CN110472840B - 一种基于神经网络技术的农业水利调度方法及系统 - Google Patents
一种基于神经网络技术的农业水利调度方法及系统 Download PDFInfo
- Publication number
- CN110472840B CN110472840B CN201910686618.0A CN201910686618A CN110472840B CN 110472840 B CN110472840 B CN 110472840B CN 201910686618 A CN201910686618 A CN 201910686618A CN 110472840 B CN110472840 B CN 110472840B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- data
- neural network
- agricultural water
- particle
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 99
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005516 engineering process Methods 0.000 title claims abstract description 10
- 239000002245 particle Substances 0.000 claims abstract description 85
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 238000003973 irrigation Methods 0.000 claims abstract description 11
- 230000002262 irrigation Effects 0.000 claims abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000005070 sampling Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 12
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 238000001556 precipitation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 230000004083 survival effect Effects 0.000 claims description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 238000010899 nucleation Methods 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009331 sowing Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009401 outcrossing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
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
- G06N3/004—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
-
- 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
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
Abstract
本发明涉及农业水资源调度领域，尤其涉及一种基于神经网络技术的农业水利调度方法及系统。所述方法包括利用粒子群算法来改进的遗传算法，对农业灌溉区设置多个监测传感器，监测该区域的各类环境数据以及各类作物数据进行处理，从而来优化BP神经网络的初始权值和阈值，建立改进遗传算法的BP神经网络预测模型。通过输出经BP神经网络模型预测的数据来确定该区域农业水利资源调度的方法，实现农业水利资源的合理调度优化和配置。本发明的模型预测输出和实际负荷值拟合度更好，且预测输出稳定性较好，没有出现大幅度的波动，即本发明对农业水资源调度预测更可靠，更有优势。
Description
技术领域
本发明涉及农业水资源调度领域，尤其涉及一种基于神经网络技术的农业水利调度方法及系统。
背景技术
农业在国民经济总用水量中占有很大比重，且农业用水在农业生产中起着十分重要的作用，因此，对农业发展需水量进行估计或对未来农业用水量进行预测，对于合理分配、优化调度有限的水资源，提高水资源利用效率，推动区域农业生产发展具有重要的现实意义。
农业用水量的预测是水资源合理规划和优化配置的重要工作，也是实现农业水利资源优化调度的基础工作。农业用水量的预测就是根据影响农业需水量的因素和指标的发展趋势，对未来农业发展所需的用水量进行定量估算。因为影响农业用水量的因素很多，如农业播种面积、农业播种结构、农业用水价格和天然的降水量等等，农业用水量表现出很大的随机性、波动性和非线性等特征。在现有农业水利资源调度的方法中，特别是广大农村地区，基本属于基于经验人工调度，没有针对局部区域的各种农业数据进行分析预测，有学者提出过一些数学模型，主要有区域水量平衡法、神经网络预测法以及灰色理论法等，各种方法各有利弊。
