CN112801364A - 基于miv与改进蝙蝠算法的参考作物腾发量预测方法 - Google Patents
基于miv与改进蝙蝠算法的参考作物腾发量预测方法 Download PDFInfo
- Publication number
- CN112801364A CN112801364A CN202110110198.9A CN202110110198A CN112801364A CN 112801364 A CN112801364 A CN 112801364A CN 202110110198 A CN202110110198 A CN 202110110198A CN 112801364 A CN112801364 A CN 112801364A
- Authority
- CN
- China
- Prior art keywords
- neural network
- sample set
- miv
- algorithm
- reference crop
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims abstract description 17
- 239000002245 particle Substances 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 15
- 230000005068 transpiration Effects 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 11
- 229920006395 saturated elastomer Polymers 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000004907 flux Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 6
- 238000005295 random walk Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- HTIQEAQVCYTUBX-UHFFFAOYSA-N amlodipine Chemical compound CCOC(=O)C1=C(COCCN)NC(C)=C(C(=O)OC)C1C1=CC=CC=C1Cl HTIQEAQVCYTUBX-UHFFFAOYSA-N 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physiology (AREA)
Abstract
本发明公开了一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，基于彭曼公式选择气象因素和历史数据，并利用PM公式计算参考作物腾发量，构建对应的神经网络样本集；利用MIV算法和SPSS软件对所述神经网络样本集进行降维解耦，得到主成分之间的皮尔逊系数；根据粒子群算法思路对蝙蝠算法进行改进，并利用改进后的所述蝙蝠算法对神经网络参数进行优化；利用降维解耦后的所述神经网络样本集对优化后的所述神经网络进行训练，并将根据所述皮尔逊系数选择出的预测样本输入训练后的所述神经网络中，得到参考作物腾发量预测值，提高预测精度与效率。
Description
技术领域
本发明涉及农业灌溉需水量预测技术领域，尤其涉及一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法。
背景技术
参考作物腾发量(ET0)的准确预测对于灌溉用水管理、作物需水量计算具有重要意义。ET0的计算受到多种气象因素的影响，包括温度、相对湿度、风速、日照时长、太阳辐射量等，因此很难建立一个简单的方程来获得不同气候条件下的准确估计量。ET0计算过程中的非线性、动态性和高度复杂性是其建模的主要困难所在。
Khoob等学者从2008年开始将BP神经网络应用于ET0的预测中，且发现BP神经网络可以比基于Peman-Monteith公式的传统方法可以更好地预测ET0，ET0的计算是一个繁琐的过程，与各个影响因子之间具有复杂的非线性关系，而神经网络具有强大的非线性拟合能力，可以用来拟合任意精度的非线性函数，因此非常适用于ET0的预测中。但传统的神经网络通常存在一些缺点，如网络结构难以确定、易陷入局部极值、收敛速度慢等。此外，ET0的影响因素对其的影响是相互作用的，具有非线性、多维度的特点，而很多模型忽略了彼此之间的联系，且PCA等线性降维方法的使用前提是各因素之间的关系是线性的或近似线性的，不适用于ET0的预测中。
发明内容
本发明的目的在于提供一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，提高预测精度与效率。
