CN114611804A - 基于tso-grnn组合模型的玉米产量预测方法 - Google Patents
基于tso-grnn组合模型的玉米产量预测方法 Download PDFInfo
- Publication number
- CN114611804A CN114611804A CN202210257643.9A CN202210257643A CN114611804A CN 114611804 A CN114611804 A CN 114611804A CN 202210257643 A CN202210257643 A CN 202210257643A CN 114611804 A CN114611804 A CN 114611804A
- Authority
- CN
- China
- Prior art keywords
- grnn
- tso
- corn
- model
- data
- 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.)
- Granted
Links
- 240000008042 Zea mays Species 0.000 title claims abstract description 67
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 45
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 title claims abstract description 5
- 235000009973 maize Nutrition 0.000 title claims abstract description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims abstract description 62
- 235000005822 corn Nutrition 0.000 claims abstract description 62
- 230000007613 environmental effect Effects 0.000 claims abstract description 53
- 230000006870 function Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000012546 transfer Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Computing Systems (AREA)
- Mining & Mineral Resources (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于TSO‑GRNN组合模型的玉米产量预测方法，涉及信息处理领域，解决现有技术无法获取环境信息与产量之间的相关性以及计算量大，容易陷入局部拟合，无法实现精确预测等问题，本发明在建模前进行了相关性分析，得到对玉米生长重要的环境因子种类，降低预测的繁琐程度。采用GRNN建立了玉米产量预测模型，并利用历史统计数据对玉米量进行预测。利用TSO对基于GRNN神经网络的玉米产量预测方法进行优化，调整参数到适中时，可有效避免陷入局部最小值，使预测点逐渐逼近真实值，提高预测精度，并可以在一定程度上降低过拟合问题。本发明结合当前环境信息对当年的玉米产值进行预测，对于未来农业人员进行土地开发、环境维护以及生长期内作物培养有重要帮助。
Description
技术领域
本发明涉及信息处理领域，具体涉及一种基于瞬态搜索算法优化广义回归神经网络(TSO-GRNN)组合模型的预测方法，通过对玉米试验田历史环境数据分析实现对玉米产量的预测。
背景技术
农业是人类赖以生存的基础产业，玉米更是我国最主要粮食作物之一，玉米产量关乎我国经济甚至是人民的生存问题。为了使农业人员更方便调节玉米生长期的环境，操作玉米生产，分析环境与玉米产量的拟合关系，对一定时期玉米产量做出预测非常重要。玉米、水稻、大豆、小麦等作物属于大田秸秆类作物，其产量与种子成熟度、化肥施用、温度、降雨，日照时长等因素密切相关。以上因素将导致研究玉米产量的历程更加复杂，无法仅凭农业经验判断玉米长势及预测玉米产量。
目前，农业工作者最关注的问题便是农作物的产量，因此预测玉米产量也是整个玉米生长期最值得挖掘也是最具有挑战的问题之一。针对作物产量预测问题，许多学者对此展开研究。如：(1)公开号为CN112884196A的专利，名称为：《一种基于玉米关键生育时期的玉米产量预测方法及系统》，详细划分了玉米的各个关键生育期以及相应指标，利用指标数据与其产量数据建立预测模型。该方法可以从不同阶段分析玉米长势对最终产量的影响，但无法得出环境信息与产量之间的相关性；(2)公开号为CN110443420A的专利，名称为：《一种基于机器学习的作物产量预测方法》，分析了气候特征数据与作物产量的关联性，利用三种分类算法组合的机器学习方法预测作物产量。该方法使用的算法计算量大、耗时长、模型容易陷入局部拟合，无法实现精确预测。
