CN109583560B - 双变量施肥装置排肥量预测模型的构建方法及装置 - Google Patents

双变量施肥装置排肥量预测模型的构建方法及装置 Download PDF

Info

Publication number
CN109583560B
CN109583560B CN201811427075.2A CN201811427075A CN109583560B CN 109583560 B CN109583560 B CN 109583560B CN 201811427075 A CN201811427075 A CN 201811427075A CN 109583560 B CN109583560 B CN 109583560B
Authority
CN
China
Prior art keywords
fertilizer
matrix
sample data
training
rotating speed
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
Application number
CN201811427075.2A
Other languages
English (en)
Other versions
CN109583560A (zh
Inventor
刘刚
张季琴
胡号
黄家运
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 CN201811427075.2A priority Critical patent/CN109583560B/zh
Publication of CN109583560A publication Critical patent/CN109583560A/zh
Application granted granted Critical
Publication of CN109583560B publication Critical patent/CN109583560B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Abstract

本发明实施例提供一种双变量施肥装置排肥量预测模型的构建方法及装置，所述方法包括：采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由排肥口开度和排肥轴转速组合以及相应的排肥量组成；基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵；基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定广义回归神经网络模型的最佳平滑因子；将所述最佳平滑因子输入所述广义回归神经网络模型进行训练，获得双变量施肥装置排肥量预测模型。本发明实施例可用于对双变量施肥装置排肥口开度、排肥轴转速和排肥量之间的关系进行精确建模。