为实现上述目的，本发明提供了一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，包括以下步骤：
基于彭曼公式选择气象因素和历史数据，并利用PM公式计算参考作物腾发量，构建对应的神经网络样本集；
利用MIV算法和SPSS软件对所述神经网络样本集进行降维解耦，得到主成分之间的皮尔逊系数；
根据粒子群算法思路对蝙蝠算法进行改进，并利用改进后的所述蝙蝠算法对神经网络参数进行优化；
利用降维解耦后的所述神经网络样本集对优化后的所述神经网络进行训练，并将根据所述皮尔逊系数选择出的预测样本输入训练后的所述神经网络中，得到参考作物腾发量预测值。
其中，基于彭曼公式选择气象因素和历史数据，并利用PM公式计算参考作物腾发量，构建对应的神经网络样本集，包括：
基于彭曼公式选择气象因素和对应的历史数据；
获取多个基本参数，并基于PM公式计算出对应的参考作物腾发量；
根据所述气象因素构建对应的神经网络样本集。
其中，获取多个基本参数，并基于PM公式计算出对应的参考作物腾发量，包括：
将地表净辐射减去土壤热通量后的值与0.408倍的饱和水气压曲线斜率相乘，得到第一量值；
利用饱和水气压减去实际水气压后，与2米高处的风速相乘，并将得到的乘积与干湿表常数和900相乘后，除以日平均温度与273相加后的和值，得到第二量值；
利用1加上0.34倍的所述2米高处的风速，并与所述干湿表常数相乘后，与所述饱和水气压曲线斜率相加，得到第三量值；
利用所述第一量值与所述第二量值相加后，除以所述第三量值，得到参考作物腾发量。
其中，利用MIV算法和SPSS软件对所述神经网络样本集进行降维解耦，得到主成分之间的皮尔逊系数，包括：
将所述神经网络样本集输入BP神经网络中进行训练；
对所述神经网络样本集中的每个变量进行修改，并对得到的仿真结果进行算术平均和排序筛选，得到对应的多个主成分；
利用SPSS软件对多个所述主成分进行独立性分析，得到多个所述主成分之间的皮尔逊系数。
其中，对所述神经网络样本集中的每个变量进行修改，并对得到的仿真结果进行算术平均和排序筛选，得到对应的多个主成分，包括：
对所述神经网络样本集中的每个变量分别加减10％，得到对应的两个训练集；
将两个所述训练集输入训练后的所述BP神经网络中进行网络仿真，并对得到的两个仿真结果之间的差值进行算术平均，得到平均影响值；
将所述平均影响值的绝对值进行排序，并根据计算出的相对贡献率选择出对应的多个所述主成分。
其中，将所述平均影响值的绝对值进行排序，并根据计算出的相对贡献率选择出对应的多个所述主成分，包括：
将所述平均影响值的绝对值进行排序后，分别计算出每一个所述平均影响值对于所述参考作物腾发量的相对贡献率；
基于所述相对贡献率计算出对应的多个累积贡献率，并将所述累积贡献率大于85％对应的所述变量作为所述主成分，得到多个所述主成分。
本发明的一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，基于彭曼公式选择气象因素和历史数据，并利用PM公式计算腾发量，构建对应的神经网络样本集；利用MIV算法和SPSS软件对所述神经网络样本集进行降维解耦，得到主成分之间的皮尔逊系数；根据粒子群算法思路对蝙蝠算法进行改进，并利用改进后的所述蝙蝠算法对神经网络参数进行优化；利用降维解耦后的所述神经网络样本集对优化后的所述神经网络进行训练，并将根据所述皮尔逊系数选择出的预测样本输入训练后的所述神经网络中，得到参考作物腾发量预测值，提高预测精度与效率。
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简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明提供的一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法的步骤示意图。
图2是本发明提供的一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法的流程示意图。
图3是本发明提供的改进蝙蝠算法优化神经网络的流程图。
图4是本发明提供的预测效果示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1和图2，本发明提供一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，包括以下步骤：
S101、基于彭曼公式选择气象因素和历史数据，并利用PM公式计算参考作物腾发量，构建对应的神经网络样本集。
具体的，根据彭曼公式选择计算ET0所需的气象因素，根据分析可知影响ET0的气象因素主要有日均风速、日照时长、平均气温、最高气温、最低气温和日均相对湿度等，将其从中国气象数据网上中国地面气候资料日值数据集V(3.0)中的数据中下载下来，选择2014-1-1至2016-6-17共900天数据通过修正后的PM公式计算出ET0，分析、选取影响ET0的气象因素和历史数据，初步构成神经网络样本集；所述所述神经网络样本集包括日均风速、日均温度、最高气温、最低气温、日照时长、日均相对湿度和PM公式计算得到的参考作物腾发量。
