CN112085348A - 基于模糊神经网络的土壤肥力评估方法 - Google Patents
基于模糊神经网络的土壤肥力评估方法 Download PDFInfo
- Publication number
- CN112085348A CN112085348A CN202010837696.9A CN202010837696A CN112085348A CN 112085348 A CN112085348 A CN 112085348A CN 202010837696 A CN202010837696 A CN 202010837696A CN 112085348 A CN112085348 A CN 112085348A
- Authority
- CN
- China
- Prior art keywords
- soil
- node
- value
- output
- index
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 113
- 230000035558 fertility Effects 0.000 title claims abstract description 80
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 53
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000000126 substance Substances 0.000 claims description 22
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 18
- 230000000875 corresponding effect Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 229910052757 nitrogen Inorganic materials 0.000 claims description 9
- 238000005341 cation exchange Methods 0.000 claims description 8
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 6
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 235000015097 nutrients Nutrition 0.000 claims description 6
- 229910052698 phosphorus Inorganic materials 0.000 claims description 6
- 239000011574 phosphorus Substances 0.000 claims description 6
- 239000011591 potassium Substances 0.000 claims description 6
- 229910052700 potassium Inorganic materials 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 239000004016 soil organic matter Substances 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000009466 transformation 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/045—Combinations of 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于模糊神经网络的土壤肥力评估方法。现有方法测量步骤多、效率低、成本高。本发明方法首先构建土壤肥力评价指标体系,对数据进行预处理,设定语言变量矩阵,确定输出量作为TS模糊神经网络第一次学习的初值,将输入向量代入每一条模糊规则,计算每个规则对应的适应度,得到对应于输入向量的加权平均输出,利用迭代优化的方法确定参数,并对输出误差添加矫正回路,达到矫正回路学习次数上限后,输出经过神经网络学习后的最终肥力评估值以及最终误差。本发明方法将误差用矫正回路进行学习,使得肥力评估精度比一般的TS模糊神经网络更高。本发明方法所需土壤参数测量指标较少,具有较高的肥力评估精确度。
Description
技术领域
本发明属于计算机技术领域,涉及一种利用模糊神经网络,能够减少土壤参数测量指标,并保证精度的土壤肥力评估方法。
背景技术
土壤状况是关系到农业生产以及土地资源的重要因素之一,因此对土壤的各项参数进行检测是十分必要的。现有的土壤肥力评估往往以灰色关联法,模糊综合评判法等综合赋权评价为主。这些方法虽然能够保证足够高的精度,但是所需土壤参数测量指标过多,需要利用多种化学实验测量土壤中的有机物含量,测量步骤多,效率低,经济成本高。