Description

双变量施肥装置排肥量预测模型的构建方法及装置
技术领域
本发明实施例涉及变量施肥技术领域，更具体地，涉及一种双变量施肥装置排肥量预测模型的构建方法及装置。
背景技术
变量施肥技术能够根据土壤营养状况按需投入肥料，能够有效降低肥料使用，提高作物产量，提高肥料利用率同时减少环境污染，是现代农业发展的重要方向。我国基肥施用多为颗粒肥，且多采用外槽轮排肥方式，只控制排肥轴转速一个变量进行变量施肥存在脉动性、施肥均匀性和准确性较差的问题。
现有技术中已公开了双变量施肥装置，即通过控制外槽轮开度和排肥轴转速两个变量来调整施肥量，以提高施肥均匀性和准确性。实现施肥量精确控制的关键是建立开度、转速和排肥量之间的关系模型，但颗粒肥在肥管中的流动情况复杂，且开度、转速和排肥量之间存在非线性关系，使得利用传统方法建立的开度、转速和排肥量之间的关系模型精度不高。
发明内容
本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的双变量施肥装置排肥量预测模型的构建方法及装置。
第一方面，本发明实施例提供一种双变量施肥装置排肥量预测模型的构建方法，包括：
采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由排肥口开度和排肥轴转速组合以及相应的排肥量组成；
基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵；
基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定广义回归神经网络模型的最佳平滑因子；
将所述最佳平滑因子输入所述广义回归神经网络模型进行训练，获得双变量施肥装置排肥量预测模型。
第二方面，本发明实施例提供一种双变量施肥装置排肥量预测模型的构建装置，包括：
样本获取模块，用于采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由一种排肥口开度和排肥轴转速组合以及相应的排肥量组成；
样本划分模块，用于利用K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵；
迭代寻优模块，用于基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定所述广义回归神经网络模型的最佳平滑因子；
模型确定模块，用于将所述最佳平滑因子输入所述广义回归神经网络模型，获得双变量施肥装置排肥量预测模型。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的双变量施肥装置排肥量预测模型的构建方法及装置，借鉴K折交叉验证思想划分样本集，并通过差分进化算法迭代找到全样本范围内广义回归神经网络模型的最佳平滑因子，可充分利用样本数据，同时减小样本划分差异的影响，可用于对双变量施肥装置排肥口开度、排肥轴转速和排肥量之间的关系进行精确建模，且所建立的模型具有较高的精度和泛化能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的双变量施肥装置排肥量预测模型的构建方法的流程示意图；
图2为根据本发明实施例提供的双变量施肥装置的结构示意图；
图3为根据本发明实施例提供的基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定所述广义回归神经网络模型的最佳平滑因子的步骤的流程示意图；
图4为根据本发明实施例提供的排肥量预测方法的流程示意图；
图5为根据本发明实施提供的双变量施肥装置排肥量预测模型的构建装置的结构示意图；
图6为根据本发明实施例提供的排肥量预测装置的结构示意图；
图7为根据本发明实施例提供的电子设备的实体结构示意图；
附图标记说明：
1——开度控制电机，2——滚珠丝杠，3——排肥开度调节挡板， 4——肥箱，5——外槽轮排肥器，6——速度控制电机，7——弹簧联轴器，8——排肥管。
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作出创造性劳动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。
双变量施肥装置的排肥口开度、排肥轴转速和排肥量之间存在非线性关系，本发明实施例采用广义回归神经网络GRNN(General Regression Neural Network)对其进行建模。广义回归神经网络GRNN 是一种径向基神经网络，其训练过程简单，具有较高的逼近能力、学习速度、鲁棒性和良好的非线性映射能力。GRNN网络对样本划分依赖严重，当训练样本选择不好时，会极大影响其训练精度；同时，平滑因子σ对模型有很大影响：σ选择过大会导致模型精度变差，σ选择过小，模型过拟合，泛化能力变差，如何获取全样本范围内的最佳的平滑因子是提高建模精度和泛化能力的关键。