其中，PM公式为：
式中，0.408Δ(Rn-G)为第一量值；
为第二量值；Δ+γ(1+0.34u2)为第三量值；
Δ-饱和水气压曲线斜率(kPa/℃)；Rn-地表净辐射(MJ/(m*d))；
G-土壤热通量(MJ/(m2*d))；γ-干湿表常数(kPa/℃)；
Tmean-日平均温度(℃)；u2-2米高处风速(m/s)；
es-饱和水气压(kPa)；ea-实际水气压(kPa)。
S102、利用MIV算法和SPSS软件对所述神经网络样本集进行降维解耦，得到主成分之间的皮尔逊系数。
具体的，将所述神经网络样本集输入BP神经网络中进行训练；对所述神经网络样本集中的每个变量分别加减10％，得到对应的两个训练集X1和X2；将两个所述训练集输入训练后的所述BP神经网络中进行网络仿真，分别得到Y1和Y2两个仿真结果；并对得到的两个仿真结果之间的差值进行算术平均，得到每个变量与输出之间的平均影响值；将所述平均影响值(MIV)的绝对值进行排序后，分别计算出每一个所述平均影响值对于所述参考作物腾发量的相对贡献率；基于所述相对贡献率计算出对应的多个累积贡献率，并将所述累积贡献率大于85％对应的所述变量作为所述主成分，得到多个所述主成分。
其中，相对贡献率的计算公式为：
式中，
表示第i个自变量对因变量的相对贡献率，m表示总共有m个自变量。
累积贡献率的计算公式为：
表示前n个自变量的累积贡献率(CCR)。选择BP神经网络的输入参数时，CCR应大于85％。
表1 MIV算法筛选影响值结果及各因素的相对贡献率和累积贡献率
各影响因素对ET0的重要程度如表1所示，其中MIV的正负性代表着相应因素对ET0的影响方向，绝对值的大小则代表着对应因素对ET0的相对重要性。由上表可知：
(1)平均气温、最高气温对ET0有正的影响，而日均风速、最低气温、日照时长和平均相对湿度对ET0有负的影响。
(2)根据绝对值大小可以看出影响程度的排序：平均气温的影响最大，接下来依次是日均风速、最低气温、日均相对湿度、日照时长、最高气温。
(3)根据CCR的值可知，我们选择平均气温、日均风速、最低气温即可完成BP神经网络的建模。
利用SPSS 25软件对多个所述主成分进行独立性分析，得到多个所述主成分之间的皮尔逊系数，从中选择具有独立性的变量作为改进神经网络的输入变量。
将MIV值排名前四的气象因素使用SPSS 25软件进行皮尔逊系数分析，其结果如表2所示。
表2各气象因素之间的皮尔逊相关系数
由表2可知：
(1)日均风速、日均气温、日均相对湿度之间彼此独立，最低气温和日均气温之间具有强相关性。
(2)平均气温对ET0的影响程度大于最低气温。
(3)根据表1可知，日均风速、平均气温和日均相对湿度三者的CCR为86.27，故我们选择日均风速、平均气温和日均相对湿度做为模型的输入变量，ET0为模型的输出变量，构建神经网络样本集。
S103、根据粒子群算法思路对蝙蝠算法进行改进，并利用改进后的所述蝙蝠算法对神经网络参数进行优化。
具体的，获取BP神经网络的结构和蝙蝠算法的空间纬度，并初始化所述蝙蝠算法的种群数量和多个优化参数(多个优化参数包括位置、速度、脉冲频率、脉冲响度和脉冲发射率)；根据所述种群数量、期望输出值和预测输出值生成对应的适应度函数；对位置和速度进行更新，并基于所述适应度函数，采用随机游走的方式计算出新的位置信息，具体包括：基于更新公式更新蝙蝠的位置和速度，得到对应的第一位置信息和速度信息；根据所述适应度函数生成第一适应度值，并采用随机游走的方式生成第二位置信息；获取随机生成的一个随机数，并利用所述适应度函数计算出第二适应度值，若所述随机数小于脉冲响度，且所述第二适应度值小于所述第一适应度值，则将所述第二位置信息作为当前所述位置信息，并进行更新，若所述随机数大于或等于脉冲响度，或者所述第二适应度值大于或等于所述第一适应度值，则将所述第一位置信息作为当前所述位置信息，并更新；最后，更新当前所述位置信息，并判断当前所述位置信息是否为设定的位置信息阈值，若不是所述位置信息阈值，则继续更新位置和速度，直至当前所述位置信息满足设定的所述位置信息阈值。
如图3所示，详细流程为：
a)确定BP神经网络的结构，若神经网络具有m个输入层和n个隐层，则其结构为m-n-1，则蝙蝠算法的搜索空间纬度为：D＝m·n+n·1+n+1；
b)初始化蝙蝠算法的种群数量N，位置x，速度v，脉冲频率f，脉冲响度A和脉冲发射率r；其中，参数设置为：N＝50，x∈[-2,2]，v∈[-5,5]，f∈[0,2]，A0＝0.5·ones(N,1)，r0＝0.9·ones(N,1)；
c)确定适应度函数，其计算公式为：
式中，yt为期望输出值，
为预测输出值，N为训练样本个数。
d)根据以下更新公式更新蝙蝠的位置、速度，得到更新后的第一位置信息xt+1和速度信息vt+1：
