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 PDF

Info

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
Application number
CN202010837696.9A
Other languages
English (en)
Inventor
郑夫夫
朱嘉宁
葛晨栋
霍天缘
郭思嘉
王俊杭
李德钊
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010837696.9A priority Critical patent/CN112085348A/zh
Publication of CN112085348A publication Critical patent/CN112085348A/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
    • G06Q10/06—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

基于模糊神经网络的土壤肥力评估方法
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)：
如果该指标与土壤肥力呈正相关，则归一化后的输入量的值为
Figure BDA0002640300640000011
如果该指标与土壤肥力呈负相关，则归一化后的输入量的值为
Figure BDA0002640300640000021
得到输入向量
Figure BDA0002640300640000029
X(s) max和X(s) min分别为输入的第s个指标的所有样本数据中的最大值与最小值，S为输入指标的个数，T表示转置。
步骤(3).设定语言变量矩阵
Figure BDA0002640300640000022
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
Figure BDA0002640300640000023
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：
Figure BDA0002640300640000024
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(5).将输入向量代入每一条模糊规则，对于第j个归一化后的输入量xj,在Ri中采用高斯型函数得到其对于语言变量Aij的隶属度
Figure BDA0002640300640000025
其中，ci,j和σi,j为常数，需要在后续的迭代优化中加以确定。
步骤(6).计算每个规则对应的适应度
Figure BDA0002640300640000026
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：
Figure BDA0002640300640000027
其中，
Figure BDA0002640300640000028
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m，则第l个输入向量
Figure BDA0002640300640000037
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：
Figure BDA0002640300640000038
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
Figure BDA0002640300640000031
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
Figure BDA0002640300640000032
若指标与土壤肥力呈负相关，则
Figure BDA0002640300640000033
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
Figure BDA0002640300640000034
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。
系数
Figure BDA0002640300640000035
系数ρ为常数，通常取0.5。
对每个指标下所有样本的关联系数取平均，来表示该指标与母指标之间的关联度：
Figure BDA0002640300640000036
母指标与自身的关联度为1。
求出各指标对应的权重，
Figure BDA0002640300640000041
得到第l个土壤样本的肥力值
Figure BDA0002640300640000042
采用基于梯度下降的迭代学习算法优化参数pi,j：
首先计算总误差随pi,j变化的梯度：
Figure BDA0002640300640000043
这里的总误差E是随迭代次数k增加而变化的函数。
通过如下迭代关系得到pi,j：
Figure BDA0002640300640000044
初次迭代时，pi,j取0～0.3任意值，迭代次数K＝5000～15000，k＝1,2,…,K，β表示神经网络的学习率，为0～1之间的常数。
参数ci,j和σi,j通过一阶梯度寻优算法进行迭代：
Figure BDA0002640300640000045
Figure BDA0002640300640000046
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，
Figure BDA0002640300640000047
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：
Figure BDA0002640300640000048
fH(uH)为sigmoid函数，即
Figure BDA0002640300640000049
uH为代换变量，
Figure BDA00026403006400000410
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t个节点，其输出
Figure BDA0002640300640000051
其中，
Figure BDA0002640300640000052
vt′t和θt′t表示连接第t′个节点与第t个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
Figure BDA0002640300640000053
xb表示第b个输入量经归一化后的数值；其中，
Figure BDA0002640300640000054
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；
对于隐含层第t个节点的输出误差δt＝vtHδH，δH为输出节点对样本误差的学习偏差；第t′个节点的输出误差
Figure BDA0002640300640000055
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：
Figure BDA0002640300640000056
其中，
Figure BDA0002640300640000057
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：
Figure BDA0002640300640000058
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：
Figure BDA0002640300640000059
其中，
Figure BDA00026403006400000510
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
Figure BDA00026403006400000511
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：
Figure BDA0002640300640000061
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：
对指标的测量值进行归一化处理，
Figure BDA0002640300640000062
a’lr为第l个样本的第r个评价指标的真实测量值。pH的测量值为a’l1，需要先将其做变换：a”l1＝|a’l1-7|。
这里选定pH＝7为植物的最适土壤酸碱度，变换后pH指标与土壤肥力呈负相关，归一化处理方式为
Figure BDA0002640300640000063
计算关联系数，
Figure BDA0002640300640000064
其中，Δl(r)＝|alr-al6|，r＝1,2,...,6，Δl(r)表示第l个样本的第r个评价指标与该样本对应母指标的差值，al6为归一化后的土壤有机物含量。
Figure BDA0002640300640000071
ρ＝0.5。
对每个指标下所有样本的关联系数取平均，来表示该指标与母指标之间的关联度，
Figure BDA0002640300640000072
求出各指标对应的权重，
Figure BDA0002640300640000073
从而得到第l个土壤样本的肥力评分
Figure BDA0002640300640000074
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
Figure BDA0002640300640000075
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：
Figure BDA0002640300640000081
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。
对所有测量值采用上述变换，从而得到输入向量
Figure BDA0002640300640000082
x1为土壤pH值，x2表示土壤阳离子交换量，x3表示土壤全氮含量。
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。
模糊规则总数I＝343，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：
Figure BDA0002640300640000083
Figure BDA0002640300640000084
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(5).将输入向量代入每一条模糊规则，对于第j个归一化后的输入量xj,在Ri中采用高斯型函数得到其对于语言变量Ai,j的隶属度
Figure BDA0002640300640000091
其中，ci,j和σi,j为常数，需要在后续的迭代优化中加以确定。
步骤(6).计算每个规则对应的适应度
Figure BDA0002640300640000092
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：
Figure BDA0002640300640000093
其中，
Figure BDA0002640300640000094
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
Figure BDA0002640300640000095