因此，结合环境信息，利用环境信息与产量之间的深度关联性建立预测模型，并通过优化模型降低鲁棒性，提高模型的精度及可信度是本发明的研究重点。
发明内容
本发明为解决现有技术无法获取环境信息与产量之间的相关性以及计算量大，容易陷入局部拟合，无法实现精确预测等问题，提供一种基于TSO-GRNN组合模型的玉米产量预测方法。
基于TSO-GRNN组合模型的玉米产量预测方法，该方法由以下步骤实现：
步骤一、生成数据集；
抽取玉米试验田历史环境数据及所述历史环境数据对应年的产量作为训练集；
在玉米在线监测平台导出本年度的环境数据生成测试数据集；
步骤二、数据预处理：
对玉米在线监测平台导出的环境数据进行预处理，获得预处理后的环境数据；
步骤三、计算相关系数：
对步骤二预处理后的环境数据做相关性分析，计算各个环境因子与玉米产量之间的相关系数，保留相关系数绝对值最大的环境因子作为测试集的输入样本；
步骤四、将采集的历史环境数据的主要环境因子构成训练数据；将所述玉米在线监测平台导出的环境数据的主要环境因子作为测试数据，构建TSO-GRNN预测模型，利用TSO算法搜索全局最优值，对GRNN模型的参数优化，实现对玉米产量的预测；
构建TSO-GRNN预测模型的具体过程为：
步骤四一、构造改进的传递函数，如下式：
式中，σ为高斯函数的宽度系数，α∈(0，1)为比例系数，β为sigmoid核函数系数，X＝(X1,X2,…Xn)T为输入样本，Xi为第i个神经元对应的学习样本，Y＝(Y1,Y2,…Ym)T为输出样本，n与m表示输入样本与输出样本的维度；
步骤四二、初始化搜索位置Z(σ，α，β)，最大迭代次数lmax为200，搜索下限blow＝0.1及搜索上限bup＝2；
Z(σ，α，β)＝blow+rand×(bup-blow)
rand为服从均匀分布的随机数；
步骤四三、更新热阻系数Cl与系数T，如下式：
Cl＝k*z*r3+1
T＝2*z*r2-z
式中，r1、r2、r3为[0,1]内随机数，z为衰减系数变量从2变为0，l为当前迭代次数，lmax为最大迭代次数，k为常数；
步骤四四、更新位置信息，如下式：
式中，Zl为当前搜索的位置，Zl *为当前最优解；
步骤四五、评估适应度值及更新最优位置，适应度满足最大值Zmax时，对应搜索者达到最优位置，即：
Zmax＝fitness(σ，α，β)max
步骤四六、判断是否达到最大迭代次数lmax，如果是，则输出最优位置和全局最优解；否则，返回步骤四三，直到循环次数等于最大迭代次数lmax，迭代停止，优化输出最优位置和全局最优解，即：输出Zmax值和TSO-GRNN模型参数σ、α、β最优解；
步骤四七、将步骤一的训练集采用步骤四六优化输出的最优解进行GRNN模型训练，并取步骤一的测试集进行测试，获得玉米产量的预测结果。
本发明的有益效果：
本发明所述的基于组合算法的玉米产量预测方法，根据土壤、气象等环境对玉米整个生长周期的关联与影响以及农学相关知识，利用机器学习组合算法搭建一个适用于玉米等大田作物产值预测的模型，模型通过模拟环境特征与玉米产量之间的关联性，用历史数据对模型训练，结合当前环境信息对当年的玉米产值进行预测，对于未来农业人员进行土地开发、环境维护以及生长期内作物培养有重要帮助。
本发明的预测方法，利用多种环境因子建立一个基于组合算法搭建的模型预测玉米产量。以历史年限的环境数据及产量为依据，分析影响玉米产值的重要因素，通过组合算法模拟其特性，预测未来的玉米产量。该模型可以预测不同地区在不同环境影响下玉米的年产值，对于农户合理统筹下一年种植玉米的计划以及减少水肥的浪费有促进作用。
本发明的预测方法，在建模前进行了相关性分析，得到对玉米生长重要的环境因子种类，降低预测的繁琐程度。
本发明将GRNN引入到玉米产量预测中，GRNN神经网络在逼近能力、分类能力和学习速度方面具有较强优势，网络最后收敛于样本量积聚最多的优化回归面，并且在数据缺乏时效果也较好。网络可以处理不稳定的数据，因此本发明采用GRNN建立了玉米产量预测模型，并利用历史统计数据对玉米量进行预测。
本发明的预测方法，利用TSO对基于GRNN神经网络的玉米产量预测方法进行优化，调整参数到适中时，可有效避免陷入局部最小值，使预测点逐渐逼近真实值，提高预测精度，并可以在一定程度上降低过拟合问题。
附图说明
图1为本发明所述的基于TSO-GRNN的玉米产量预测方法整体流程图；
图2为本发明所述的基于TSO-GRNN的玉米产量预测方法中的数据预处理流程图；
图3为本发明所述的基于TSO-GRNN的玉米产量预测方法中的TSO-GRNN组合算法流程图；
图4为本发明所述的基于TSO-GRNN的玉米产量预测方法中的建模方法流程图。
具体实施方式
具体实施方式一、结合图1至图4说明本实施方式，一种基于TSO-GRNN的玉米产量预测方法该方法由以下步骤实现：
S1：生成数据集；