fi＝fmin+(fmax-fmin)·β
其中，w(t)为随迭代次数改变的惯性权重系数，wmax、wmin分别为惯性权重系数的最大值和最小值，t、tmax分别为当前迭代次数和最大迭代次数，rand()为在[0,1]上服从均匀分布的随机数，betarnd()为服从贝塔分布所产生的随机数；
e)根据步骤c)的适应度函数公式确定一个第一适应度值后，采用随机游走的方式产生一个新的第二位置信息
其中ε∈[0,1]，
为当前时刻所有蝙蝠响度的平均值，
为经过随机游走后产生的第二位置信息，
为随机游走前的第一位置信息；
f)随机生成一个随机数λ，并根据步骤c)的适应度函数公式计算新解的第二适应度值，若[λ＜Ai&f(x*)＜f(xi)]，其中，Ai为当前的响度，f(x*)为第二适应度值，f(xi)为随机游走前解的第一适应度值，则更新响度
和脉冲发射率
其中α＝γ＝0.95，
为初始脉冲发射率，
为第t+1次迭代时的脉冲发射率，t为迭代次数；
g)更新当前的最佳位置信息并返回步骤d，直到满足终止条件。
S104、利用降维解耦后的所述神经网络样本集对优化后的所述神经网络进行训练，并将根据所述皮尔逊系数选择出的预测样本输入训练后的所述神经网络中，得到参考作物腾发量预测值。
具体的，将降维解耦后的神经网络样本集，作为改进蝙蝠算法优化BP神经网络模型的输入量并进行训练得到预测模型；
根据所述皮尔逊系数选择出的预测样本输入训练好的预测模型中，其输出值即为参考作物腾发量预测值。
加入原始BP神经网络模型和未曾改进过的蝙蝠算法优化的BP神经网络模型进行误差分析以便对比，预测结果如图4所示。采用平均绝对误差MAE(Mean absolute error)和均方误差MSE(Mean-square error)这两个评价指标对各个模型的ET0预测能力进行分析评价，结果如表3所示。
式中：yt为测试样本期望输出值，
为测试样本预测输出值，N为测试样本个数。
表3三种模型的预测效果指标对比
通过表3可以看出，其中基于改进后蝙蝠算法的RBA-BP模型的MSE、MAE与基于BP算法的BP模型相比降低了10.11％和8.41％，与基于原始蝙蝠算法的BA-BP模型相比降低了5.9％和3.2％，这表明经过改进蝙蝠算法优化的神经网络其预测结果比其他两种模型更加接近真实值。可见本发明提出的改进蝙蝠算法在提高ET0预测精度和解决BP算法易陷入局部极小值方面体现了明显的优越性。本发明的预测精确度更高、预测效果更好，可以有效地对植物参考腾发量的进行预测，为制定合理的灌溉策略提高参考，在农业智能灌溉方面具有一定地应用价值。
本发明与现有技术相比，其显著优点为：(1)本发明利用MIV算法和SPSS软件对输入量降维，消除各因素之间的多维共线性，简化了模型结构加快了收敛效率；(2)本发明对蝙蝠算法进行了改进，借鉴粒子群算法的思路，将非线性递减的惯性权重引入速度更新公式中以便更好地平衡局部和全局搜索能力，加入随机因子降低算法后期陷入局部极值的概率，提高其预测精度；(3)本发明利用改进的蝙蝠算法对BP神经网络进行优化，可以有效解决传统BP神经网络由于其初始权重随机选择带来的训练速度慢以及易陷入局部极值的缺点，提高其预测的精度，使预测数值更加接近真实值。
本发明的一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，基于彭曼公式选择气象因素和历史数据，并利用PM公式计算参考作物腾发量，构建对应的神经网络样本集；利用MIV算法和SPSS软件对所述神经网络样本集进行降维解耦，得到主成分之间的皮尔逊系数；根据粒子群算法思路对蝙蝠算法进行改进，并利用改进后的所述蝙蝠算法对神经网络参数进行优化；利用降维解耦后的所述神经网络样本集对优化后的所述神经网络进行训练，并将根据所述皮尔逊系数选择出的预测样本输入训练后的所述神经网络中，得到参考作物腾发量预测值，提高预测精度与效率。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (6)
1.一种基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，其特征在于，包括以下步骤：
基于彭曼公式选择气象因素和历史数据，并利用PM公式计算参考作物腾发量，构建对应的神经网络样本集；
利用MIV算法和SPSS软件对所述神经网络样本集进行降维解耦，得到主成分之间的皮尔逊系数；
根据粒子群算法思路对蝙蝠算法进行改进，并利用改进后的所述蝙蝠算法对神经网络参数进行优化；
利用降维解耦后的所述神经网络样本集对优化后的所述神经网络进行训练，并将根据所述皮尔逊系数选择出的预测样本输入训练后的所述神经网络中，得到参考作物腾发量预测值。
2.如权利要求1所述的基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，其特征在于，基于彭曼公式选择气象因素和历史数据，并利用PM公式计算参考作物腾发量，构建对应的神经网络样本集，包括：
