一种土壤墒情预测方法及装置的制造方法

一种土壤墒情预测方法及装置的制造方法
【专利摘要】本发明实施例提供的一种土壤墒情预测方法及装置，该方法包括：提取影响待预测土壤样本的土壤墒情的H个影响因子的预测样本数据；将预测样本数据构成的特征向量，输入至根据基于遗传算法且利用改进的遗传多样性函数自适应调节交叉和变异规则计算获得的权值和阈值而预先建立的土壤墒情预测模型中，土壤墒情预测模型利用预设的权值和阈值对特征向量进行计算，并输出针对待预测土壤样本的土壤墒情预测结果。由于土壤墒情预测模型的权值和阈值，是利用改进的遗传多样性函数和适应度函数共同作用下的自适应概率的交叉和变异规则计算获得的，能够尽可能地保证子代性能优于父代，因此，应用本发明实施例提供的方案，提高了土壤墒情的预测精度。
【专利说明】
-种±壤墙情预测方法及装置
技术领域
[0001] 本发明设及遗传神经网络算法优化技术领域，特别是设及一种±壤墙情预测方法 及装置。
【背景技术】
[0002] ±壤墙情，是指±壤的湿度情况。现如今，水资源是影响作物生长的关键因素之 一，合理预测±壤墙情可W计算出作物实际需水量，在保证产量的前提下，提高灌概水的利 用率，为粮食生产安全和农田灌概节水方案提供科学依据，同时通过趋势预测可W提前预 知干旱状况，及时为农作物灾害预警提供保障。因此，±壤墙情预测对作物生长监控有着重 要意义。
[0003] 现有技术中提供了一种基于传统的遗传神经网络算法的±壤墙情预测方法。通 常，遗传神经网络算法中的遗传算法部分可W包括选择、交叉和变异=个基本操作。目前， 传统遗传神经网络算法中的遗传算法部分采用的是轮盘赌的选择策略，该选择策略使得每 个个体均有被选中的可能性（即选择具有随机性），且交叉变异是基于恒定概率进行的，因 此不能保证子代性能总是优于父代，使得最终进化的适应度值未必能取得全局的最大值 (即出现早熟收敛的情况），也就是全局寻优能力差，导致±壤墙情的预测精度低，难W满足 ±壤墙情的预测精度要求。

【发明内容】

[0004] 本发明实施例的目的在于提供一种±壤墙情预测方法及装置，W提高±壤墙情的 预测精度。
[0005] 为达到上述目的，本发明实施例公开了一种±壤墙情预测方法，所述方法包括：
[0006] SI)提取影响待预测±壤样本的±壤墙情的H个影响因子的预测样本数据，其中，H 为正整数；
[0007] S2)将所述预测样本数据构成的特征向量，输入至根据基于遗传算法且利用改进 的遗传多样性函数自适应调节交叉和变异规则计算获得的权值和阔值而预先建立的±壤 墙情预测模型中，所述±壤墙情预测模型利用预设的权值和阔值对所述特征向量进行计 算；
[000引S3)输出经所述±壤墙情预测模型计算得到的针对所述待预测±壤样本的±壤墙 情预测结果。
[0009] 可选的，所述步骤S2)中的±壤墙情预测模型的建立方法包括：
[0010] Al)确定网络拓扑结构，包括输入层、隐含层和输出层；
[0011] A2)获得所述网络拓扑结构的权值和阔值；
[0012] A3)提取影响所述待训练±壤样本的±壤墙情的H个影响因子的训练样本数据W 及实际±壤墙情值；
[0013] A4)依次将各个训练样本的训练样本数据构成的输入向量输入至所述输入层，根 据所述输入层、隐含层和输出层对应的权值和阔值，分别计算每一层的输出值，更新当前的 权值和阔值，直至全部训练样本输入完毕；
[0014] A5)比较所述实际±壤墙情值与所述步骤A4)获得的输出层的预测值，获得预测结 果的误差e;
[001引 A6)判断所述误差e是否小于预设的最小允许误差6T;若小于，则输出当前的权值 和阔值。
[0016] 可选的，所述步骤A2)，包括：
[0017] A21)确定一个个体数量为N的种群P，其中，N为正整数；
[001引A22)根据预设的权值和阔值生成规则，生成所述种群P中每一个个体对应的权值 和阔值；
[0019] A23)按照预设的染色体编码规则，将每一个个体对应的权值和阔值编码为一条染 色体；
[0020] A24)分别计算每一个个体的染色体对应的个体适应度值，W及所述种群P的遗传 多样性程度；