当前用于农业水利资源预测调度的方法中，都是利用各类数学模型进行农业用水量的预测，但这些模型原理较为复杂，操作较难，相对而言，BP神经网络因对于非线性的负荷数据预测有较好的拟合能力而得到广泛应用，但是BP神经网络不仅计算量大，消耗时间多，也存在一定的缺陷，比如：易陷入局部最小值、收敛速度慢，初始权值、阈值随机赋予和网络训练震荡等，在利用遗传算法改进的神经网络模型对农业用水量进行预测的模型中，由于传统的遗传算法交叉与变异概率是常数，导致在训练过程中，群体易停留在局部最优值，即使预测精度得到提高，但存在局部寻优能力不足，易陷入早期收敛等缺陷；导致农业水利调度不及时，不准确等。
发明内容
为了合理地根据当前地区的近期一个月降水量、年降水量、该区域空气中的温度湿度和二氧化碳浓度、土壤条件(温度、湿度、pH值等)、该区域公共水源总量和区域内水源的数量分布、农作物的类型、播种面积、农作物灌溉方式以及农作物的存活状态和水分含量数据等信息对农业水利资源进行合理优化调度，本发明提出一种基于神经网络技术的农业水资源调度优化方法及系统。
具体的，一种基于神经网络技术的农业水利调度方法及系统，所述方法包括以下步骤：
S1、在农业灌溉区设置多个监测传感器，监测该区域的各类环境数据以及各类作物数据，并对其进行特征提取；
S2、构建BP神经网络模型，输入当前区域的各类环境数据以及各类作物数据，按照设定的初始权值和初始阈值直接预测出当前区域的农业水利的调度数据；
S3、采用遗传算法的方式，将种群个体对应到提取后的特征，设置进化代数计数器t＝0，设置最大进化代数T以及特征种群规模；并随机生成多个特征个体作为初始化的特征种群；
S4、计算出第t代的特征种群中各个特征个体的适应度值；
S5、将不满足收敛条件下的特征个体采用选择、交叉、变异处理，令t＝t+1；再采用粒子群算法进行处理，返回步骤S4，直至其满足收敛条件；在满足收敛条件下，则将具有最大适应度的特征个体作为最优解输出；
S6、将最优解作为该BP神经网络模型优化后的初始权值和优化后的初始阈值，从而优化BP神经网络模型；
S7、输入当前区域的农业水利的真实调度数据；对优化后的BP神经网络模型进行训练，计算出优化模型预测出的当前区域的农业水利的调度数据与该区域的真实调度数据之间的误差；判断误差是否满足设定的误差范围，若误差满足设定的误差范围，则完成训练；否则更新权值以及阈值后继续训练；
S8、输入待预测区域的各类环境数据以及各类作物数据，经过步骤S7完成训练后的BP神经网络模型，输出预测后的待预测区域的农业水利的调度数据；按照该调度数据进行调动，实现农业水利资源的调度优化和配置。
进一步的，所述环境数据包括该区域的近期一个月降水量、年降水量、该区域空气中的温度湿度和二氧化碳浓度、土壤条件(温度、湿度、pH值等)、该区域公共水源总量和区域内水源的数量分布；所述作物数据包括农作物类型、播种面积、农作物灌溉方式以及农作物的存活状态和水分含量数据等。
进一步的，步骤S4中的适应度值的计算公式表示为F＝1/∑(A1-A2)2；A1表示当前区域的农业水利的真实调度数据，A2表示为BP神经网络模型预测出的当前区域的农业水利的调度数据。
所述步骤S5包括以下步骤：
S51、判断特征的适应度值是否满足收敛条件，若满足收敛条件，则以进化过程中得到的具有最大适应度的特征个体作为最优解输出，并进行步骤S6，否则进行步骤S52；
S52、对不满足收敛条件的特征依次进行选择、交叉和变异操作，从而生成下一代的特征种群，令t＝t+1；
S53、根据自适应函数生成抽样概率，并对新生成的特征种群中的特征个体进行抽样；
S54、判断抽样的特征个体是否稳定，若稳定，则对抽样后的特征个体进行粒子群优化调整，形成粒子特征种群，返回步骤S4；否则返回步骤S53，继续对特征种群中的特征个体进行抽样。
进一步的，步骤S52中对个体进行选择、交叉、变异操作包括：
以交叉概率Pc对特征个体进行交叉操作，交叉概率Pc表示为：
以变异概率Pm对特征个体进行变异操作，变异概率Pm表示为：
其中，Pcmax为交叉概率的最大值；Pcmin为交叉概率的最小值；E为最大进化代数；Ei为当前进化代数；A为经验常数；f'为进行交叉操作的两个父辈中适应度值较大的一个；f'avg为种群特征适应度的平均值；fmax为种群特征适应度最大值；Pmmax为变异概率的最大值；Pmmin为变异概率的最小值。
进一步的，步骤S54中的进行粒子群优化调整包括：
S541、根据遗传算法中的交叉变异自适应概率抽样出来的新个体输出是否稳定，设立稳定条件，则进行下一步粒子特征种群优化操作；
S542、进行粒子特征种群优化操作，对步骤S541中满足稳定条件的输出数据进行粒子特征种群初始化，包括粒子特征种群的初始位置和初始速度，设置迭代次数t0＝0、最大迭代次数T0、学习因子c1和c2以及惯性因子ω；
S543、根据粒子群适应度函数评估每个特征粒子的适应度；
S544、对每个特征粒子，将其适应度值与其经过的最好位置pbestk作比较，则将两者中较好的作为当前的最好位置；
S545、对每个特征粒子，将其适应度值与其全局经过的最好位置gbestk作比较则将两者中较好的作为全局的最好位置；
S546、根据以下公式分别更新特征粒子的速度和位置，vk+1＝ωvk+c1(pbestk-xk)+c2(gbestk-xk)；xk+1＝xk+vk+1；
S547、如果达到终止条件t0＝T0，则继续执行下一步，否则跳转回S543；