采集试验田所在地大量的历史年份5月份到10月份环境数据及相应年产量作为训练集，，所述环境数据包含的环境因子有土壤温度、土壤湿度、土壤PH、土壤电导率、空气温度、空气湿度、光照强度、降雨量、风速等。
在数据监测平台导出本年度5月到10月的环境数据用于预测产量的测试数据集；
S2:数据预处理；
对步骤S1在数据监测平台导出的环境数据进行预处理，根据环境数据曲线观察结果，由于传感器之间存在信息冗余，传感器故障、复杂环境的影响等因素，利用MAD及Savitzky-Golay滤波法分别消除异常值及剔除噪声数据，提高数据的平滑程度；对所述环境数据划分为两部分处理：数据预处理如图2所示：
1、对于含不确定、模糊、错误、缺失等离异值，利用MAD算法剔除离异值。
M为各个环境因子数据组成的原始数组，计算原数据的中位值，记作Mmed，计算所有元素与中位值的绝对偏差，记为bias，其中bias＝|Mi-Mmed|；
计算绝对偏差的中位值记为MAD，MAD＝biasmed；
根据绝对值偏差的中位值调整数据，调整后的数据Xi'为如下：
2、对于含噪声的原始数据，利用Savitzky-Golay滤波器实现曲线平滑。
确定窗口宽度，为了平滑效果更佳，经过多次试验，窗口宽度取为5。确定平滑系数，输入滤波函数；
3、将上述1和2中的数据重组后作为预测模型输入数据。
S3：对平滑处理后的环境数据做相关性分析，利用皮尔逊相关系数法分别计算各个环境因子与产量之间的相关系数；
本发明计算相关系数得方法为皮尔森相关系数法：
其中，N为对应年份的产值，式中ρM,N为M与N的相关系数，E(M)、E(M)、E(M2)、E(M2)、E(MN)分别为M、N、M2、N2、MN的数学期望。对各个环境因子相关性分析后，保留相关系数绝对值大的环境因子作为主要环境信息；
S4:取历史的主要环境因子构成训练数据集，取监测平台的主要环境因子作为测试数据集，构建基于TSO-GRNN神经网络预测模型，利用TSO算法搜索全局最优值，对GRNN模型的参数优化，降低基础预测模型预测结果的误差。结合图3和图4：所述主要环境因子分别为土壤温湿度、空气温湿度、降雨量及光照时长。
所述构建基于TSO-GRNN神经网络预测模型的过程为：
(1)构造改进的传递函数；
上述函数由高斯核函数与sigmoid核函数混合而成，σ为高斯函数的宽度系数，α为比例系数，且α∈(0，1)，β为sigmoid核函数系数，Xi为第i个神经元对应的学习样本，其中X＝(X1,X2,…Xn)T为输入样本，Y＝(Y1,Y2,…Ym)T为输出样本，n与m表示输入样本与输出样本的维度(输入层与输出层神经元个数)；
(2)初始化搜索位置Z(σ，α，β)，最大迭代次数lmax为200、搜索下限blow＝0.1及搜索上限bup＝2；
Z(σ，α，β)＝blow+rand×(bup-blow)
rand为服从均匀分布的随机数；
(3)更新热阻系数Cl与系数T，如下列式子所示：
Cl＝k*z*r3+1
T＝2*z*r2-z
其中r1、r2、r3为[0,1]内随机数，z为衰减系数变量从2变为0，l为当前迭代次数，lmax为最大迭代次数，k为常数；
(4)更新位置信息，如下式：
Zl为当前搜索者的位置，Zl *为当前最优解；
(5)评估适应度值及更新最优位置，适应度满足最大值时，对应搜索者达到最佳位置，即：
Zmax＝fitness(σ，α，β)max
(6)判断是否达到最大迭代次数，若满足，则输出最优位置和全局最优解，否则，返回步骤(3)重新更新热阻系数Cl与系数T，迭代计算，直到循环次数等于最大循环次数lmax，迭代停止，优化输出结果为TSO-GRNN模型参数σ、α、β最优解；
(7)训练GRNN模型
采用广义回归神经网络GRNN构建基础预测模型，所述GRNN由输入层、模式层、求和层以及输出层组成；
输入层：输入层节点个数等于输入样本维度；
模式层：已知输入层经传递函数将信息传递至模式层，将经过TSO参数优化后的混合核函数设为神经元传递函数：
求和层：由两类神经元进行求和：
第一类是对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为:
第二类是对所有模式层的神经元进行加权求和，传递函数为:
yij表示输出样本yi中的第j个元素；
输出层：输出节点等于输出样本维度，神经元j的输出对应估计结果的第j个元素，即：
取采集的历史年份(10年)5月份到10月份主要环境数据及相应年产量作为训练集，利用优化输出的最佳参数进行模型训练，取玉米监测平台导出的本年度5月份到10月份主要环境数据作为测试数据集进行测试，最终得到本年度产量的预测结果。
本实施方式中，还包括评价模型的预测性能:评价模型预测性能指标具体包括：均方误差(MSE)、相对误差(RE)以及均方根误差(RMSE)。
适应度函数设计为如下：
fitness＝argmin(MSEpredict)
MSEpredict为预测值的均方误差，适应度函数选取训练后的MSE误差，MSE误差越小表明预测的数据与原始数据重合度越高。
RE与RMSE计算分别如下：
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.基于TSO-GRNN组合模型的玉米产量预测方法，其特征是：该方法由以下步骤实现：