部分土壤肥力测量方法直接采用电导率进行评估肥力,虽然测量成本低,但电导率并不能全面地反映肥力状况,精度不够。因此需要提出一种所需测量参数少,精度高,测量效率高,经济成本低的土壤评价方法。
发明内容
本发明的目的在于提供一种基于模糊神经网络的土壤肥力评估方法,该方法所需评价指标少,对土壤肥力的评估精度高,实现对土壤肥力的经济,高效测量。
本发明通过以下方案予以实现:
步骤(1).构建土壤肥力评价指标体系:土壤肥力评价指标包括土壤化学性状指标和土壤养分状况指标;土壤化学性状指标包括土壤阳离子交换量、土壤pH值;土壤养分状况指标包括土壤全钾含量、土壤全氮含量、土壤全磷含量、土壤有机质含量等。
首先为了保证评估精度,需要构建较为完善的土壤肥力评价体系;接着,通过相关性分析,并结合不同指标测量的难易程度及成本,选取便于测量,且能够反映土壤状况的指标,继而搜集足够的样本数据。
步骤(2).数据预处理:土壤肥力评价问题是多指标模式识别问题,采用TS(Takagi-Sugeno)型模糊神经网络进行综合评估,并对网络进行训练,提高精度。采用TS模糊神经网络需要将测量值通过归一化转化到在[-1,1]中的对应值,第s项指标的任意一个测量值为X(s):
步骤(3).设定语言变量矩阵Ai,j表示第i条模糊规则Ri中,第j个输入量对应的语言变量,i=1,2,…,I,j=1,2,…,J,I为模糊规则数量,J为一个模糊规则的输入量数量。语言变量通常指对输入量的定性评价。
步骤(4).利用输出量与输入量之间的线性关系,确定输出量,作为TS模糊神经网络第一次学习的初值:
对于第j个输入量,其所含语言变量的总数为rj,则模糊规则总数将输入变量进行如下线性组合,确定输出变量yi,即对于Ri有:当x1为Ai,1,且x2为Ai,2,x3为Ai,3,…,xJ为Ai,J时,则yi表达为:pi,j表示第i条模糊规则的输出量的线性表达式中第j个输入量的系数,pi,0为常数项。pi,j通过不断学习迭代得到,迭代的第一步pi,j取0~0.3任意值,得到初步的输出量yi。
步骤(7).根据适应度wi以及输出量yi,求出对应于输入向量的加权平均输出y:
步骤(8).利用迭代优化的方法确定参数:采用梯度下降的参数pi,j学习算法,得到使误差最小;同样利用梯度算法,迭代优化参数ci,j和σi,j,重复步骤(4)~(7),直到达到设定的学习次数上限,输出第l个样本的最后一次迭代得到的肥力状况yl′。
Yl通过土壤科学数据库获得土壤氮、磷、钾、有机质含量,通过灰色关联法进行计算得到。用于验证的肥力值表达式为其中,al,r表示第l个样本的第r个评价指标归一化后的数值,ωr表示第l个样本的第r个评价指标对应的权重,M表示用于检验的肥力评价体系中的指标总数。
灰色关联法具体如下:
首先对指标的测量值进行归一化处理:
若指标与土壤肥力呈正相关,则若指标与土壤肥力呈负相关,则al,r′为第l个样本的第r个评价指标的真实测量值;关联系数第l个样本第r个评价指标与母指标的差值Δl(r)=|al,r-al,M|,r=1,2,…,M,al,M为经过归一化后的母指标的数值,母指标被认为是评价土壤肥力最重要的指标。
采用基于梯度下降的迭代学习算法优化参数pi,j:
参数ci,j和σi,j通过一阶梯度寻优算法进行迭代:
参数ci,j和σi,j的初值是1~2中的随机数,α为大于0的常数。
步骤(9).达到学习次数上限后,对输出误差添加矫正回路;矫正回路采用双隐含层BP神经网络,对第l个样本的输出误差εl进行学习,其中yl′为达到学习次数上限时,输出的第l个样本的肥力评估值,Yl为用灰色关联法得到的第l个样本用于验证的肥力值;在该网络中,从第一隐含层最上方的节点开始以N字型的顺序对全部节点逐个标号,从1开始,直到包含输出节点在内的节点总数H。第一隐含层节点数为T1,第二隐含层节点数为T2,第H个节点为输出节点,其对样本误差的学习偏差δH=εl-OH,OH为输出节点的输出值:fH(uH)为sigmoid函数,即uH为代换变量,vtH和θtH分别为第t个节点与输出节点之间的权重和阈值。
第t个节点为位于第二隐含层上的节点,T1<t≤T1+T2;第t′个节点为位于第一隐含层上的节点,1≤t′≤T1;第t′个节点的输出xb表示第b个输入量经归一化后的数值;其中,vbt′和θbt′表示连接输入层中第b个节点与第t′个节点之间的权重和阈值,1≤b≤J。
步骤(10).达到矫正回路学习次数上限K′后,输出经过神经网络学习后的最终肥力值以及最终误差,K′=5000~15000;
对于第b个输入节点与第t′个节点之间的权重vbt′和阈值θbt′的迭代表达式为:
对于第t′个输入节点与第t个节点之间的权重vt′t和阈值θt′t的迭代表达式为:
对于输出层与第t个节点之间的权重vtH和阈值θtH的迭代表达式为:
其中,εl为第l个样本的误差。δH为矫正回路中输出节点的误差。达到学习次数上限后,返回输出节点H的最后输出值OH′,作为经过BP神经网络矫正后的第l个样本的误差εl′。对于第l个样本,其最终的肥力评估值