S548、将上一步中满足终止条件的最优解形成下一代粒子特征种群，并令t0＝t0+1，返回步骤S4；
其中，vk是特征粒子的速度向量，xk是当前特征粒子的位置；pbestk表示特征粒子本身找到的最优解的位置；gbestk表示整个特征种群中目前找到的最优解的位置；T0表示粒子特征种群的代数。
进一步的，所述步骤S6中优化后的BP神经网络模型包括使用3层BP神经网络结构，即输入层，一层隐藏层，和输出层；其中输入层2个节点、隐藏层5个节点、输出层1个节点；隐藏层的节点数目由以下经验公式得到
n1为输入神经元数，m1为输出神经元数，a为1～10之间的常数。
进一步的，步骤S7中所述对BP神经网络模型进行训练包括：
S71、输入BP神经网络的初始参数，初始参数包括优化后的初始权值和优化后的初始阈值；
S72、根据训练数据包，包括输入当前区域各类环境数据以及各类作物数据和当前区域的农业水利的真实调度数据，得到预测数据，即预测出的当前区域的农业水利的调度数据；
S73、计算预测出的当前区域的农业水利的调度数据与当前区域的农业水利的真实调度数据之间的误差，根据该误差反向传播更新权值和阈值；
S74、计算BP神经网络的误差均方和，当该网络的误差均方和属于设定的误差范围或者达到停止条件时，完成训练；否则返回步骤S72。
进一步的，网络的误差均方和表示为：
其中，Yij为第j个神经元的实际输出；yij为第j个神元的预测输出；m为训练样本数；n为BP神经网络的最大迭代次数。
本发明还提出了一种基于神经网络的农业水利调度系统，所述系统包括BP神经网络预测模块、最优初始化权值阈值生成模块以及数据预处理模块；所述最优初始化权值阈值生成模块包括随机生成器、遗传适应度计算器、遗传代数计算器、选择单元、交叉单元、变异单元、自适应概率抽样单元、抽样数据分流器、计数器、粒子适应度计算单元以及粒子优化单元；其中：
所述随机生成器用于生成随机特征个体；
所述遗传适应度计算器用于计算特征个体的适应度；
所述遗传代数计算器用于遗传代数的计数；
所述选择单元用于根据特征个体的适应度值选择出特征个体；
所述交叉单元用于对选择单元选择的特征个体以交叉概率进行交叉操作；
所述变异单元用于对交叉单元输出的特征个体以变异概率进行变异操作并得到下一代特征个体；
所述自适应概率抽样单元用于对变异单元输出的特征个体进行抽样操作；
所述抽样数据分流器用于判断抽样单元抽样的个体是否稳定，若稳定则将数据输入粒子优化单元，否则将反馈给抽样单元重新进行抽样；
所述粒子优化单元用于对抽样单元抽样的特征个体进行粒子优化操作生成下一代粒子化特征个体；
所述计数器用于对粒子化特征个体的代数进行计数，若粒子优化单元输出的粒子化特征个体的代数没有达到最大代数则将个体反馈到粒子适应度计算单元进行迭代，否则将数据输入BP神经网络预测模块作为该模块的初始权值阈值；
所述数据预处理模块用于对输入BP神经网络预测模块进行预测的数据进行归一化处理；
所述BP神经网络预测模块用于根据数据预处理模块的数据作为输入；输出预测的农业水利调度信息。
本发明的有益效果：
本发明针对利用传统的遗传算法对BP神经网络预测模型进行优化时，容易陷入局部寻优能力不足、易陷入早期收敛等缺陷，在利用遗传算法进行交叉变异操作时采用了自适应函数代替传统的常数概率，极大的规避了局部最优解的情况，并利用粒子群优化算法收敛速度快以及具有全局收敛性的特点，提出粒子群算法改进的遗传算法，来优化BP神经网络的初始权值阈值，建立改进遗传算法的BP神经网络预测模型。利用该模型对某一区域的农业用水量数据进行预测，结果表明改进后的模型预测输出和实际负荷值拟合度更好，且预测输出稳定性较好，没有出现大幅度的波动。说明改进后的模型对农业水利资源预测的调度更可靠，更有优势。
附图说明
图1为本发明的一种基于改进神经网络的农业水利调度方法的流程图；
图2为本发明中采用遗传算法方式生成的初始化种群的处理过程图；
图3为本发明优化后的初始权值和优化后的初始阈值的计算过程图；
图4为本发明采用粒子群算法的实施过程图；
图5为本发明对改进神经网络的训练过程图；
图6为本发明采用的BP神经网络的拓扑结构图；
图7为本发明的优选实施例的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
本发明方法是依据改进后的BP神经网络模型对农业用水量进行预测，继而合理规划和优化配置农业水利资源，实现农业水利资源的合理优化调度。包括利用粒子群优化算法和遗传算法对神经网络模型的权值和阈值进行优化，进而输出最优解，如图1所示，具体步骤可参考如下：
步骤S1、在农业灌溉区设置多个监测传感器，监测该区域的各类环境数据以及各类作物数据，并对其进行特征提取；
利用传感器在农业灌溉区设置各个数据监测点，监测数据包括该区域的近期一个月降水量、年降水量、该区域空气中的温度湿度和二氧化碳浓度、土壤条件(温度、湿度、pH值等)、该区域公共水源总量和区域内水源的数量分布、农作物的类型、播种面积、农作物灌溉方式以及农作物的存活状态和水分含量等数据进行特征提取；
例如，本实施例给出某一灌溉区的近期一个月降水量数据，年降水量数据，该区域公共水源总量数据，区域内独立水源数量分布数据，种植农作物的类型数据，其土壤条件数据(湿度、温度、PH值等)，农作物的播种面积和灌溉方式数据，某一类型农作物的需水量数据，以及作物的存活状态数据、作物水分含量数据等表征农作物是否处在缺水状态的一系列指标。
S2、构建BP神经网络模型，输入当前区域的各类环境数据以及各类作物数据，按照设定的初始权值和初始阈值直接预测出当前区域的农业水利的调度数据；