[0021] A25)根据所述各个个体适应度值和所述遗传多样性程度，对所述种群P中的每个 个体进行进化处理，获得进化后个体数量为N '的种群P '，其中，N '为正整数；
[0022] A26)分别计算所述种群P'中每一个个体的染色体对应的个体适应度值，W及所述 种群P '的遗传多样性程度；
[0023] A27)确定所述种群P'中数值最大的个体适应度值为所述种群P'的种群适应度值；
[0024] A28)判断所述种群P'的种群适应度值是否满足预设的停止进化的条件，若满足， 则输出所述最大的个体适应度值的个体的染色体所对应的权值和阔值，作为所述网络拓扑 结构的权值和阔值。
[0025] 可选的，通过W下方式计算每一个个体的染色体对应的个体适应度值：
[0026] 按照W下表达式，计算每一个个体的染色体对应的个体适应度值：
[0027]
[002引其中，m为输出层神经元的个数，Tr为第r个神经元的理想输出即实际监测值，Or为 第r个神经元的预测输出即计算输出值。
[0029] 可选的，通过W下方式计算所述种群P的遗传多样性程度：
[0030] 按照W下表达式，计算所述种群P的遗传多样性程度：
[0031]
[0032]
[0033] 其中，N为种群的种群规模，t为种群进化的代数，L为种群中每个个体的染色体的 编码长度。
[0034] 可选的，所述步骤A25)包括：
[0035] A251)利用轮盘赌的选择策略，从所述种群P中确定待进化的个体；
[0036] A252)基于预设的自适应概率交叉和变异规则，得到交叉变异后的新种群；
[0037] A253)利用精英选择策略，优化所述交叉变异后的新种群，生成进化后的种群P'。
[0038] 可选的，所述步骤A252)中预设的自适应概率交叉和变异规则，包括：
[0039] 按照W下交叉概率表达式，计算交叉概率Pc:
[0040]
[0041]
[0042] 其中，k。和a。为常数，fmin为当前种群中最小的适应度值，favg为当前种群的平均适 应度值，f'为交叉的两个个体中较大的适应度值，梦为当前种群的遗传多样性程度。
[0043] 按照Pi下巧择概率P?，计貸巧择概率Pm:
[0044]
[0045]
[0046] 其中，km和am为常数，fmax为当前种群中最大的适应度值，favg为当前种群的平均适 应度值，f为变异个体的适应度值，f为当前种群的遗传多样性程度。
[0047] 可选的，所述步骤S2)中的±壤墙情预测模型至少包括W下列举的子模型中的一 个或多个：
[004引 A:针对同一±壤深度，且在预设时间段之后的±壤墙情的预测子模型；
[0049] B:针对同一预测时间点，且不同±壤深度的±壤墙情的预测子模型；
[0050] C:针对不同的±壤深度，且在预设时间段之后的±壤墙情的预测子模型。
[0051 ]为达到上述目的，本发明实施例公开了一种±壤墙情预测装置，所述装置包括：
[0052] 预测数据提取模块，用于提取影响所述待预测±壤样本的±壤墙情的H个影响因 子的预测样本数据，其中，H为正整数；
[0053] 预测数据计算模块，用于将所述预测样本数据构成的特征向量，输入至根据基于 遗传算法且利用改进的遗传多样性函数自适应调节交叉和变异规则计算获得的权值和阔 值而预先建立的±壤墙情预测模型中，所述±壤墙情预测模型利用预设的权值和阔值对所 述特征向量进行计算；
[0054] ±壤墙情预测模块，用于输出经所述±壤墙情预测模型计算得到的针对所述待预 测±壤样本的±壤墙情预测结果。
[0055] 可选的，还包括±壤墙情预测模型建立模块，包括：
[0056] 网络结构确定子模块，用于确定网络拓扑结构，包括输入层、隐含层和输出层；
[0057] 初始参数获得子模块，用于获得所述网络拓扑结构的权值和阔值；
[005引训练数据提取子模块，用于提取影响所述待训练±壤样本的±壤墙情的H个影响 因子的训练样本数据W及实际±壤墙情值；