因此，本发明实施例为了克服GRNN网络对样本划分依赖严重的问题，采用K折(K-fold)交叉验证思想对样本进行划分，以得到稳定可靠的模型。同时，基于差分进化算法DE对GRNN网络的平滑因子进行迭代寻优，以获得最佳平滑因子。差分进化算法DE是一种基于群体的自适应全局优化算法，其具有结构简单、收敛快速、鲁棒性强的特点。采用本发明实施例所提供的方法可建立双变量施肥装置排肥口开度(L)、排肥轴转速(N)和排肥量(Q)之间的关系模型，所建立的模型具有较高的精度和泛化能力。
图1为根据本发明实施例提供的双变量施肥装置排肥量预测模型的构建方法的流程示意图，如图所示，包括：
步骤100、采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由排肥口开度和排肥轴转速组合以及相应的排肥量组成。
具体地，本发明实施例中所述的双变量施肥装置的结构如图2所示，其中，1是开度控制电机，2是滚珠丝杠，3是排肥开度调节挡板， 4是肥箱，5是外槽轮排肥器，6是速度控制电机，7是弹簧联轴器，8 是排肥管。排肥轴转速N的调节通过调整速度控制电机6转速的变化实现，排肥口开度L的调节通过开度控制电机1的正、反转实现，当开度控制电机1转动时，带动滚珠丝杠2转动，并将转动转化为排肥开度调节挡板3的水平向左或向右移动，使得排肥口L增大或者减小。
以排肥口开度L和排肥轴转速N的组合为输入变量，单位时间排肥量Q为输出变量的模型具体为：
f(L，N)＝Q (1)
上述模型即本发明实施例所要构建的双变量施肥装置排肥量预测模型。
为了获得上述模型，首先需要采集样本数据。具体地，采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，例如，利用图2所示的双变量施肥装置，调节排肥口开度L从 10-70mm间隔5mm共13个开度值，排肥轴转速Q从10-60r/min间隔5r/min共11个转速值，采集不同开度和转速组合共计13*11＝143种条件下的每分钟排出肥料的重量，并以此构建样本数据集，其中每个样本数据由排肥口开度和排肥轴转速组合以及相应的排肥量组成，即排肥口开度和排肥轴转速组合作为一组输入变量，对应的排肥量作为输出变量。
步骤101、基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵。
具体地，交叉验证的基本思想是对样本数据集进行分组，一部分作为训练集，另一部分作为验证集，首先利用训练集对模型进行训练，再利用验证集测试训练得到的模型，以此来评价模型的泛化能力。K 折(K-fold)交叉验证的基本思想是指将样本数据集随机划分为不重复的K个子集，取出其中一个子集作为验证集，剩余的样本数据作为训练集进行训练，循环K次，直至遍历完所有的子集。
在本发明实施例中，基于K折交叉验证的思想对样本数据集进行划分，将划分后获得的所有验证集组成一个矩阵，生成验证集矩阵，对应地，将所有训练集组成一个矩阵，生成训练集矩阵。所述验证集矩阵的每行样本数据与所述训练集矩阵的相同行样本数据互补构成完整的样本数据集。
值得说明的是，本发明实施不对生成训练集矩阵和验证集矩阵的先后顺序作限制，即也可以首先生成训练集矩阵，训练集矩阵中每一行元素为K折交叉验证方法划分的一组训练集，共K组，每行有m 个样本，每个样本包含一对输入(L，N)和一个输出值(Q)，样本数据集中除去训练集的其它样本组成对应行的验证集，放入验证集矩阵，每行验证集共n个样本，其中m+n＝r。
采用K折交叉验证方法对所构建的样本数据集进行划分，不仅可以使有限的样本数据得到充分利用，还可以解决广义回归神经网络对样本划分依赖严重的问题，提升训练精度。
步骤102、基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定所述广义回归神经网络模型的最佳平滑因子。
具体地，将所述训练集矩阵和验证集矩阵带入差分进化算法，利用差分进化算法DE对广义回归神经网络模型GRNN的平滑因子进行迭代寻优，确定最佳平滑因子，进而可以得到最优GRNN模型。
所述最佳平滑因子为所述广义回归神经网络模型的误差最小时所对应的平滑因子。
DE迭代能够找到全样本范围内的最佳平滑因子，充分利用了样本数据，同时能够减小GRNN模型对样本划分的差异的影响，提高泛化能力。
步骤103、将所述最佳平滑因子输入所述广义回归神经网络模型进行训练，获得双变量施肥装置排肥量预测模型。
具体地，获得最佳平滑因子之后，将所述最佳平滑因子代入所述广义回归神经网络模型，并基于样本数据集再次进行训练，训练结束后，获得最优的广义回归神经网络模型，也即用于预测拍肥量的双变量施肥装置排肥量预测模型，双变量施肥装置排肥量预测模型以排肥口开度和转速(L，N)为输入，以排肥量(Q)为输出。
本发明实施例提供的双变量施肥装置排肥量预测模型的构建方法，借鉴K折交叉验证思想划分样本集，并通过差分进化算法迭代找到全样本范围内广义回归神经网络模型的最佳平滑因子，可充分利用样本数据，同时减小样本划分差异的影响，可用于对双变量施肥装置排肥口开度、排肥轴转速和排肥量之间的关系进行精确建模，且所建立的模型具有较高的精度和泛化能力。