步骤一、生成数据集；
抽取玉米试验田历史环境数据及所述历史环境数据对应年的产量作为训练集；
在玉米在线监测平台导出本年度的环境数据生成测试数据集；
步骤二、数据预处理：
对玉米在线监测平台导出的环境数据进行预处理，获得预处理后的环境数据；
步骤三、计算相关系数：
对步骤二预处理后的环境数据做相关性分析，计算各个环境因子与玉米产量之间的相关系数，保留相关系数绝对值最大的环境因子作为测试集的输入样本；
步骤四、将采集的历史环境数据的主要环境因子构成训练数据；将所述玉米在线监测平台导出的环境数据的主要环境因子作为测试数据，构建TSO-GRNN预测模型，利用TSO算法搜索全局最优值，对GRNN模型的参数优化，实现对玉米产量的预测；
构建TSO-GRNN预测模型的具体过程为：
步骤四一、构造改进的传递函数，如下式：
式中，σ为高斯函数的宽度系数，α∈(0，1)为比例系数，β为sigmoid核函数系数，X＝(X1,X2,...Xn)T为输入样本，Xi为第i个神经元对应的学习样本，Y＝(Y1,Y2,...Ym)T为输出样本，n与m表示输入样本与输出样本的维度；
步骤四二、初始化搜索位置Z(σ，α，β)，最大迭代次数lmax为200，搜索下限blow＝0.1及搜索上限bup＝2；
Z(σ，α，β)＝blow+rand×(bup-blow)
rand为服从均匀分布的随机数；
步骤四三、更新热阻系数Cl与系数T，如下式：
Cl＝k*z*r3+1
T＝2*z*r2-z
式中，r1、r2、r3为[0,1]内随机数，z为衰减系数变量从2变为0，l为当前迭代次数，lmax为最大迭代次数，k为常数；
步骤四四、更新位置信息，如下式：
式中，Zl为当前搜索的位置，
为当前最优解；
步骤四五、评估适应度值及更新最优位置，适应度满足最大值Zmax时，对应搜索者达到最优位置，即：
Zmax＝fitness(σ，α，β)max
步骤四六、判断是否达到最大迭代次数lmax，如果是，则输出最优位置和全局最优解；否则，返回步骤四三，直到循环次数等于最大迭代次数lmax，迭代停止，优化输出最优位置和全局最优解，即：输出Zmax值和TSO-GRNN模型参数σ、α、β最优解；
步骤四七、将步骤一的训练集采用步骤四六优化输出的最优解进行GRNN模型训练，并取步骤一的测试集进行测试，获得玉米产量的预测结果。
2.根据权利要求1所述的基于TSO-GRNN组合模型的玉米产量预测方法，其特征在于：步骤三中，采用皮尔森相关系数法，计算相关系数；如下式：
式中，βM,N为M与N的相关系数，M为各个环境因子数据组成的数组，N为对应年份的产值，E(M)、E(N)、E(M2)、E(N2)、E(MN)分别为M、N、M2、N2、MN的数学期望。
3.根据权利要求1所述的基于TSO-GRNN组合模型的玉米产量预测方法，其特征在于：步骤四一中，所述的主要环境因子包括土壤温湿度、空气温湿度、降雨量及光照时长。
4.根据权利要求1所述的基于TSO-GRNN组合模型的玉米产量预测方法，其特征在于：步骤四七中，训练GRNN模型的具体过程为：
设定所述GRNN模型由输入层、模式层、求和层以及输出层组成；
设定输入层节点个数等于输入样本维度；
已知输入层经传递函数将信息传递至模式层，将经过TSO参数优化后的混合核函数设为神经元传递函数：
求和层：由两类神经元进行求和：
第一类：对所有模式层神经元的输出进行算术求和，其模式层与各神经元的连接权值为1，传递函数为:
第二类：对所有模式层的神经元进行加权求和，传递函数为:
式中，yij为输出样本yi中的第j个元素；
设定输出节点等于输出样本维度，神经元j的输出对应估计结果yj的第j个元素用下式表示为：
5.根据权利要求1所述的基于TSO-GRNN组合模型的玉米产量预测方法，其特征在于：还包括步骤五，评价模型的预测性能；评价模型预测性能指标具体包括：均方误差MSE、相对误差RE以及均方根误差RMSE。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210257643.9A CN114611804B (zh) | 2022-03-16 | 2022-03-16 | 基于tso-grnn组合模型的玉米产量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210257643.9A CN114611804B (zh) | 2022-03-16 | 2022-03-16 | 基于tso-grnn组合模型的玉米产量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114611804A true CN114611804A (zh) | 2022-06-10 |
| CN114611804B CN114611804B (zh) | 2024-10-29 |
Family