[0059] 训练样本计算子模块，用于依次将各个训练样本的训练样本数据构成的输入向量 输入至所述输入层，根据所述输入层、隐含层和输出层对应的权值和阔值，分别计算每一层 的输出值，更新当前的权值和阔值，直至全部训练样本输入完毕；
[0060] 误差获得子模块，用于比较所述实际±壤墙情值与所述步骤A4)获得的输出层的 预测值，获得预测结果的误差e;
[0061] 目标参数获得子模块，用于判断所述误差e是否小于预设的最小允许误差6T;若小 于，则输出当前的权值和阔值。
[0062] 本发明实施例提供的一种±壤墙情预测方法及装置。在预测±壤墙情时，首先提 取影响该待预测±壤样本的±壤墙情的H个影响因子的预测样本数据，接着将所提取的预 测样本数据构成的特征向量，输入至根据基于遗传算法且利用改进的遗传多样性函数自适 应调节交叉和变异规则计算获得的权值和阔值而预先建立的±壤墙情预测模型中，该±壤 墙情预测模型利用预设的权值和阔值对特征向量进行计算，最后输出经±壤墙情预测模型 计算得到的针对待预测±壤样本的±壤墙情预测结果。由W上可知，由于预测样本数据所 输入的±壤墙情预测模型的网络拓扑结构中的权值和阔值，是利用自适应概率的交叉变异 规则计算获得的，与现有技术中所采用的恒定概率进行交叉变异的方式不同，本发明实施 例提供的方案能够尽可能地保证子代性能优于父代，也就是提高了全局寻优的能力，因此， 将预测样本数据输入至利用改进的遗传多样性函数和适应度函数共同作用下的自适应概 率的交叉和变异规则计算获得的权值和阔值所训练的±壤墙情预测模型进行计算，所得到 的预测结果更加准确，可见，提高了 ±壤墙情的预测精度。
【附图说明】
[0063] 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W 根据运些附图获得其他的附图。
[0064] 图1为本发明实施例提供的一种±壤墙情预测方法的流程示意图；
[0065] 图2为本发明实施例提供的一种±壤墙情预测模型的建立方法的流程示意图；
[0066] 图3为本发明实施例提供的一种获得网络拓扑结构的权值和阔值的方法的流程示 意图；
[0067] 图4为本发明实施例提供的一种种群进化方法的流程示意图；
[0068] 图5为本发明实施例提供的一种±壤墙情预测装置的结构示意图。
【具体实施方式】
[0069] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0070] ±壤墙情，是指±壤的湿度情况。现有技术中，提供了一种利用基于遗传神经网络 算法所建立的模型进行±壤墙情预测的方法。一般的，遗传神经网络算法中的遗传算法部 分可W包括选择、交叉和变异=个基本操作。目前，现有技术中所采用的传统遗传神经网络 算法中的遗传算法部分采用的是轮盘赌的选择策略，该选择策略使得每个个体均有被选中 的可能性（即选择具有随机性），且交叉变异是基于恒定概率进行的，因此不能保证子代性 能总是优于父代，使得最终进化的适应度值未必能取得全局的最大值（即出现早熟收敛的 情况），也就是全局寻优能力差，导致±壤墙情的预测精度低，难W满足±壤墙情的预测精 度要求。
[0071] 本发明提供了一种W传统遗传神经网络算法为基础进行改进算法，本发明采用的 是自适应概率遗传反向传播神经网络算法，该算法在准确定义衡量种群基因多样性的遗传 多样性函数<^^的基础上，结合适应度函数'利用1〇旨13*^函数拟合自适应调节的交叉概率口。 和变异概率Pm,并引入精英选择策略在全局范围内寻找最优解，无论在±壤墙情预测还是 标准测试函数下，全局寻优性能都有极大的提高。
[0072] 下面结合具体实施例，对本发明实施例所提供的一种±壤墙情预测方法进行详细 说明。
[0073] 实施例一：
[0074] 如图1所示，为本发明实施例提供的一种±壤墙情预测方法的流程示意图，该方法 可W包括W下步骤：
[0075] SI)提取影响待预测±壤样本的±壤墙情的H个影响因子的预测样本数据，其中，H 为正整数。
[0076] 田间试验数据显示，±壤墙情往往与空气溫度、空气湿度、光照福射、风速、有效降 雨灌概量、预设第一上层的上壤溫度和预设第二上层上壤湿度等因素有关。