基于上述实施例的内容，所述基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵的步骤，具体包括：
确定不同排肥口开度和排肥轴转速组合的个数r，并确定K值；
将所述样本数据集划分为K个不相交的子样本数据集，其中每个子样本数据集的样本数据个数为r/K，将每个子样本数据集作为验证集矩阵的一行，生成验证集矩阵；
基于所述样本数据集，将每个子样本数据集所对应的剩余r-r/K个样本数据作为训练集矩阵的一行，生成训练集矩阵。
具体地，不同排肥口开度和排肥轴转速组合的个数r即样本数据集中样本数据的个数。例如，调节排肥口开度L从10-70mm间隔5mm 共13个开度值，排肥轴转速Q从10-60r/min间隔5r/min共11个转速值，采集不同开度和转速组合共计13*11＝143种条件下的每分钟排出肥料的重量，并以此构建样本数据集，所述样本数据集共包含143组样本数据，则r＝143。
K值根据经验进行确定，K为能够被r整除的数。例如，当r＝143 时，K的取值可以为11或13。通常情况下，如果样本数据集相对较小，则增大K值。如果样本数据集相对较大，则减小K值。
K值确定后，将所述样本数据集划分为K个不相交的子样本数据集，其中每个子样本数据集的样本数据个数为r/K，将每个子样本数据集作为验证集矩阵的一行，生成验证集矩阵。
训练集矩阵与所述验证集矩阵互补，即基于所述样本数据集，将每个子样本数据集所对应的剩余r-r/K个样本数据作为训练集矩阵的一行，生成训练集矩阵。
例如，K＝11，r＝143，验证集矩阵中每一行元素为K折交叉验证方法划分的一组子样本数据集，验证集矩阵共11行，每行有r/K＝13 个样本数据，样本中除去验证集的其他样本组成与之对应行的训练集，共11行，每行有r-r/K＝130个样本数据，每个样本数据包含一对输入 (L，N)和一个输出值(Q)。
参见图3，在上述实施例的基础上，所述基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定所述广义回归神经网络模型的最佳平滑因子的步骤，具体为：
步骤300、将所述训练集矩阵中所有排肥口开度和排肥轴转速组合取出构成训练输入矩阵，将所述训练集矩阵中所有排肥量取出构成训练目标矩阵，将所述验证集矩阵中所有排肥口开度和排肥轴转速组合取出构成验证输入矩阵，将所述验证集矩阵中所有排肥量取出构成验证目标矩阵；
具体地，将所述训练集矩阵Strain中所有样本的输入(L，N)取出组成训练输入矩阵Strain_in，输出(Q)取出组成训练目标矩阵Strain_tar；将验证集矩阵Svalidation，中所有样本的输入(L，N)取出构成验证输入矩阵Svalidation_in，将输出(Q)取出组成验证目标矩阵Svalidation_tar。
步骤301、设置初始平滑因子的取值范围，生成初始种群，并进行差分进化算法的初始化设置，包括设置迭代终止条件、种群规模Np、缩放因子F、交叉概率Cr和最大迭代次数G；
步骤302、以所述初始种群为输入，将所述训练输入矩阵和训练目标矩阵输入所述广义回归神经网络模型进行训练，以所述验证输入矩阵作为训练好的广义回归神经网络模型的输入，获得的模型输出组成输出矩阵，以所述输出矩阵与所述验证目标矩阵的差的F范数为适应度函数，求取当前代种群中每个个体的适应度函数值；
以步骤301形成的初始种群为输入，将训练输入矩阵Strain_in和训练目标矩阵Strain_tar输入广义回归神经网络GRNN中进行训练，以验证输入矩阵Svalidation_in作为训练好的GRNN的输入，所有K组样本的模型输出组成输出矩阵Yout，以Yout与验证目标集矩阵Yreal之间差的 F范数为适应度函数，求当前代种群每个个体的适应度函数值。
其中，所述适应度函数具体为：
Figure BDA0001881873540000081
其中，Yout为输出矩阵，Yreal为验证目标矩阵，
Figure BDA0001881873540000082
为所述验证集矩阵中每个样本数据的模型输出值，
Figure BDA0001881873540000083
为所述验证集矩阵中的每个样本数据对应的目标值，也即实际的排肥量Q。
步骤303、判断是否满足迭代终止条件，若满足，则停止迭代，将当前代种群中适应度函数值最小的个体作为最佳平滑因子；或者，若不满足，则对当前代种群进行变异、交叉和选择操作，产生新一代种群，开始进行下一次迭代。
具体地，迭代终止条件为达到预设的精度要求或最大迭代次数。每次计算完当前代种群每个个体的的适应度函数值后，判断是否满足迭代终止条件，若满足，则终止迭代输出最佳平滑因子。
若不满足迭代终止条件，则根据当前待种群中每个个体的适应度函数值，对当前代种群进行变异操作，产生中间向量V，继续进行交叉操作，产生试验向量U，进行选择操作，最终生成新一代种群，迭代代数加一，以新一代种群为输入，重新开始执行步骤302。