ID=81863000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210257643.9A Active CN114611804B (zh) | 2022-03-16 | 2022-03-16 | 基于tso-grnn组合模型的玉米产量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114611804B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596141A (zh) * | 2023-05-18 | 2023-08-15 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测系统 |
| CN118397297A (zh) * | 2024-06-28 | 2024-07-26 | 杨凌数字农业科技有限公司 | 一种基于机器学习的玉米产量预测方法及系统 |
| CN118656657A (zh) * | 2024-08-21 | 2024-09-17 | 河北省农林科学院农业信息与经济研究所 | 一种基于小麦产量预估的多模型融合方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392376A (zh) * | 2017-07-25 | 2017-11-24 | 中国农业科学院农业信息研究所 | 一种农作物气象产量预测方法及系统 |
| CN111369074A (zh) * | 2020-03-31 | 2020-07-03 | 黑龙江大学 | 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 |
-
2022
- 2022-03-16 CN CN202210257643.9A patent/CN114611804B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392376A (zh) * | 2017-07-25 | 2017-11-24 | 中国农业科学院农业信息研究所 | 一种农作物气象产量预测方法及系统 |
| CN111369074A (zh) * | 2020-03-31 | 2020-07-03 | 黑龙江大学 | 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116596141A (zh) * | 2023-05-18 | 2023-08-15 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测系统 |
| CN116596141B (zh) * | 2023-05-18 | 2024-01-19 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测系统 |
| CN118397297A (zh) * | 2024-06-28 | 2024-07-26 | 杨凌数字农业科技有限公司 | 一种基于机器学习的玉米产量预测方法及系统 |
| CN118656657A (zh) * | 2024-08-21 | 2024-09-17 | 河北省农林科学院农业信息与经济研究所 | 一种基于小麦产量预估的多模型融合方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114611804B (zh) | 2024-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | An IPSO-BP neural network for estimating wheat yield using two remotely sensed variables in the Guanzhong Plain, PR China | |
| Huang et al. | Development of soft computing and applications in agricultural and biological engineering | |
| Sudheer et al. | Estimating actual evapotranspiration from limited climatic data using neural computing technique | |
| Niedbała | Simple model based on artificial neural network for early prediction and simulation winter rapeseed yield | |
| Kale et al. | A machine learning approach to predict crop yield and success rate | |