[0077] 需要说明的是，上述提及的"预设第一±层"和"预设第二±层"可W由本领内的技 术人员根据实际应用的具体情况进行合理的设置，另外，预设第一±层可W与预设第二± 层的±层深度相同，也可W与预设第二±层的±壤深度不同，本发明实施例不需要对上述 "预设第一 ±层"和"预设第二±层"的具体数值进行限定。
[0078] 需要强调的是，运里提及的预设第一±层的±壤溫度和预设第二±层±壤湿度仅 仅是为了获得影响待预测±壤样本的±壤墙情的因素而已，待预测±壤样本的±层深度可 W与上述预设第一±层"或"预设第二±层"相同，当然，也可W与上述预设第一±层"或"预 设第二±层"不同。
[0079] -种实现方式中，可W将空气溫度、空气湿度、光照福射、风速、有效降雨灌概量、 预设第一±层的±壤溫度和预设第二±层±壤湿度运7个因素确定为影响待预测±壤样本 的±壤墙情的影响因素。进而，所提取的H个影响因子的预测样本数据，可W为上述7个影响 因子的数值作为与每一个影响因子相对应的预测样本数据。
[0080] 需要说明的是，上述列举的实现方式仅仅是众多实现方式中的一种，影响待预测 ±壤样本的±壤墙情的H个影响因子也并不局限于上述实现方式中所列举的运巧中，本发明 实施例并不需要对H个影响因子的具体内容进行限定，本领域内的技术人员需要根据实际 应用中的具体情况进行合理的设置。
[0081] S2)将预测样本数据构成的特征向量，输入至根据基于遗传算法且利用改进的遗 传多样性函数自适应调节交叉和变异规则计算获得的权值和阔值而预先建立的±壤墙情 预测模型中，该±壤墙情预测模型利用预设的权值和阔值对所述特征向量进行计算。
[0082] 具体的，可W将所提取的与各个影响因子所对应的预测样本数据按照特定的规则 来生成一个特征向量，进一步的，为了方便数据处理，还可W对该特征向量进行归一化处 理。需要说明的是，特征向量的生成W及特征向量的归一化处理为现有技术中比较常见的 技术手段，可参见现有技术中的相关方法，在运里不再详细描述。
[0083] -种实现方式中，如图2所示，为本发明实施例提供的一种±壤墙情预测模型的建 立方法的流程示意图，步骤S2)中的±壤墙情预测模型的建立方法包括：
[0084] Al)确定网络拓扑结构，包括输入层、隐含层和输出层。
[0085] 具体的，该实现方式可W采用BP神经网络算法(Back Propagation,反向传播算 法)来建立的上壤墙情预测模型。
[0086] 在本实现方式中，可W确定该网络拓扑结构为:输入层1层、隐含层1层和输出层1 层，其中，输入层的特征向量为由空气溫度、空气湿度、光照福射、风速、有效降雨灌概量、预 设第一 ±层的±壤溫度和预设第二±层±壤湿度运7个因素的预测样本数据所构成的特征 向量，相应的，输入层神经元节点数量为7个;隐含层神经元节点数量为9个;输出层输出的 结果为待预测±壤样本的±壤墙情，相应的，输出层的神经元检点数量为1个。由W上可知， 所确定的网络拓扑结构为(7，9，1)。
[0087] 上述列举的网络拓扑结构为本实现方式中的一种具体形式而已，当然，还可W有 其他可行的网络拓扑结构，例如:输入层1层、隐含层2层和输出层1层。若采用同样的影响因 子，则可W确定该网络拓扑结构为：（7,9,6，1)。其中，第一层隐含层神经元节点数量为9，第 二层隐含层神经元节点数量为6。需要说明的是，确定BP神经网络隐含层神经元节点数量的 方法已在现有技术中公开，可W参见现有技术中有关隐含层神经元的相关确定规则，在运 里不再进行详细描述。
[0088] A2)获得该网络拓扑结构的权值和阔值。
[0089] 在网络拓扑结构确定之后，要建立该±壤墙情预测模型，还需要获得属于相邻层 (例如，对于单隐层的网络拓扑结构而言，输入层与隐含层为相邻层，隐含层与输出层为相 邻层)的两个神经元节点之间的权值，W及每一层神经元节点自身的阔值(输入层除外），当 运些权值和阔值确定之后，也就意味着该BP神经网络模型建立的完成。
[0090] 仍W单隐层的网络拓扑结构为（7，9，1)的BP神经网络举例，包括:7*9+9*1 = 72个 权值，9+1 = 10个阔值。