S3、采用遗传算法的方式，将种群个体对应到提取后的特征，设置进化代数计数器t＝0，设置最大进化代数T以及特征种群规模；并随机生成多个特征个体作为初始化的特征种群；
S3、计算出第t代的特征种群中各个特征个体的适应度值；
S4、计算出第t代的特征种群中各个特征个体的适应度值；
S5、将不满足收敛条件下的特征个体采用选择、交叉、变异处理，令t＝t+1；再采用粒子群算法进行处理，返回步骤S4，直至其满足收敛条件；在满足收敛条件下，则将具有最大适应度的特征个体作为最优解输出；
S6、将最优解作为该BP神经网络模型优化后的初始权值和优化后的初始阈值，从而优化BP神经网络模型；
S7、输入当前区域的农业水利的真实调度数据；对优化后的BP神经网络模型进行训练，计算出优化模型预测出的当前区域的农业水利的调度数据与该区域的真实调度数据之间的误差；判断误差是否满足设定的误差范围，若误差满足设定的误差范围，则完成训练；否则更新权值以及阈值后继续训练；
S8、输入待预测区域的各类环境数据以及各类作物数据，经过步骤S7完成训练后的BP神经网络模型，输出预测后的待预测区域的农业水利的调度数据；按照该调度数据进行调动，实现农业水利资源的调度优化和配置。
在一个实施例中，如图2所示，步骤S3可采用以下步骤：
S31、将环境数据以及作物数据进行特征提取，并分别将其作为特征种群的各个个体；
S32、将每个特征种群的特征个体通过二进制编码，即将每个特征个体用一个二进制实数串表示，先对每个个体进行编码，将其合并为一个长串，解码时，再对每个个体进行解码；例如，将外部环境信息数据(土壤条件、近期降水量、水源总量和分布情况、作物类型、播种面积等)进行二进制编码，便于后续的选择、交叉、变异操作。
S33、设置进化代数计数器t＝0，设置最大进化代数T以及种群规模，并随机生成M个特征个体作为初始化特征种群P(0)。
在一个实施例中，如图3所示，步骤S5，也即是在优化BP神经网络模型之前可采用以下步骤：
S51、判断特征的适应度值是否满足收敛条件，若满足收敛条件，则以进化过程中得到的具有最大适应度的特征个体作为最优解输出，并进行步骤S6，否则进行步骤S52；
S52、对不满足收敛条件的特征依次进行选择、交叉和变异操作，从而生成下一代的特征种群，令t＝t+1；
S53、根据自适应函数生成抽样概率，并对新生成的特征种群中的特征个体进行抽样；
S54、判断抽样的特征个体是否稳定，若稳定，则对抽样后的特征个体进行粒子群优化调整，形成粒子特征种群，返回步骤S4；否则返回步骤S53，继续对特征种群中的特征个体进行抽样。
在一个实施例中，如图4所示，步骤S54中的进行粒子群优化调整包括：
S541、根据遗传算法中的交叉变异自适应概率抽样出来的新个体输出是否稳定，设立稳定条件，则进行下一步粒子特征种群优化操作；
S542、进行粒子特征种群优化操作，对步骤S541中满足稳定条件的输出数据进行粒子特征种群初始化，包括粒子特征种群的初始位置和初始速度，设置迭代次数t0＝0、最大迭代次数T0、学习因子c1和c2以及惯性因子ω；
S543、根据粒子群适应度函数评估每个特征粒子的适应度；
S544、对每个特征粒子，将其适应度值与其经过的最好位置pbestk作比较，则将两者中较好的作为当前的最好位置；
S545、对每个特征粒子，将其适应度值与其全局经过的最好位置gbestk作比较则将两者中较好的作为全局的最好位置；
S546、根据以下公式分别更新特征粒子的速度和位置，vk+1＝ωvk+c1(pbestk-xk)+c2(gbestk-xk)；xk+1＝xk+vk+1；
S547、如果达到终止条件t0＝T0，则继续执行下一步，否则跳转回S543；
S548、将上一步中满足终止条件的最优解形成下一代粒子特征种群，并令t0＝t0+1，返回步骤S4；
其中，vk是特征粒子的速度向量，xk是当前特征粒子的位置；pbestk表示特征粒子本身找到的最优解的位置；gbestk表示整个特征种群中目前找到的最优解的位置；T0表示粒子特征种群的代数。
在一个实施例中，如图5所示，本发明的改进神经网络的训练过程可包括：
步骤S7中所述对BP神经网络模型进行训练包括：
S71、输入BP神经网络的初始参数，初始参数包括优化后的初始权值和优化后的初始阈值；
S72、根据训练数据包，包括输入当前区域各类环境数据以及各类作物数据和当前区域的农业水利的真实调度数据，得到预测数据，即预测出的当前区域的农业水利的调度数据；
S73、计算预测出的当前区域的农业水利的调度数据与当前区域的农业水利的真实调度数据之间的误差，根据该误差反向传播更新权值和阈值；
S74、计算BP神经网络的误差均方和，当该网络的误差均方和属于设定的误差范围或者达到停止条件时，完成训练；否则返回步骤S72。
其中，本实施例中是将当前区域的农业水利的真实调度数据作为期望数据值。
上述停止条件一般为BP神经网络中权值和阈值的最大迭代次数，可由人为自行设定。
利用该模型对农业水资源调度数据进行预测时，结果表明改进后的模型预测输出和实际负荷值拟合度更好，且预测输出稳定性较好，没有出现大幅度的波动。
在一个实施例中，所采用的BP神经网络如图6所示，该模型包括使用3层BP神经网络结构，即输入层，一层隐藏层，和输出层；其中输入层包括2个节点、隐藏层包括5个节点、输出层包括1个节点；隐藏层的节点数目由以下经验公式得到
n1为输入神经元数，m1为输出神经元数，a为1～10之间的常数。