基于彭曼公式选择气象因素和对应的历史数据；
获取多个基本参数，并基于PM公式计算出对应的参考作物腾发量；
根据所述气象因素构建对应的神经网络样本集。
3.如权利要求2所述的基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，其特征在于，获取多个基本参数，并基于PM公式计算出对应的参考作物腾发量，包括：
将地表净辐射减去土壤热通量后的值与0.408倍的饱和水气压曲线斜率相乘，得到第一量值；
利用饱和水气压减去实际水气压后，与2米高处的风速相乘，并将得到的乘积与干湿表常数和900相乘后，除以日平均温度与273相加后的和值，得到第二量值；
利用1加上0.34倍的所述2米高处的风速，并与所述干湿表常数相乘后，与所述饱和水气压曲线斜率相加，得到第三量值；
利用所述第一量值与所述第二量值相加后，除以所述第三量值，得到参考作物腾发量。
4.如权利要求1所述的基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，其特征在于，利用MIV算法和SPSS软件对所述神经网络样本集进行降维解耦，得到主成分之间的皮尔逊系数，包括：
将所述神经网络样本集输入BP神经网络中进行训练；
对所述神经网络样本集中的每个变量进行修改，并对得到的仿真结果进行算术平均和排序筛选，得到对应的多个主成分；
利用SPSS软件对多个所述主成分进行独立性分析，得到多个所述主成分之间的皮尔逊系数。
5.如权利要求4所述的基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，其特征在于，对所述神经网络样本集中的每个变量进行修改，并对得到的仿真结果进行算术平均和排序筛选，得到对应的多个主成分，包括：
对所述神经网络样本集中的每个变量分别加减10％，得到对应的两个训练集；
将两个所述训练集输入训练后的所述BP神经网络中进行网络仿真，并对得到的两个仿真结果之间的差值进行算术平均，得到平均影响值；
将所述平均影响值的绝对值进行排序，并根据计算出的相对贡献率选择出对应的多个所述主成分。
6.如权利要求5所述的基于MIV与改进蝙蝠算法的参考作物腾发量预测方法，其特征在于，将所述平均影响值的绝对值进行排序，并根据计算出的相对贡献率选择出对应的多个所述主成分，包括：
将所述平均影响值的绝对值进行排序后，分别计算出每一个所述平均影响值对于所述参考作物腾发量的相对贡献率；
基于所述相对贡献率计算出对应的多个累积贡献率，并将所述累积贡献率大于85％对应的所述变量作为所述主成分，得到多个所述主成分。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110110198.9A CN112801364A (zh) | 2021-01-26 | 2021-01-26 | 基于miv与改进蝙蝠算法的参考作物腾发量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110110198.9A CN112801364A (zh) | 2021-01-26 | 2021-01-26 | 基于miv与改进蝙蝠算法的参考作物腾发量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801364A true CN112801364A (zh) | 2021-05-14 |
Family
ID=75812080
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110110198.9A Pending CN112801364A (zh) | 2021-01-26 | 2021-01-26 | 基于miv与改进蝙蝠算法的参考作物腾发量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801364A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114095349A (zh) * | 2021-11-18 | 2022-02-25 | 连洁 | 一种基于bats编码的农用物联网系统及部署方法 |
| CN115910193A (zh) * | 2022-12-01 | 2023-04-04 | 华南农业大学 | Bp-miv预测木质纤维素原料同步糖化发酵乙醇过程的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
| CN111783987A (zh) * | 2020-07-14 | 2020-10-16 | 中国水利水电科学研究院 | 基于改进bp神经网络的农田参考作物蒸散量预测方法 |
-
2021