[0091 ]实验数据表明，网络拓扑结构的权值和阔值的优劣直接关系到该BP神经网络模型 能够建立W及模型的预测精度。因此，获得一组较优的权值和阔值对于该BP神经网络模型 的建立便显得尤为重要。
[0092] 具体的，如图3所示，为本发明实施例提供的一种获得网络拓扑结构的权值和阔值 的方法的流程示意图，可W包括W下步骤：
[0093] A21)确定一个个体数量为N的种群P，其中，N为正整数。
[0094] 具体的，为了保证种群P进化的准确度，个体数量N的数值不易太小，又考虑到计算 量W及处理时间，个体数量N尽量也不要太大，优选的，N可W是300至500之间的数值。当然， 本发明实施例并不需要对种群P所包括的个体数量N的数值进行限定，本领域内的技术人员 需要根据实际应用中的具体情况进行合理的设置。
[OOM] A22)根据预设的权值和阔值生成规则，生成种群P中每一个个体对应的权值和阔 值。
[0096] 具体的，可W利用随机算法，针对种群P中的每一个个体的权值和阔值，分别生成 一个随机数并将所产生的随机数确定为每一权值和阔值的初始值。需要说明的是，运里仅 仅是列举了一种生成权值和阔值的具体方式，本发明不需要对生成每一个个体对应的权值 和阔值的具体方式进行限定，任何可行的实现方式均可W应用于本发明。
[0097] A23)按照预设的染色体编码规则，将每一个个体对应的权值和阔值编码为一条染 色体。
[0098] 具体的，预设的染色体编码规则可W是采用实数编码方式的染色体编码规则。需 要说明的是，本发明不需要对染色体的具体编码规则进行限定，任何可能的实现方式均可 W应用于本发明。
[0099] A24)分别计算每一个个体的染色体对应的个体适应度值，W及种群P的遗传多样 性程度。
[0100] -种实现方式中，通过W下方式计算每一个个体的染色体对应的个体适应度值：
[0101] 按照W下表达式，计算每一个个体的染色体对应的个体适应度值：
[0102]
[0103] 其中，m为输出层神经元的个数，Tr为第r个神经元的理想输出即实际监测值，Or为 第r个神经元的预测输出即计算输出值。
[0104] -种实现方式中，通过W下方式计算种群P的遗传多样性程度：
[0105] 格昭W下亲化古J+宵釉掛P的墙佑《持化程度；
[0106]
[0107]
[0108] 其中，N为种群的种群规模，t为种群进化的代数，L为种群中每个个体的染色体的 编码长度。
[0109] 需要强调的是，与现有技术中提到的传统遗传神经网络算法不同的是，本发明实 施例提供的方案，在传统遗传神经网络算法中的遗传算法部分的基础之上，进一步考虑到 了能够衡量种群染色体中的遗传基因的多样性的因素，即遗传多样性程度，该遗传多样性 程度可W通过上述表达式(称为"遗传多样性函数"）计算获得，通过该遗传多样性程度能够 掌握进化种群中各个染色体所包含的基因的多样性程度。
[0110] A25)根据各个个体适应度值和遗传多样性程度，对种群P中的每个个体进行进化 处理，获得进化后个体数量为N '的种群P '，其中，N '为正整数。
[0111] 如图4所示，为本发明实施例提供的一种种群进化方法的流程示意图，可W包括W 下步骤：
[0112] A251)利用轮盘赌的选择策略，从种群P中确定待进化的个体。
[0113] 具体的，对于个体数量为N的种群P= {Si，S2，……，Sn}而言，第i个个体的染色体Si G P的适应度函数为f( Si)，则个体i被选中的概率为：
[0114]
[0115] A252)基于预设的自适应概率交叉和变异规则，得到交叉变异后的新种群。
[0116] 具体的，步骤A252)中预设的自适应概率交叉和变异规则，包括：
[0117] 按照W下交叉概率表达式，计算交叉概率Pc:
[011 引
[0119]
[0120] 其中，k。和a。为常数，fmin为当前种群中最小的适应度值，favg为当前种群的平均适 应度值，f'为交叉的两个个体中较大的适应度值，^为当前种群的遗传多样性程度。