将初始训练数据集作为神经网络的输入，即将输入示例提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结果，然后计算输出层的误差，再将误差逆向传播至隐藏层神经元，最后根据隐藏层神经元的误差来对权值和阈值进行调整，该迭代过程循环进行，直到达到停止条件，即一个可以接受的误差范围，输出预测的农业水资源调度信息数据。
在一种实现方式中，作为一种优选实施例，本发明可不限于农业水利调度领域，参考如图7所示，使用本发明提出的方法，可应用于其他数据处理领域，其过程包括：
将农业水利初始信息或其他数据进行特征提取，利用遗传算法进行种群初始化并对个体开始编码，计算每个特征个体的适应度值，判断时候达到收敛条件，对不满足收敛条件的个体进行遗传算法的选择、交叉、变异操作，形成下一代粒子特征种群，并判断连续20代是否满足稳定条件，不满足稳定返回重新抽样，满足稳定的特征个体进行粒子特征种群初始化，通过粒子群的优化算法，得到最优值，将最优个体作为神经网络的权值和阈值，进行BP神经网络模型训练，最后通过输出经模型预测后的农业水利调度信息。
在一个实施例中，稳定条件表示若连续20代最优特征个体适应度值稳定不变或变化在可接受范围内波动。
在一种可实现方式中，本发明还可对农业水资源预测信息进行预处理包括采用最大最小法进行数据归一化处理，表示为：
xk＝(xk-xmin)/(xmax-xmin)
其中，xk表示真实输出数据，xmax表示最大输出数据，xmin表示最小输出数据。
在一个实施例中，本发明的一种基于神经网络的农业水利调度系统，所述系统包括BP神经网络预测模块、最优初始化权值阈值生成模块以及数据预处理模块；所述最优初始化权值阈值生成模块包括随机生成器、遗传适应度计算器、遗传代数计算器、选择单元、交叉单元、变异单元、自适应概率抽样单元、抽样数据分流器、计数器、粒子适应度计算单元以及粒子优化单元；其中：
所述随机生成器用于生成随机特征个体；
所述遗传适应度计算器用于计算特征个体的适应度；
所述遗传代数计算器用于遗传代数的计数；
所述选择单元用于根据特征个体的适应度值选择出特征个体；
所述交叉单元用于对选择单元选择的特征个体以交叉概率进行交叉操作；
所述变异单元用于对交叉单元输出的特征个体以变异概率进行变异操作并得到下一代特征个体；
所述自适应概率抽样单元用于对变异单元输出的特征个体进行抽样操作；
所述抽样数据分流器用于判断抽样单元抽样的个体是否稳定，若稳定则将数据输入粒子优化单元，否则将反馈给抽样单元重新进行抽样；
所述粒子优化单元用于对抽样单元抽样的特征个体进行粒子优化操作生成下一代粒子化特征个体；
所述计数器用于对粒子化特征个体的代数进行计数，若粒子优化单元输出的粒子化特征个体的代数没有达到最大代数则将个体反馈到粒子适应度计算单元进行迭代，否则将数据输入BP神经网络预测模块作为该模块的初始权值阈值；
所述数据预处理模块用于对输入BP神经网络预测模块进行预测的数据进行归一化处理；
所述BP神经网络预测模块用于根据数据预处理模块的数据作为输入；输出预测的农业水利调度信息。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于神经网络技术的农业水利调度方法，其特征在于，所述方法包括以下步骤：
S1、在农业灌溉区设置多个监测传感器，监测当前区域的各类环境数据以及各类作物数据，并对其进行特征提取；
S2、构建BP神经网络模型，输入当前区域的各类环境数据以及各类作物数据，按照设定的初始权值和初始阈值直接预测出当前区域的农业水利的调度数据；
所述各类环境数据包括该区域的近期一个月降水量、年降水量、该区域空气中的温度湿度和二氧化碳浓度、土壤条件、该区域公共水源总量和区域内独立水源的数量分布情况；所述各类作物数据包括农作物类型、播种面积、农作物灌溉方式以及农作物本身的存活状态和水分含量数据；
S3、采用遗传算法的方式，将种群个体对应到提取后的特征，设置进化代数计数器t＝0，设置最大进化代数E以及特征种群规模；并随机生成多个特征个体作为初始化的特征种群；
S4、计算出第t代的特征种群中各个特征个体的适应度值；适应度值的计算公式表示为F＝1/∑(A1-A2)2；A1表示当前区域的农业水利的真实调度数据，A2表示为BP神经网络模型预测出的当前区域的农业水利的调度数据；
S5、将不满足收敛条件下的特征个体采用选择、交叉、变异处理，令t＝t+1；根据交叉变异自适应概率进行抽样,对满足稳定条件的特征个体采用粒子群算法进行处理，否则重新进行选择、交叉、变异处理；经粒子群算法处理后,返回步骤S4，直至其满足收敛条件；在满足收敛条件下，则将具有最大适应度的特征个体作为最优解输出；
S51、判断特征的适应度值是否满足收敛条件，若满足收敛条件，则以进化过程中得到的具有最大适应度的特征个体作为最优解输出，并进行步骤S6，否则进行步骤S52；
S52、对不满足收敛条件的特征依次进行选择、交叉和变异操作，从而生成下一代的特征种群，令t＝t+1；
步骤S52中对个体进行选择、交叉、变异操作包括：
以交叉概率Pc对特征个体进行交叉操作，交叉概率Pc表示为：
以变异概率Pm对特征个体进行变异操作，变异概率Pm表示为：
其中，Pc max为交叉概率的最大值；Pc min为交叉概率的最小值；E为最大进化代数；Ei为当前进化代数；A为经验常数；f'为进行交叉操作的两个父辈中适应度值较大的一个；f'avg为种群特征适应度的平均值；fmax为种群特征适应度最大值；Pm max为变异概率的最大值；Pm min为变异概率的最小值；
S53、根据自适应函数生成抽样概率，并对新生成的特征种群中的特征个体进行抽样；