| Choi et al. | Multi-period and multi-criteria model conditioning to reduce prediction uncertainty in an application of TOPMODEL within the GLUE framework | |
| CN114611804B (zh) | 基于tso-grnn组合模型的玉米产量预测方法 | |
| CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
| Çakır et al. | Yield prediction of wheat in south-east region of Turkey by using artificial neural networks | |
| Kadir et al. | Wheat yield prediction: Artificial neural network based approach | |
| CN113159439A (zh) | 一种作物产量的预测方法、系统、存储介质和电子设备 | |
| Khan et al. | County-level corn yield prediction using supervised machine learning | |
| Ali et al. | Modeling wheat yield with data-intelligent algorithms: artificial neural network versus genetic programming and minimax probability machine regression | |
| Kalaiarasi et al. | Crop yield prediction using multi-parametric deep neural networks | |
| Monica et al. | Soil NPK prediction using enhanced genetic algorithm | |
| Majumdar et al. | Prediction of evapotranspiration and soil moisture in different rice growth stages through improved salp swarm based feature optimization and ensembled machine learning algorithm | |
| Jabjone et al. | Artificial neural networks for predicting the rice yield in Phimai District of Thailand | |
| Kuo et al. | A comparative study on the estimation of evapotranspiration using backpropagation neural network: Penman–Monteith method versus pan evaporation method | |
| Xu et al. | [Retracted] Digital Technology Empowers Grain Supply Chain Optimization Simulation | |
| Manjula et al. | Efficient prediction of recommended crop variety through soil nutrients using deep learning algorithm | |
| Chaudhary et al. | Deep Learning Approach for Forecasting Apple Yield Using Soil Parameters | |
| Acharjee et al. | Crop Yield and Soil Moisture Prediction Using Machine Learning Algorithms | |
| Adeyemo | Soft Computing techniques for weather and Climate change studies | |
| Nekoei et al. | Evaluation of adaptive Neuro-Fuzzy Inference System models in estimating saffron yield using meteorological data | |
| Tummala et al. | Predicting crop yield with NDVI and Backscatter values using Deep Neural Networks |
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 |