[0121] 更具体的，交叉采用实数交叉法，对于个体数量为N的种群P ={Si，S2，……，Sn}而 言，选取第i个染色体Si和第j个染色体&在第k个基因位置的交叉操作的公式为：
[0122]
[0123] 其中，b为[0，1]之间的随机数。[0124] 按照W下变异概率Pm，计算变异概率Pm:
[0125]
[0126]
[0127] 其中，km和am为常数，fmax为当前种群中最大的适应度值，favg为当前种群的平均适 应度值，f为变异个体的适应度值，9为当前种群的遗传多样性程度。
[0128] 更具体的，变异采用非均匀变异法，对于个体数量为N的种群P= {Si，S2,……，Sn} 而言，选取第i个染伤体Si的第k个基闲讲行巧择，巧择操作的公式为：
[0129]
[0130] 其中，r功[(U]之间的随机数，Smax为基因 Sik的上界，Smin为基因 Sik的下界，f(g) = r2*(l-g/Gmax)2，r2为[-1山之间的随机数，g为当前迭代次数，Gmax为最大进化次数。
[0131] 需要强调的是，与现有技术中提到的传统遗传神经网络算法不同的是，本发明实 施例提供的方案，对于所选取的待进化的个体而言，在进行交叉和变异操作的时候，是按照 自适应概率交叉和变异规则进行的，也就是，对于个体适应度值不同的个体而言，也就是对 于种群中性能优劣的个体而言，交叉变异的概率是有差异的，运样保证了种群中个体的整 体优化程度。
[0132] A253)利用精英选择策略，优化交叉变异后的新种群，生成进化后的种群P'。
[0133] 具体的，精英选择策略设计依据于：当子代性能逊于父代时，引入精英策略替换子 代最差个体；当子代性能优于父代时，则不引入精英策略。可W看出，精英选择策略进一步 保证了种群中个体的整体优化程度。
[0134] A26)分别计算种群P'中每一个个体的染色体对应的个体适应度值，W及种群P'的 遗传多样性程度。
[0135] A27)确定种群P'中数值最大的个体适应度值为种群P'的种群适应度值。
[0136] A28)判断种群P'的种群适应度值是否满足预设的停止进化的条件，若满足，则输 出最大的个体适应度值的个体的染色体所对应的权值和阔值，作为该网络拓扑结构的权值 和阔值。
[0137] 具体的，预设的停止进化的条件可W是：判断是否达到预设的种群进化的迭代次 数，如果达到，则判定满足预设的停止进化的条件，否则不满足。当然，还可W有其他可行的 停止进化的条件，本发明不对此进行限定。
[0138] A3)提取影响待训练±壤样本的±壤墙情的H个影响因子的训练样本数据W及实 际±壤墙情值。
[0139] A4)依次将各个训练样本的训练样本数据构成的输入向量输入至输入层，根据该 输入层、隐含层和输出层对应的权值和阔值，分别计算每一层的输出值，更新当前的权值和 阔值，直至全部训练样本输入完毕。
[0140] 需要说明的是，现有技术中已经公开了将训练样本的训练样本数据构成的输入向 量输入至输入层，W及根据该输入层、隐含层和输出层对应的权值和阔值进行加权求和运 算的具体计算过程，在此不再寶述，可参见现有技术中的相关计算过程。
[0141] A5)比较实际±壤墙情值与步骤A4)获得的输出层的预测值，获得预测结果的误差 Go
[0142] A6)判断误差e是否小于预设的最小允许误差6T;若小于，则输出当前的权值和阔 值。
[0143] 另外，步骤S2)中的±壤墙情预测模型至少包括W下列举的子模型中的一个或多 个：
[0144] A:针对同一±壤深度，且在预设时间段之后的±壤墙情的预测子模型；
[0145] B:针对同一预测时间点，且不同±壤深度的±壤墙情的预测子模型；
[0146] C:针对不同的±壤深度，且在预设时间段之后的±壤墙情的预测子模型。