本发明方法所需土壤参数测量指标较少,具有较高的肥力评估精确度。本发明方法通过模糊神经网络,建立了评价指标与肥力之间的关系,利用模糊规则可以减少在建立数学模型上的困难,利用神经网络不断学习的特点可以提高评估精度。相比于传统的TS模糊神经网络,本发明增加了矫正回路,将误差用矫正回路进行学习,使得肥力评估精度比一般的TS模糊神经网络更高。
具体实施方式
为了更加清楚地描述,对本发明实施例中的技术方案进行详细介绍。
基于模糊神经网络的土壤肥力评估方法,具体步骤是:
步骤(1).以黑色系的土壤,如黑壤、棕壤为例,进行评价并构建指标体系。构建土壤肥力评价指标体系:土壤肥力评价指标包括土壤化学性状指标和土壤养分状况指标;土壤化学性状指标包括土壤阳离子交换量、土壤pH值;土壤养分状况指标包括土壤全钾含量、土壤全氮含量、土壤全磷含量、土壤有机质含量等。
为了保证评估精度,需要构建较为完善的土壤肥力评价体系;通过相关性分析,并结合不同指标测量的难易程度及成本,选取便于测量,且能够反映土壤状况的指标,继而搜集足够的样本数据。
首先需要得出一个较为精确的肥力值,从土壤科学数据库中搜集100种土壤样本数据,运用灰色关联法得到第l个土壤样本的肥力评分Yl。具体的评价体系达式为:其中,ωr表示第r项指标的权重,alr表示第l个样本中经过归一化处理后的第r项指标数值,其中土壤中的有机质含量为母指标。指标体系中共有6个指标,指标最大数目M=6。
灰色关联法的具体步骤为:
用SPSS软件中的相关性分析模块,得到全部指标与肥力评分之间的皮尔逊相关系数如表1所示:
表1土壤评价指标相关性与显著性分析表
土壤pH值 | 全钾含量 | 全磷含量 | |
相关系数 | -0.348 | 0.306 | 0.134 |
p值(显著性) | 0.037 | 0.069 | 0.436 |
阳离子交换量 | 全氮含量 | 有机物含量 | |
相关系数 | 0.491 | 0.661 | 0.693 |
p值(显著性) | 0.002 | 0.001 | 0.001 |
结合指标的测量成本与测量精度,最终选定土壤阳离子交换量、土壤pH、土壤全氮含量作为评估指标。
步骤(2)、数据预处理。对于pH值,由于其与肥力之间呈现倒“U”型的关系,代入线性表达式前,需要进行转换:X1=|x1′-7|,x1′为测量得到的土壤pH值。将测量值通过归一化转化到在[-1,1]中的对应值,若第k项指标的任意一个测量值为X(k),则归一化后的输入量的值X(k) max和X(k) min为输入的第k个指标的所有样本数据中的最大值与最小值。X(2)为土壤阳离子交换量的测量值,X(3)为土壤全氮含量测量值。对pH值进行转换时,转换公式为:X(1) max和X(1) min为输入的土壤pH指标中所有样本数据中的最大值与最小值。
步骤(3)、设定语言变量矩阵A。对于输入量pH而言,语言变量可以为“强酸性”,“适宜”等,构建得到评价体系中的所有指标语言变量如表2所示:
表2土壤评价体系语言变量表
土壤pH | 阳离子交换量 | 全N含量 |
强酸性 | 高 | 非常高 |
酸性 | 较高 | 高 |
弱酸性 | 良好 | 较高 |
适宜 | 中等 | 中等 |
弱碱性 | 偏差 | 较低 |
碱性 | 较低 | 低 |
强碱性 | 低 | 很低 |
根据语言变量表可知,共有343条模糊规则。
步骤(4)、利用输出量与输入量之间的线性关系,确定输出量,作为TS模糊神经网络第一次学习的初值。
pi,j表示第i条模糊规则的输出量的线性表达式中第j个输入量的系数,pi,0为常数项。pi,j通过不断学习迭代得到,迭代的第一步pi,j取0~0.3任意值,得到初步的输出量yi。
步骤(7).根据适应度wi以及输出量yi,求出对应于输入向量的加权平均输出y:
步骤(8).利用迭代优化的方法确定参数:采用梯度下降的参数pi,j学习算法,得到使误差最小;同样利用梯度算法,迭代优化参数ci,j和σi,j,重复步骤(4)~(7),直到达到设定的学习次数上限,输出第l个样本的最后一次迭代得到的肥力状况yl′。
对于参数pi,j的迭代学习算法,则需要以输出误差最小为目标,设输入的训练样本数为100,则第l个输入向量第l个样本在第n次迭代时经神经网络输出的肥力值为yl(n),对应的用于验证的肥力值为Yl,则在第n次迭代时,对全部样本进行学习的总误差:
采用基于梯度下降的参数pi,j的迭代学习算法,计算总误差随pi,j变化的梯度:
这里的总误差E是随迭代次数k增加而变化的函数。
参数ci,j和σi,j通过一阶梯度寻优算法进行迭代:
参数ci,j和σi,j的初值是1~2中的随机数。
步骤(9).达到学习次数上限后,对输出误差添加矫正回路;矫正回路采用双隐含层BP神经网络,对第l个样本的输出误差εl进行学习,其中yl′为达到学习次数上限时,输出的第l个样本的肥力评估值,Yl为用灰色关联法得到的第l个样本用于验证的肥力值;在该网络中,从第一隐含层最上方的节点开始以N字型的顺序对全部节点逐个标号,从1开始,直到包含输出节点在内的节点总数16。第一隐含层节点数为9,第二隐含层节点数为6,第16个节点为输出节点,其对样本误差的学习偏差δ16=εl-O16,O16为输出节点的输出值:f16(u16)为sigmoid函数,即u16为代换变量,vt16和θt16分别为第t个节点与输出节点之间的权重和阈值。