基于上述各实施例的内容，所述采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集的步骤，具体为：
对于不同排肥口开度和排肥轴转速组合中的每个组合，采集同一排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量 N次，求取N次排肥量的均值作为所述组合对应的排肥量，并以此构建样本数据集；
其中，N为大于一的自然数。
具体地，对同一排肥口开度和排肥轴转速组合下单位时间内的排肥量进行多次采集取平均值，可以使样本数据更加合理。例如，调节排肥口开度从10-70mm间隔5mm共13个开度值，排肥轴转速从 10-60r/min间隔5r/min共11个转速值，采集不同开度和转速组合共计143种条件下的每分钟排出肥料的重量，每种条件重复3次，取平均值作为当前条件下的排肥量。
为了验证采用本发明实施例提供的构建方法获得的模型与现有技术相比所具有的优势，下面通过将采用本发明实施例提供的构建方法中所建立的双变量施肥装置排肥量预测模型与其它方法建立的模型展开对比研究。具体地，将采用本发明实施例提供的构建方法所建立的双变量施肥装置排肥量预测模型与GRNN模型、DE-GRNN方法的建模结果进行对比。
具体方法如下：
对样本数据集的训练集和验证集进行4次随机划分，产生4种划分结果，分别将训练集和验证集代入GRNN和DE-GRNN以及本发明实施例提出的K-fold-DE-GRNN进行训练，GRNN的spread值取默认值1，DE-GRNN的spread值采用经过DE寻优的spread值0.5136，本方法实施例采用寻优的spread值2.0302。训练完成后，分别用未参与训练的19个样本对三种方法训练的GRNN模型进行测试，对各模型输出值和实际值的均方根误差(RMSE)、平均相对误差(MRE) 进行对比，结果对比如表1所示。
表1建模结果误差对比
Figure BDA0001881873540000101
由表1可以看出基于K-fold-DE-GRNN方法寻优的spread值进行建模的模型无论样本如何划分都具有更小的均方根误差和相对误差。由此可知，本发明实施例提供的双变量施肥装置排肥量预测模型的构建方法(K-fold-DE-GRNN)相比于另外两种建模方法，具有更好的泛化能力和模型精度。
如图4所示，为本发明实施例提供的基于上述各实施例所述方法构建的双变量施肥装置排肥量预测模型的排肥量预测方法的流程示意图，包括：
步骤400、获取待预测的双变量施肥装置的排肥口开度和排肥轴转速组合；
步骤401、将所述排肥口开度和排肥轴转速组合输入所述双变量排肥装置排肥量预测模型中，获得单位时间内的排肥量预测值。
具体地，在获得双变量施肥装置排肥量预测模型之后，可以用该模型来进行排肥量的预测。即可以获取待预测的双变量施肥装置的排肥口开度和排肥轴转速，将其输入至双变量施肥装置排肥量预测模型中，输出单位时间内的排肥量预测值。
本发明实施例提供的基于上述各实施例所述方法构建的双变量施肥装置排肥量预测模型的排肥量预测方法，预测误差小，预测精度高。
如图5所示，为本发明实施提供的双变量施肥装置排肥量预测模型的构建装置的结构示意图，包括：样本获取模块510、样本划分模块520 、迭代寻优模块530和模型确定模块540，其中，
样本获取模块510，用于采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由一种排肥口开度和排肥轴转速组合以及相应的排肥量组成；
样本划分模块520，用于利用K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵；
迭代寻优模块530，用于构建广义回归神经网络模型，并基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定所述广义回归神经网络模型的最佳平滑因子；
模型确定模块540，用于将所述最佳平滑因子输入所述广义回归神经网络模型，获得双变量施肥装置排肥量预测模型。
该装置用于实现前述各实施例中所述的双变量施肥装置排肥量预测模型的构建方法。因此，在前述各实施例中所述的双变量施肥装置排肥量预测模型的构建方法的描述和定义，可以用于本发明实施例中各个执行模块的理解，在此不再赘述。
本发明实施例提供的双变量施肥装置排肥量预测模型的构建装置，借鉴K折交叉验证思想划分样本集，并通过差分进化算法迭代找到全样本范围内广义回归神经网络模型的最佳平滑因子，可充分利用样本数据，同时减小样本划分差异的影响，所建立的模型具有较高的精度和泛化能力。
如图6所示，为本发明实施例提供的基于上述各实施例所述方法构建的双变量施肥装置排肥量预测模型的排肥量预测装置的结构示意图，包括：输入获取模块610和预测模块620，其中，
输入获取模块610，用于获取待预测的双变量施肥装置的排肥口开度和排肥轴转速；
预测模块620，用于将所述排肥口开度和排肥轴转速组合输入所述双变量排肥装置排肥量预测模型中，获得单位时间内的排肥量预测值。