S54、判断抽样的特征个体是否稳定，若稳定，则对抽样后的特征个体进行粒子群优化调整，形成粒子特征种群，返回步骤S4；否则返回步骤S53，继续对特征种群中的特征个体进行抽样；
步骤S54中的进行粒子群优化调整包括：
S541、根据遗传算法中的交叉变异自适应概率抽样出来的新个体输出是否稳定，设立稳定条件，则进行下一步粒子特征种群优化操作；
S542、进行粒子特征种群优化操作，对步骤S541中满足稳定条件的输出数据进行粒子特征种群初始化，包括粒子特征种群的初始位置和初始速度，设置迭代次数t0＝0、最大迭代次数T0、学习因子c1和c2以及惯性因子ω；
S543、根据粒子群适应度函数评估每个特征粒子的适应度；
S544、对每个特征粒子，将其适应度值与其经过的最好位置pbestk作比较，则将两者中较好的作为当前的最好位置；
S545、对每个特征粒子，将其适应度值与其全局经过的最好位置gbestk作比较则将两者中较好的作为全局的最好位置；
S546、根据以下公式分别更新特征粒子的速度和位置，vk+1＝ωvk+c1(pbestk-xk)+c2(gbestk-xk)；xk+1＝xk+vk+1；
S547、如果达到终止条件t0＝T0，则继续执行下一步，否则跳转回S543；
S548、将上一步中满足终止条件的最优解形成下一代粒子特征种群，并令t0＝t0+1，返回步骤S4；
其中，vk是特征粒子的速度向量，xk是当前特征粒子的位置；pbestk表示特征粒子本身找到的最优解的位置；gbestk表示整个特征种群中目前找到的最优解的位置；T0表示粒子特征种群的代数；
S6、将最优解作为该BP神经网络模型优化后的初始权值和优化后的初始阈值，从而优化BP神经网络模型；
S7、输入当前区域的农业水利的真实调度数据；对优化后的BP神经网络模型进行训练，计算出优化模型预测出的当前区域的农业水利的调度数据与该区域的真实调度数据之间的误差；判断误差是否满足设定的误差范围，若误差满足设定的误差范围，则完成训练；否则更新权值以及阈值后继续训练；
S8、输入待预测区域的各类环境数据以及各类作物数据，经过步骤S7完成训练后的BP神经网络模型，输出预测后的待预测区域的农业水利的调度数据；按照该调度数据进行调动，实现农业水利资源的调度优化和配置。
2.根据权利要求1所述的一种基于神经网络技术的农业水利调度方法，其特征在于，所述步骤S6中优化后的BP神经网络模型包括使用3层BP神经网络结构，即输入层，一层隐藏层，和输出层；其中输入层2个节点、隐藏层5个节点、输出层1个节点；隐藏层的节点数目由以下经验公式得到
n1为输入神经元数，m1为输出神经元数，a为1～10之间的常数。
3.根据权利要求1所述的一种基于神经网络技术的农业水利调度方法，其特征在于，其特征在于，步骤S7中所述对BP神经网络模型进行训练包括：
S71、输入BP神经网络模型的初始参数，初始参数包括优化后的初始权值和优化后的初始阈值；
S72、根据训练数据包，包括输入当前区域各类环境数据以及各类作物数据和当前区域的农业水利的真实调度数据，得到预测数据，即预测出的当前区域的农业水利的调度数据；
S73、计算预测出的当前区域的农业水利的调度数据与当前区域的农业水利的真实调度数据之间的误差，根据该误差反向传播更新权值和阈值；
S74、计算BP神经网络的误差均方和，当该网络的误差均方和属于设定的误差范围或者达到停止条件时，完成训练；否则返回步骤S72。
4.根据权利要求3所述的一种基于神经网络技术的农业水利调度方法，其特征在于，网络的误差均方和表示为：
其中，Yij为第j个神经元的实际输出；yij为第j个神元的预测输出；m为训练样本数；n为BP神经网络的最大迭代次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910686618.0A CN110472840B (zh) | 2019-07-29 | 2019-07-29 | 一种基于神经网络技术的农业水利调度方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910686618.0A CN110472840B (zh) | 2019-07-29 | 2019-07-29 | 一种基于神经网络技术的农业水利调度方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110472840A CN110472840A (zh) | 2019-11-19 |
| CN110472840B true CN110472840B (zh) | 2022-03-22 |
Family
ID=68509028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910686618.0A Active CN110472840B (zh) | 2019-07-29 | 2019-07-29 | 一种基于神经网络技术的农业水利调度方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110472840B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111079996B (zh) * | 2019-12-03 | 2022-09-02 | 国网电力科学研究院有限公司 | 一种基于bp神经网络电力负荷预测的虚拟坐席系统 |
| CN111163430B (zh) * | 2019-12-30 | 2023-11-21 | 上海云瀚科技股份有限公司 | 基于手机基站用户定位数据的水量预测的方法 |