第t个节点为位于第二隐含层上的节点,9<t≤15;第t′个节点为位于第一隐含层上的节点,1≤t′≤9;第t′个节点的输出xb表示第b个输入量经归一化后的数值;其中,vbt′和θbt′表示连接输入层中第b个节点与第t′个节点之间的权重和阈值,1≤b≤3。
步骤(10).达到矫正回路学习次数上限K′后,输出经过神经网络学习后的最终肥力值以及最终误差,K′=5000~15000;
对于第b个输入节点与第t′个节点之间的权重vbt′和阈值θbt′的迭代表达式为:
对于第t′个输入节点与第t个节点之间的权重vt′t和阈值θt′t的迭代表达式为:
对于输出层与第t个节点之间的权重vt16和阈值θt16的迭代表达式为:
其中,εl为第l个样本的误差。δ16为矫正回路中输出节点的误差。达到学习次数上限后,返回输出节点的最后输出值O16′,作为经过BP神经网络矫正后的第l个样本的误差εl′。对于第l个样本,其最终的肥力评估值TS模糊神经网络学习精度如表3所示:
表3矫正前后TS模糊神经网络的误差
TS模糊神经网络 | 含有矫正网络的TS模糊神经网络 | |
训练误差 | 6.95% | 4.51% |
测试误差 | 8.85% | 5.74% |
训练误差中的学习样本数为100种黑壤与棕壤,测试样本为14种黑壤与棕壤。本发明将测量指标从6个缩减为3个,节省了经济成本且提高了测量效率,精度达到原来的综合评判法的94.26%,说明土壤肥力评估的准确性也得到了保证。
Claims (10)
1.基于模糊神经网络的土壤肥力评估方法,其特征在于,该方法具体是:
步骤(1).构建土壤肥力评价指标体系:土壤肥力评价指标包括土壤化学性状指标和土壤养分状况指标;
步骤(2).数据预处理,采用TS模糊神经网络进行综合评估,并对网络进行训练;
步骤(3).设定语言变量矩阵A;
步骤(4).利用输出量与输入量之间的线性关系确定输出量,作为TS模糊神经网络第一次学习的初值;
步骤(7).根据适应度wi以及输出量yi,求出对应于输入向量的加权平均输出y:
步骤(8).利用迭代优化的方法确定参数;
步骤(9).达到学习次数上限后,对输出误差添加矫正回路;
步骤(10).达到矫正回路学习次数上限K′后,输出经过神经网络学习后的最终肥力评估值以及最终误差。
2.如权利要求1所述的基于模糊神经网络的土壤肥力评估方法,其特征在于,步骤(1)中所述的土壤化学性状指标包括土壤阳离子交换量、土壤pH值;所述的土壤养分状况指标包括土壤全钾含量、土壤全氮含量、土壤全磷含量、土壤有机质含量。
6.如权利要求5所述的基于模糊神经网络的土壤肥力评估方法,其特征在于,步骤(8)具体是:采用梯度下降的参数pi,j学习算法,得到使误差最小;同样利用梯度算法,迭代优化参数ci,j和σi,j,重复步骤(4)~(7),直到达到设定的迭代学习次数上限K,输出第l个样本的最后一次迭代得到的肥力状况yl′;
在迭代结束前,第l个样本在第n次迭代时经神经网络输出的肥力值为yl(n),对应的用于验证的肥力值为Yl,则在第n次迭代时,对全部样本进行学习的总误差:
Yl通过土壤科学数据库获得土壤氮、磷、钾、有机质含量,通过灰色关联法进行计算得到;用于验证的肥力值表达式为其中,al,r表示第l个样本的第r个评价指标归一化后的数值,ωr表示第l个样本的第r个评价指标对应的权重,M表示用于检验的肥力评价体系中的指标总数;
灰色关联法具体如下:
首先对指标的测量值进行归一化处理:
若指标与土壤肥力呈正相关,则若指标与土壤肥力呈负相关,则al,r′为第l个样本的第r个评价指标的真实测量值;关联系数第l个样本第r个评价指标与母指标的差值Δl(r)=|al,r-al,M|,r=1,2,…,M,al,M为经过归一化后的母指标的数值,母指标被认为是评价土壤肥力最重要的指标;
采用基于梯度下降的迭代学习算法优化参数pi,j:
参数ci,j和σi,j通过一阶梯度寻优算法进行迭代:
参数ci,j和σi,j的初值是1~2中的随机数,α为大于0的常数。
7.如权利要求6所述的基于模糊神经网络的土壤肥力评估方法,其特征在于,步骤(9)具体是:所述的矫正回路采用双隐含层BP神经网络,对第l个样本的输出误差εl进行学习,其中yl′为达到学习次数上限时,输出的第l个样本的肥力评估值,Yl为用灰色关联法得到的第l个样本用于验证的肥力值;
在该网络中,从第一隐含层最上方的节点开始以N字型的顺序对全部节点逐个标号,从1开始,直到包含输出节点在内的节点总数H;第一隐含层节点数为T1,第二隐含层节点数为T2,第H个节点为输出节点,其对样本误差的学习偏差δH=εl-OH,OH为输出节点的输出值:fH(uH)为sigmoid函数,即uH为代换变量,vtH和θtH分别为第t个节点与输出节点之间的权重和阈值;
对于第b个输入节点与第t′个节点之间的权重vbt′和阈值θbt′的迭代表达式为:
对于第t′个输入节点与第t个节点之间的权重vt′t和阈值θt′t的迭代表达式为:
对于输出层与第t个节点之间的权重vtH和阈值θtH的迭代表达式为:
9.如权利要求6所述的基于模糊神经网络的土壤肥力评估方法,其特征在于:所述的迭代学习次数上限K=5000~15000。
10.如权利要求8所述的基于模糊神经网络的土壤肥力评估方法,其特征在于:所述的学习次数上限K′=5000~15000。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010837696.9A CN112085348A (zh) | 2020-08-19 | 2020-08-19 | 基于模糊神经网络的土壤肥力评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010837696.9A CN112085348A (zh) | 2020-08-19 | 2020-08-19 | 基于模糊神经网络的土壤肥力评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085348A true CN112085348A (zh) | 2020-12-15 |
Family
ID=73728380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010837696.9A Pending CN112085348A (zh) | 2020-08-19 | 2020-08-19 | 基于模糊神经网络的土壤肥力评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085348A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435707A (zh) * | 2021-06-03 | 2021-09-24 | 大连钜智信息科技有限公司 | 基于深度学习和计权型多因子评价的测土配方施肥方法 |
CN114595806A (zh) * | 2022-03-02 | 2022-06-07 | 桂林理工大学 | 基于改进胶囊网络林地土壤肥力分析评价模型 |
CN115830873A (zh) * | 2023-01-10 | 2023-03-21 | 西南交通大学 | 城市道路交通事件分类方法、装置、设备及可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650767A (zh) * | 2016-09-20 | 2017-05-10 | 河海大学 | 基于聚类分析和实时校正的洪水预报方法 |
CN109374860A (zh) * | 2018-11-13 | 2019-02-22 | 西北大学 | 一种基于机器学习算法的土壤养分预测及综合评价方法 |
CN110444291A (zh) * | 2019-07-27 | 2019-11-12 | 南京理工大学 | 基于改进的pso-bp神经网络和贝叶斯法的疾病因素提取方法 |
-
2020
- 2020-08-19 CN CN202010837696.9A patent/CN112085348A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650767A (zh) * | 2016-09-20 | 2017-05-10 | 河海大学 | 基于聚类分析和实时校正的洪水预报方法 |
CN109374860A (zh) * | 2018-11-13 | 2019-02-22 | 西北大学 | 一种基于机器学习算法的土壤养分预测及综合评价方法 |
CN110444291A (zh) * | 2019-07-27 | 2019-11-12 | 南京理工大学 | 基于改进的pso-bp神经网络和贝叶斯法的疾病因素提取方法 |
Non-Patent Citations (6)
Title |
---|
ZHANG, Y: "An Improved T-S Fuzzy Neural Network and Its Application in Soft Sensing for FCCU", 2010 8TH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION (WCICA), 1 January 2010 (2010-01-01), pages 466 - 470 * |
丁瑜;胡文静;夏振尧;李博;姚小月;许文年;: "生态护坡生境基材土壤肥力动态变化研究", 水生态学杂志, no. 02, 15 March 2017 (2017-03-15) * |
刘东海;梁国庆;周卫;王秀斌;夏文建;: "基于神经网络的土壤肥力综合评价", 中国土壤与肥料, no. 05, 10 October 2011 (2011-10-10) * |
唐华飞: "基于遗传算法和模糊神经网络的土壤肥力质量评价研究", 中国硕士学位论文全文数据库信息科技辑, no. 07, 1 July 2014 (2014-07-01), pages 08 - 45 * |