具体地，在获得双变量施肥装置排肥量预测模型之后，可以用该模型来进行排肥量的预测。即输入获取模块610获取待预测的双变量施肥装置的排肥口开度和排肥轴转速，预测模块620将其输入至双变量施肥装置排肥量预测模型中，输出单位时间内的排肥量预测值。
本发明实施例提供的基于上述各实施例所述方法构建的双变量施肥装置排肥量预测模型的排肥量预测装置，预测误差小，预测精度高。
图7为本发明实施例提供的电子设备的实体结构示意图，如图7 所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储在存储器730上并可在处理器710上运行的计算机程序，以执行上述各实施例提供的双变量施肥装置排肥量预测模型的构建方法，例如包括：采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由排肥口开度和排肥轴转速组合以及相应的排肥量组成；基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵；基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定广义回归神经网络模型的最佳平滑因子；将所述最佳平滑因子输入所述广义回归神经网络模型进行训练，获得双变量施肥装置排肥量预测模型。此外，上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各实施例提供的双变量施肥装置排肥量预测模型的构建方法，例如包括：采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由排肥口开度和排肥轴转速组合以及相应的排肥量组成；基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵；基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定广义回归神经网络模型的最佳平滑因子；将所述最佳平滑因子输入所述广义回归神经网络模型进行训练，获得双变量施肥装置排肥量预测模型。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种双变量施肥装置排肥量预测模型的构建方法，其特征在于，包括：
采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由排肥口开度和排肥轴转速组合以及相应的排肥量组成；
基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵；
基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定广义回归神经网络模型的最佳平滑因子；
将所述最佳平滑因子输入所述广义回归神经网络模型进行训练，获得双变量施肥装置排肥量预测模型；
其中，所述基于K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵的步骤，具体为：
确定不同排肥口开度和排肥轴转速组合的个数r，并确定K值，K为能够被r整除的数；
将所述样本数据集划分为K个不相交的子样本数据集，其中每个子样本数据集的样本数据个数为r/K，将每个子样本数据集作为验证集矩阵的一行，生成验证集矩阵；
基于所述样本数据集，将每个子样本数据集所对应的剩余r-r/K个样本数据作为训练集矩阵的一行，生成训练集矩阵；
其中，所述基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定所述广义回归神经网络模型的最佳平滑因子的步骤，具体为：
将所述训练集矩阵中所有排肥口开度和排肥轴转速组合取出构成训练输入矩阵，将所述训练集矩阵中所有排肥量取出构成训练目标矩阵，将所述验证集矩阵中所有排肥口开度和排肥轴转速组合取出构成验证输入矩阵，将所述验证集矩阵中所有排肥量取出构成验证目标矩阵；
设置初始平滑因子的取值范围，生成初始种群，并进行差分进化算法的初始化设置，包括设置迭代终止条件、种群规模、缩放因子、交叉概率和最大迭代次数；
以所述初始种群为输入，将所述训练输入矩阵和训练目标矩阵输入所述广义回归神经网络模型进行训练，以所述验证输入矩阵作为训练好的广义回归神经网络模型的输入，获得的模型输出组成输出矩阵，以所述输出矩阵与所述验证目标矩阵的差的F范数为适应度函数，求取当前代种群中每个个体的适应度函数值；
判断是否满足迭代终止条件，若满足，则停止迭代，将当前代种群中适应度函数值最小的个体作为最佳平滑因子；或者，若不满足，则对当前代种群进行变异、交叉和选择操作，产生新一代种群，开始进行下一次迭代；
其中，所述适应度函数具体为：
Figure FDA0002567541160000021
其中，Yout为输出矩阵，Yreal为验证目标矩阵，
Figure FDA0002567541160000022
为所述验证集矩阵中每个样本数据的模型输出值，
Figure FDA0002567541160000023