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：
Figure BDA0002640300640000096
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：
Figure BDA0002640300640000097
这里的总误差E是随迭代次数k增加而变化的函数。
通过如下迭代关系得到pi,j：
Figure BDA0002640300640000098
初次迭代时，pi,j取0～0.3任意值，迭代次数K＝5000～15000，k＝1,2,…,K。
参数ci,j和σi,j通过一阶梯度寻优算法进行迭代：
Figure BDA0002640300640000099
Figure BDA0002640300640000101
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，
Figure BDA0002640300640000102
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：
Figure BDA0002640300640000103
f16(u16)为sigmoid函数，即
Figure BDA0002640300640000104
u16为代换变量，
Figure BDA0002640300640000105
vt16和θt16分别为第t个节点与输出节点之间的权重和阈值。
对于第t个节点，其输出
Figure BDA0002640300640000106
其中，
Figure BDA0002640300640000107
vt′t和θt′t表示连接第t′个节点与第t个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
Figure BDA0002640300640000108
xb表示第b个输入量经归一化后的数值；其中，
Figure BDA0002640300640000109
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；
对于隐含层第t个节点的输出误差δt＝vt16δ16，δ16为输出节点对样本误差的学习偏差；第t′个节点的输出误差
Figure BDA00026403006400001010
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：
Figure BDA0002640300640000111
其中，
Figure BDA0002640300640000112
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：
Figure BDA0002640300640000113
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：
Figure BDA0002640300640000114
其中，
Figure BDA0002640300640000115
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
Figure BDA0002640300640000116
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(5).将输入向量代入每一条模糊规则，对于第j个归一化后的输入量xj,在Ri中采用高斯型函数得到其对于语言变量Ai,j的隶属度
Figure FDA0002640300630000011
其中，ci,j和σi,j为常数，需要在后续的迭代优化中加以确定；
步骤(6).计算每个规则对应的适应度
Figure FDA0002640300630000012
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：
Figure FDA0002640300630000013
其中，
Figure FDA0002640300630000014
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。
3.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(2)具体是：将测量值归一化，第s项指标的任意一个测量值为X(s)，s＝1,2,…,S；
如果该指标与土壤肥力呈正相关，则归一化后的输入量的值为
Figure FDA0002640300630000015
如果该指标与土壤肥力呈负相关，则归一化后的输入量的值为
Figure FDA0002640300630000021
得到输入向量
Figure FDA0002640300630000022
X(s) max和X(s) min分别为输入的第s个指标的所有样本数据中的最大值与最小值，S为输入指标的个数，T表示转置。
4.如权利要求3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(3)中所述的语言变量矩阵
Figure FDA0002640300630000023
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。
5.如权利要求4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(4)具体是：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
Figure FDA0002640300630000024
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：
Figure FDA0002640300630000025
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。
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′；
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m，则第l个输入向量
Figure FDA0002640300630000026
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：
Figure FDA0002640300630000031
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
Figure FDA0002640300630000032
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
Figure FDA0002640300630000033
若指标与土壤肥力呈负相关，则
Figure FDA0002640300630000034
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
Figure FDA0002640300630000035
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；
系数
Figure FDA0002640300630000036
系数ρ为常数；
对每个指标下所有样本的关联系数取平均，来表示该指标与母指标之间的关联度：
Figure FDA0002640300630000037
母指标与自身的关联度为1；
求出各指标对应的权重，
Figure FDA0002640300630000038
得到第l个土壤样本的肥力值
Figure FDA0002640300630000039
采用基于梯度下降的迭代学习算法优化参数pi,j：
首先计算总误差随pi,j变化的梯度：
Figure FDA00026403006300000310
这里的总误差E是随迭代次数k增加而变化的函数；
通过如下迭代关系得到pi,j：
Figure FDA00026403006300000311
初次迭代时，pi,j取0～0.3任意值，k＝1,2,…,K，β表示神经网络的学习率，为0～1之间的常数；
参数ci,j和σi,j通过一阶梯度寻优算法进行迭代：
Figure FDA0002640300630000041
Figure FDA0002640300630000042
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，
Figure FDA0002640300630000043
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：
Figure FDA0002640300630000044
fH(uH)为sigmoid函数，即
Figure FDA0002640300630000045
uH为代换变量，
Figure FDA0002640300630000046
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t个节点，其输出
Figure FDA0002640300630000047
其中，
Figure FDA0002640300630000048
vt′t和θt′t表示连接第t′个节点与第t个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
Figure FDA0002640300630000049
xb表示第b个输入量经归一化后的数值；其中，
Figure FDA00026403006300000410
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。
8.如权利要求7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(10)具体是：对于隐含层第t个节点的输出误差δt＝vtHδH，δH为输出节点对样本误差的学习偏差；第t′个节点的输出误差
Figure FDA0002640300630000051
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：
Figure FDA0002640300630000052
其中，
Figure FDA0002640300630000053
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：
Figure FDA0002640300630000054
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：
Figure FDA0002640300630000055
其中，
Figure FDA0002640300630000056
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
Figure FDA0002640300630000057
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。
CN202010837696.9A 2020-08-19 2020-08-19 基于模糊神经网络的土壤肥力评估方法 Pending CN112085348A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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