地力夏提・艾木热拉;丁建丽;穆艾塔尔・赛地;米热古力・艾尼瓦尔;邹杰;: "基于T-S模糊神经网络模型的干旱区土壤盐分预测研究", 西南农业学报, no. 07, 28 July 2018 (2018-07-28) * |
王炳萱;李国勇;王艳晖;: "基于LM-PSO算法和BP神经网络的非线性预测控制", 太原理工大学学报, no. 02, 15 March 2016 (2016-03-15) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113435707A (zh) * | 2021-06-03 | 2021-09-24 | 大连钜智信息科技有限公司 | 基于深度学习和计权型多因子评价的测土配方施肥方法 |
CN113435707B (zh) * | 2021-06-03 | 2023-11-10 | 大连钜智信息科技有限公司 | 基于深度学习和计权型多因子评价的测土配方施肥方法 |
CN114595806A (zh) * | 2022-03-02 | 2022-06-07 | 桂林理工大学 | 基于改进胶囊网络林地土壤肥力分析评价模型 |
CN115830873A (zh) * | 2023-01-10 | 2023-03-21 | 西南交通大学 | 城市道路交通事件分类方法、装置、设备及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112085348A (zh) | 基于模糊神经网络的土壤肥力评估方法 | |
US10919791B2 (en) | Intelligent identification method of sludge bulking based on type-2 fuzzy neural network | |
CN109060001B (zh) | 一种基于特征迁移学习的多工况过程软测量建模方法 | |
US11346831B2 (en) | Intelligent detection method for biochemical oxygen demand based on a self-organizing recurrent RBF neural network | |
CN101158674B (zh) | 基于BP神经网络的水体中叶绿素a浓度预测方法 | |
CN107688701B (zh) | 基于wasp模型的水质软测量及水体富营养化评价方法 | |
CN108710974B (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
CN106022954B (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN109492265B (zh) | 基于动态非线性pls软测量方法的废水出水指标预测方法 | |
CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
CN107945182A (zh) | 基于卷积神经网络模型GoogleNet的玉米叶片病害识别方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
Yun | Prediction model of algal blooms using logistic regression and confusion matrix | |
WO2021114320A1 (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN108038517A (zh) | 基于改进卷积神经网络模型Cifar10的玉米叶片病害识别方法 | |
CN113255972A (zh) | 基于Attention机制的短临降水预测方法 | |
CN113447879A (zh) | 基于多应力影响的电能表计量误差预测方法、系统及装置 | |
CN113723541B (zh) | 一种基于混合智能算法的边坡位移预测方法 | |
CN116776252A (zh) | 一种改进Mallow's Cp变量选择的工业过程软测量方法和系统 | |
CN113191689B (zh) | 一种耦合主成分分析与bp神经网络的土地适宜评价方法 | |
CN116362376A (zh) | 基于机器学习的综合能源站建设碳排放预测方法 | |
CN115018137A (zh) | 基于强化学习的水环境模型参数率定方法 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
CN113256130A (zh) | 一种基于教学大数据分析的师生匹配度评估方法及系统 | |
CN114021905A (zh) | 一种中小企业信用风险评价方法 |
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 |