| CN111882041A (zh) * | 2020-07-31 | 2020-11-03 | 国网重庆市电力公司电力科学研究院 | 一种基于改进rnn神经网络的电网攻击检测方法及装置 |
| CN113743788A (zh) * | 2021-09-06 | 2021-12-03 | 爱动超越人工智能科技（北京）有限责任公司 | 一种基于改进遗传算法的工业车辆调度方法 |
| CN114066061B (zh) * | 2021-11-17 | 2024-06-21 | 广东工业大学 | 基于神经网络模型的资源优化配置方法、装置以及设备 |
| CN115879745B (zh) * | 2023-02-23 | 2023-05-09 | 珠海智信佰达科技有限公司 | 一种农业灌溉用水分析调度和业务管理方法及平台 |
| CN117436727A (zh) * | 2023-12-18 | 2024-01-23 | 深圳中科超远科技有限公司 | 一种智能水利调度优化系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105297827A (zh) * | 2015-10-16 | 2016-02-03 | 贵州省水利水电勘测设计研究院 | 一种考虑多用户需水和多水源供水的水资源配置方法 |
| CN105740960A (zh) * | 2014-12-06 | 2016-07-06 | 中国石油化工股份有限公司 | 一种工业加氢裂化反应条件的优化方法 |
| CN106707757A (zh) * | 2017-01-23 | 2017-05-24 | 中国农业大学 | 一种灌水时间动态调控方法及其系统 |
| CN108077042A (zh) * | 2017-12-04 | 2018-05-29 | 北京农业智能装备技术研究中心 | 一种冬小麦全生育期灌溉预警决策方法 |
| CN108781926A (zh) * | 2018-06-14 | 2018-11-13 | 淮安信息职业技术学院 | 基于神经网络预测的大棚灌溉系统及方法 |
| CN109685258A (zh) * | 2018-12-14 | 2019-04-26 | 浪潮软件集团有限公司 | 一种基于大数据的智能灌溉模型优化的方法与系统 |
| CN110047015A (zh) * | 2019-04-22 | 2019-07-23 | 水利部信息中心 | 一种融合kpca和思维优化bp神经网络的用水总量预测方法 |
-
2019
- 2019-07-29 CN CN201910686618.0A patent/CN110472840B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105740960A (zh) * | 2014-12-06 | 2016-07-06 | 中国石油化工股份有限公司 | 一种工业加氢裂化反应条件的优化方法 |
| CN105297827A (zh) * | 2015-10-16 | 2016-02-03 | 贵州省水利水电勘测设计研究院 | 一种考虑多用户需水和多水源供水的水资源配置方法 |
| CN106707757A (zh) * | 2017-01-23 | 2017-05-24 | 中国农业大学 | 一种灌水时间动态调控方法及其系统 |
| CN108077042A (zh) * | 2017-12-04 | 2018-05-29 | 北京农业智能装备技术研究中心 | 一种冬小麦全生育期灌溉预警决策方法 |
| CN108781926A (zh) * | 2018-06-14 | 2018-11-13 | 淮安信息职业技术学院 | 基于神经网络预测的大棚灌溉系统及方法 |
| CN109685258A (zh) * | 2018-12-14 | 2019-04-26 | 浪潮软件集团有限公司 | 一种基于大数据的智能灌溉模型优化的方法与系统 |
| CN110047015A (zh) * | 2019-04-22 | 2019-07-23 | 水利部信息中心 | 一种融合kpca和思维优化bp神经网络的用水总量预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Cyberspace Situational Awareness Framework;M Canan;《Strategic Cyber Defense: A Multidisciplinary Perspective》;20171231;第42～55页 * |
| Economics of reducing fungicide use by weather ~: based disease forecasts for control of Venturia inaequalis in apples;Beresford, R. M.;《New Zealand Journal of Crop and Horticultural Science》;20170131;全文 * |
| regional water resources optimization model based on genetic algorithm;Wang J;《Computer Science》;20161231;全文 * |
