1.一种基于神经网络的土壤养分与果实品质关系预测方法,其特征在于:包括以下步骤:
s1、数据处理
将采集的各土壤矿质元素值以及对应果实品质指标分别做相应预处理,然后对两组数据分别分组为训练样本、测试样本和检验样本;
其中,所述土壤矿质元素包括n、p、k、ca、mg、fe、mn、cu、zn和b;所述果实品质参数包括单果重、可溶性固形物含量、可滴定酸含量、固酸比和可食率;
s2、构建基于bp神经网络的预测模型,将训练样本作为bp神经网络的输入,训练网络参数;
所述bp神经网络包括输入层、隐藏层和输出层;所述土壤中各矿质元素值为输入层自变量,即输入层节点数为10,所述各果实品质指标值为输出层因变量,即输出层节点数为5;隐藏层中使用levenberg-marquardt训练函数和log-sigmoid传递函数;构建过程中使用检验样本检验预测模型;
s3、利用构造好的预测模型对测试样本进行分类预测;
s4、基于所得预测模型逐一剔除自变量来分析评估预测模型的稳定性;所述自变量是指土壤中各矿质元素含量;
s5、通过敏感性分析和响应面法分析得到对果实不同品质指标影响最大土壤矿质元素值范围。
2.根据权利要求1所述的基于神经网络的土壤养分与果实品质关系预测方法,其特征在于:所述预测模型中输入层和输出层的数据均做标准化处理如下:
上式中,t为原始数据,tn为归一化后的输出值或输入值,tmin和tmax为相关变量的最小值和最大值。
3.根据权利要求1所述的基于神经网络的土壤养分与果实品质关系预测方法,其特征在于:所述步骤s1的各土壤矿质元素中,随机选取70%作为训练样本,随机选取15%作为测试样本,随机选取15%作为检验样本。
4.根据权利要求1所述的基于神经网络的土壤养分与果实品质关系预测方法,其特征在于:所述步骤s4中通过下述指标来分析评估预测模型稳定性:平均绝对误差mae、均方根误差rmse、相对标准误差rse、拟合系数r2和均方误差mse;
n是数据的个数,-是变量的平均值,mi和pi分别代表各果实品质指标测量值和对应果实品质指标预测值。