及装置 Pending CN106651006A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611039451.1A CN106651006A (zh) 2016-11-21 2016-11-21 基于复数神经网络的土壤墒情预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611039451.1A CN106651006A (zh) 2016-11-21 2016-11-21 基于复数神经网络的土壤墒情预测方法及装置

Publications (1)

Publication Number Publication Date
CN106651006A true CN106651006A (zh) 2017-05-10

Family

ID=58812414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611039451.1A Pending CN106651006A (zh) 2016-11-21 2016-11-21 基于复数神经网络的土壤墒情预测方法及装置

Country Status (1)

Country Link
CN (1) CN106651006A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113533695A (zh) * 2021-07-26 2021-10-22 山东省农业机械科学研究院 一种农田墒情数据估计方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104848901A (zh) * 2015-06-17 2015-08-19 贵州师范学院 一种墒情实时监测和预测系统及其检测方法
CN105184400A (zh) * 2015-08-31 2015-12-23 中国烟草总公司广东省公司 一种烟田土壤水分预测方法
CN105825230A (zh) * 2016-03-15 2016-08-03 中国农业大学 基于深度置信网络模型的土壤墒情预测方法和系统
CN105956715A (zh) * 2016-05-20 2016-09-21 北京邮电大学 一种土壤墒情预测方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104848901A (zh) * 2015-06-17 2015-08-19 贵州师范学院 一种墒情实时监测和预测系统及其检测方法
CN105184400A (zh) * 2015-08-31 2015-12-23 中国烟草总公司广东省公司 一种烟田土壤水分预测方法
CN105825230A (zh) * 2016-03-15 2016-08-03 中国农业大学 基于深度置信网络模型的土壤墒情预测方法和系统
CN105956715A (zh) * 2016-05-20 2016-09-21 北京邮电大学 一种土壤墒情预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
IGOR AIZENBERG: "MLMVN With Soft Margins Learning", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 *
OLGA FINK.ETC.: "Predicting component reliability and level of degradation with complex-valued neural networks", 《RELIABILITY ENGINEERING AND SYSTEM SAFETY》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113533695A (zh) * 2021-07-26 2021-10-22 山东省农业机械科学研究院 一种农田墒情数据估计方法及系统

Similar Documents

Publication Publication Date Title
CN104636801B (zh) 一种基于优化bp神经网络的预测输电线路可听噪声方法
CN109063903A (zh) 一种基于深度强化学习的建筑能耗预测方法及系统
CN107253195B (zh) 一种运载机器人手臂操控自适应混合学习映射智能控制方法及系统
CN103971160B (zh) 基于复杂网络的粒子群优化方法
CN107231436A (zh) 一种进行业务调度的方法和装置
CN104636985A (zh) 一种改进bp神经网络的输电线路无线电干扰预测方法
CN107909227A (zh) 超短期预测风电场功率的方法、装置及风力发电机组
CN106779084A (zh) 机器学习系统及方法
CN104217258B (zh) 一种电力负荷条件密度预测方法
CN103778482A (zh) 基于多尺度分析的水产养殖溶解氧短期预测方法
CN106529818A (zh) 基于模糊小波神经网络的水质评价预测方法
CN108805268A (zh) 基于进化算法的深度强化学习策略网络训练方法
CN104037761B (zh) 一种agc功率多目标随机优化分配方法
CN105512832A (zh) 基于时变权最小方差的城市需水量组合预测方法
CN109934422A (zh) 一种基于时间序列数据分析的神经网络风速预测方法
CN110222908A (zh) 一种基于数据驱动的短期用电量预测方法
CN108898249A (zh) 一种电网故障预测方法
CN109902371A (zh) 一种基于深度强化学习的智能排课方法
CN113471982A (zh) 云边协同与电网隐私保护的分布式电源就地电压控制方法
CN116629461B (zh) 一种主动配电网分布式优化方法、系统、设备及存储介质
CN108826354A (zh) 一种基于强化学习的火电燃烧优化方法
Kaveh et al. Artificial coronary circulation system: A new bio-inspired metaheuristic algorithm
CN107194460A (zh) 金融时间序列预测的量子粒子群优化递归神经网络方法
CN109492768A (zh) 空气质量预测模型训练方法及装置
CN113422371B (zh) 一种基于图卷积神经网络的分布式电源就地电压控制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for 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: 20170510