- 2021-01-26 CN CN202110110198.9A patent/CN112801364A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
| CN111783987A (zh) * | 2020-07-14 | 2020-10-16 | 中国水利水电科学研究院 | 基于改进bp神经网络的农田参考作物蒸散量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 任亚飞等: "基于改进的PSO-BP神经网络的参考作物腾发量预测", 《节水灌溉》 * |
| 翁健高等: "一种融合粒子群算法的蝙蝠优化算法", 《广西大学学报( 自然科学版)》 * |
| 裴宇航等: "一种动态调整惯性权重的自适应蝙蝠算法", 《计算机科学》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114095349A (zh) * | 2021-11-18 | 2022-02-25 | 连洁 | 一种基于bats编码的农用物联网系统及部署方法 |
| CN114095349B (zh) * | 2021-11-18 | 2024-02-27 | 连洁 | 一种基于bats编码的农用物联网系统及部署方法 |
| CN115910193A (zh) * | 2022-12-01 | 2023-04-04 | 华南农业大学 | Bp-miv预测木质纤维素原料同步糖化发酵乙醇过程的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
| CN111310889B (zh) | 一种基于深度神经网络的蒸发波导剖面估计方法 | |
| CN111210082B (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
| US20190050510A1 (en) | Development of complex agricultural simulation models from limited datasets | |
| CN109242115B (zh) | 一种基于gan的风机轮毂测风缺失数据的插补方法 | |
| US20220100997A1 (en) | Farmland reference crop evapotranspiration prediction method considering uncertainty of meteorological factors | |
| CN106651012A (zh) | 一种基于改进极限学习机的作物蒸腾量预测方法 | |
| CN112801364A (zh) | 基于miv与改进蝙蝠算法的参考作物腾发量预测方法 | |
| CN111027732B (zh) | 一种多风电场出力场景的生成方法及系统 | |
| CN109214579B (zh) | 基于bp神经网络的盐碱地稳定性预测方法及系统 | |
| CN111119282A (zh) | 一种针对供水管网的压力监测点优化布置方法 | |
| CN107860889A (zh) | 土壤有机质的预测方法和设备 | |
| CN107466816A (zh) | 一种基于动态多层极限学习机的灌溉方法 | |
| CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
| CN112288164A (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
| CN111523728B (zh) | 一种四阶段混合短时风向预测方法 | |
| CN114662742A (zh) | 大田灌溉施肥制度动态决策方法及装置 | |
| CN115994629A (zh) | 一种基于gn-rbf的空气湿度预测方法及系统 | |
| CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
| CN112381282A (zh) | 基于宽度学习系统的光伏发电功率预测方法 | |
| CN108984995A (zh) | 一种计算数值模拟的生态园林景观设计方法 | |
| CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
| CN112464567B (zh) | 基于变分同化框架的智能资料同化方法 | |
| CN116525135B (zh) | 基于气象因素的时空模型对疫情发展态势进行预测的方法 | |
| 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 |
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: 20210514 |