为所述验证集矩阵中的每个样本数据对应的目标值。
2.根据权利要求1所述的方法，其特征在于，所述采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集的步骤，具体为：
对于不同排肥口开度和排肥轴转速组合中的每个组合，采集同一排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量N次，求取N次排肥量的均值作为所述组合对应的排肥量，并以此构建样本数据集；
其中，N为大于一的自然数。
3.一种基于如权利要求1-2任一所述方法构建的双变量施肥装置排肥量预测模型的排肥量预测方法，其特征在于，包括：
获取待预测的双变量施肥装置的排肥口开度和排肥轴转速组合；
将所述排肥口开度和排肥轴转速组合输入所述双变量排肥装置排肥量预测模型中，获得单位时间内的排肥量预测值。
4.一种双变量施肥装置排肥量预测模型的构建装置，其特征在于，包括：
样本获取模块，用于采集不同排肥口开度和排肥轴转速组合下双变量施肥装置单位时间内的排肥量，并以此构建样本数据集，其中每个样本数据由一种排肥口开度和排肥轴转速组合以及相应的排肥量组成；
样本划分模块，用于利用K折交叉验证方法对所述样本数据集进行划分，生成训练集矩阵和验证集矩阵；
迭代寻优模块，用于基于所述训练集矩阵和验证集矩阵，利用差分进化算法确定广义回归神经网络模型的最佳平滑因子；
模型确定模块，用于将所述最佳平滑因子输入所述广义回归神经网络模型，获得双变量施肥装置排肥量预测模型；
其中，所述样本划分模块具体用于：
确定不同排肥口开度和排肥轴转速组合的个数r，并确定K值，K为能够被r整除的数；
将所述样本数据集划分为K个不相交的子样本数据集，其中每个子样本数据集的样本数据个数为r/K，将每个子样本数据集作为验证集矩阵的一行，生成验证集矩阵；
基于所述样本数据集，将每个子样本数据集所对应的剩余r-r/K个样本数据作为训练集矩阵的一行，生成训练集矩阵；
其中，所述迭代寻优模块，具体用于：
将所述训练集矩阵中所有排肥口开度和排肥轴转速组合取出构成训练输入矩阵，将所述训练集矩阵中所有排肥量取出构成训练目标矩阵，将所述验证集矩阵中所有排肥口开度和排肥轴转速组合取出构成验证输入矩阵，将所述验证集矩阵中所有排肥量取出构成验证目标矩阵；
设置初始平滑因子的取值范围，生成初始种群，并进行差分进化算法的初始化设置，包括设置迭代终止条件、种群规模、缩放因子、交叉概率和最大迭代次数；
以所述初始种群为输入，将所述训练输入矩阵和训练目标矩阵输入所述广义回归神经网络模型进行训练，以所述验证输入矩阵作为训练好的广义回归神经网络模型的输入，获得的模型输出组成输出矩阵，以所述输出矩阵与所述验证目标矩阵的差的F范数为适应度函数，求取当前代种群中每个个体的适应度函数值；
判断是否满足迭代终止条件，若满足，则停止迭代，将当前代种群中适应度函数值最小的个体作为最佳平滑因子；或者，若不满足，则对当前代种群进行变异、交叉和选择操作，产生新一代种群，开始进行下一次迭代；
其中，所述适应度函数具体为：
Figure FDA0002567541160000041
其中，Yout为输出矩阵，Yreal为验证目标矩阵，
Figure FDA0002567541160000042
为所述验证集矩阵中每个样本数据的模型输出值，
Figure FDA0002567541160000043
为所述验证集矩阵中的每个样本数据对应的目标值。
5.一种基于如权利要求1-2任一所述方法构建的双变量施肥装置排肥量预测模型的排肥量预测装置，其特征在于，包括：
输入获取模块，用于获取待预测的双变量施肥装置的排肥口开度和排肥轴转速；
预测模块，用于将所述排肥口开度和排肥轴转速组合输入所述双变量排肥装置排肥量预测模型中，获得单位时间内的排肥量预测值。
6.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述处理器通信连接的至少一个存储器，其中：
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至2任一所述的方法。
7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至2任一所述的方法。
CN201811427075.2A 2018-11-27 2018-11-27 双变量施肥装置排肥量预测模型的构建方法及装置 Active CN109583560B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811427075.2A CN109583560B (zh) 2018-11-27 2018-11-27 双变量施肥装置排肥量预测模型的构建方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811427075.2A CN109583560B (zh) 2018-11-27 2018-11-27 双变量施肥装置排肥量预测模型的构建方法及装置