| 基于遗传算法和BP神经网络的用水量预测;储诚山;《中国农村水利水电》;20060415;全文 * |
| 节水灌溉智能预测系统构建;杨帆妮;《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》;20180115;第33～45页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110472840A (zh) | 2019-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110472840B (zh) | 一种基于神经网络技术的农业水利调度方法及系统 | |
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN113282122B (zh) | 一种商用建筑能耗预测优化方法及系统 | |
| CN103218669A (zh) | 一种智能的活鱼养殖水质综合预测方法 | |
| CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及系统 | |
| Zhu et al. | Coke price prediction approach based on dense GRU and opposition-based learning salp swarm algorithm | |
| CN104123595A (zh) | 一种配电网负荷预测方法及系统 | |
| CN113361761A (zh) | 一种基于误差修正的短期风电功率集成预测方法及系统 | |
| CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
| Saleh et al. | A prediction of grain yield based on hybrid intelligent algorithm | |
| Liu | Research on the forecast of coal price based on LSTM with improved Adam optimizer | |
| Vasanthkumar et al. | Improving energy consumption prediction for residential buildings using Modified Wild Horse Optimization with Deep Learning model | |
| Li et al. | An Integrated Artificial Neural Network-based Precipitation Revision Model. | |
| Li et al. | Air quality deterministic and probabilistic forecasting system based on hesitant fuzzy sets and nonlinear robust outlier correction | |
| CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
| CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
| WO2024113585A1 (zh) | 一种面向离散制造系统的智能交互式决策方法 | |
| Wu et al. | Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition | |
| Chen et al. | A water-saving irrigation decision-making model for greenhouse tomatoes based on genetic optimization TS fuzzy neural network | |
| Airlangga et al. | Initial machine learning framework development of agriculture cyber physical systems | |
| Yu et al. | Forecasting model of agricultural products prices in wholesale markets based on combined BP neural network-time series model | |
| Xie et al. | Irrigation prediction model with BP neural network improved by genetic algorithm in orchards | |
| Shi et al. | Research on long term load forecasting based on improved genetic neural network | |
| Chen et al. | Prediction model of commercial economic index based on BPNN optimization algorithm |
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 |