Publications (2)

Publication Number Publication Date
CN109583560A CN109583560A (zh) 2019-04-05
CN109583560B true CN109583560B (zh) 2020-10-30

Family

ID=65925041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811427075.2A Active CN109583560B (zh) 2018-11-27 2018-11-27 双变量施肥装置排肥量预测模型的构建方法及装置

Country Status (1)

Country Link
CN (1) CN109583560B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111504635B (zh) * 2020-04-21 2022-02-25 哈尔滨理工大学 基于差分进化概率神经网络的行星齿轮故障诊断方法
CN113223633B (zh) * 2021-03-13 2024-04-05 宁波大学科学技术学院 一种基于宽度grnn模型的造纸过程排污口水质预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916075A (zh) * 2010-07-20 2010-12-15 上海交通大学 开度转速双变量播种施肥机的排肥量误差补偿控制系统
CN108154267A (zh) * 2017-12-25 2018-06-12 深圳春沐源控股有限公司 一种施肥机的肥料参数调整方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916075A (zh) * 2010-07-20 2010-12-15 上海交通大学 开度转速双变量播种施肥机的排肥量误差补偿控制系统
CN108154267A (zh) * 2017-12-25 2018-06-12 深圳春沐源控股有限公司 一种施肥机的肥料参数调整方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于广义回归网络-改进差分进化算法的污闪电压预测研究;帅海燕等;《电力系统保护与控制》;20101001;第107-113页 *
广义回归神经网络模型在短期电力负荷预测中的应用研究;谷志红等;《中国电力》;20060430;第11-14页 *

Also Published As

Publication number Publication date
CN109583560A (zh) 2019-04-05

Similar Documents

Publication Publication Date Title
CN108520325B (zh) 一种基于多变环境下加速退化数据的集成寿命预测方法
CN108021773B (zh) 基于dss数据库的分布式水文模型多场次洪水参数率定方法
CN102075352A (zh) 一种网络用户行为预测的方法和装置
CN109583560B (zh) 双变量施肥装置排肥量预测模型的构建方法及装置
CN111027732B (zh) 一种多风电场出力场景的生成方法及系统
CN105184367A (zh) 深度神经网络的模型参数训练方法及系统
CN106600001B (zh) 基于混合高斯分布相关学习机的玻璃窑炉温度预报方法
CN112818588B (zh) 一种电力系统的最优潮流计算方法、装置及存储介质
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
CN105427241A (zh) 一种大视场显示设备的畸变校正方法
CN107457780A (zh) 控制机械臂运动的方法及装置、存储介质和终端设备
CN107919983A (zh) 一种基于数据挖掘的天基信息网络效能评估系统及方法
CN108304925A (zh) 一种池化计算装置及方法
CN103106331A (zh) 基于降维和增量式极限学习机的光刻线宽智能预测方法
CN112163671A (zh) 一种新能源场景生成方法及系统
CN114880806A (zh) 基于粒子群优化的新能源汽车销量预测模型参数优化方法
CN111914488A (zh) 一种基于对抗神经网络的有资料地区水文参数率定方法
CN109323677A (zh) 改进布谷鸟搜索算法的圆度误差评定算法
CN114298319A (zh) 联合学习贡献值的确定方法、装置、电子设备及存储介质
CN111914487B (zh) 一种基于对抗神经网络的无资料地区水文参数率定方法
CN107944552A (zh) 一种基于Elman神经网络的工业物联网参数预测方法
CN113759709A (zh) 策略模型的训练方法、装置、电子设备和存储介质
CN110866608B (zh) 一种自适应学习率计算方法
CN109696831B (zh) 双变量施肥装置的控制序列优化方法及装置
CN113111588A (zh) 一种燃气轮机nox排放浓度预测方法及装置

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
GR01 Patent grant
GR01 Patent grant