[0147] 实际应用中，为了满足不同的±壤墙情预测需要，可W利用上述±壤墙情模型的 建立方式来建立基于不同预测需求的预测子模型。上述列举的A、B和C预测子模型的不同之 处在于，所选取的实际±壤墙情值的具体内容不同，举例而言，对于A而言，由于是针对同一 ±壤深度的，例如1〇(3111±层±壤，训练样本数据可W是:空气溫度、空气湿度、光照福射、风 速、有效降雨灌概量、1〇(3111±层±壤溫度和10(3111±层±壤湿度，预设时间段设置为24小时， 相应的，所选取的实际±壤墙情值为:24小时后的10皿±层±壤湿度。对于B而言，由于是针 对同一预测时间点的，例如14:00,训练样本数据可W是:空气溫度、空气湿度、光照福射、风 速、有效降雨灌概量、1〇(3111±层±壤溫度和10(3111±层±壤湿度，预设的不同±壤深度为： 20畑1±层±壤湿度，相应的，所选取的实际±壤墙情值为：14: OO的20畑1±层±壤湿度。对于 C也是类似的，此处不再寶述。总而言之，对于不同的±壤墙情预测需要而言，可W利用同样 的模型建立方式，区别在于所选取的训练样本数据和/或实际±壤墙情值的具体内容不同。
[0148] S3)输出经±壤墙情预测模型计算得到的针对待预测±壤样本的±壤墙情预测结 果。
[0149] 由W上可知，由于预测样本数据所输入的±壤墙情预测模型的网络拓扑结构中的 权值和阔值，是利用自适应概率的交叉变异规则计算获得的，与现有技术中所采用的恒定 概率进行交叉变异的方式不同，本发明实施例提供的方案能够尽可能地保证子代性能优于 父代，也就是提高了全局寻优的能力，因此，将预测样本数据输入至利用改进的遗传多样性 函数和适应度函数共同作用下的自适应概率的交叉和变异规则计算获得的权值和阔值所 训练的±壤墙情预测模型进行计算，所得到的预测结果更加准确，可见，提高了 ±壤墙情的 预测精度。
[0150] 实施例二：
[0151] 如图5所示，为本发明实施例提供的一种±壤墙情预测装置的结构示意图，该装置 可W包括W下模块：
[0152] 预测数据提取模块210,用于提取影响待预测±壤样本的±壤墙情的H个影响因子 的预测样本数据，其中，H为正整数；
[0153] 预测数据计算模块220,用于将预测样本数据构成的特征向量，输入至根据基于遗 传算法且利用改进的遗传多样性函数自适应调节交叉和变异规则计算获得的权值和阔值 而预先建立的±壤墙情预测模型中，该±壤墙情预测模型利用预设的权值和阔值对该特征 向量进行计算；
[0154] ±壤墙情预测模块230,用于输出经该±壤墙情预测模型计算得到的针对该待预 测±壤样本的±壤墙情预测结果。
[0K5]具体的，还包括±壤墙情预测模型建立模块，包括：
[0156] 网络结构确定子模块，用于确定网络拓扑结构，包括输入层、隐含层和输出层；
[0157] 初始参数获得子模块，用于获得该网络拓扑结构的权值和阔值；
[0158] 训练数据提取子模块，用于提取影响待训练±壤样本的±壤墙情的H个影响因子 的训练样本数据W及实际±壤墙情值；
[0159] 训练样本计算子模块，用于依次将各个训练样本的训练样本数据构成的输入向量 输入至输入层，根据输入层、隐含层和输出层对应的权值和阔值，分别计算每一层的输出 值，更新当前的权值和阔值，直至全部训练样本输入完毕；
[0160] 误差获得子模块，用于比较实际±壤墙情值与步骤A4)获得的输出层的预测值，获 得预测结果的误差e;
[0161] 目标参数获得子模块，用于判断该误差e是否小于预设的最小允许误差6T;若小 于，则输出当前的权值和阔值。
[0162] 具体的，该初始参数获得子模块，包括：
[0163] 种群确定单元，用于确定一个个体数量为N的种群P，其中，N为正整数；
[0164] 权值和阔值生成单元，用于根据预设的权值和阔值生成规则，生成该种群P中每一 个个体对应的权值和阔值；
[0165] 染色体编码单元，用于按照预设的染色体编码规则，将每一个个体对应的权值和 阔值编码为一条染色体；
[0166] 第一计算单元，用于分别计算每一个个体的染色体对应的个体适应度值，W及该 种群P的遗传多样性程度；
[0167] 种群进化单元，用于根据各个个体适应度值和遗传多样性程度，对种群P中的每个 个体进行进化处理，获得进化后个体数量为N '的种群P '，其中，N '为正整数；
[0168] 第二计算单元，用于分别计算该种群P'中每一个个体的染色体对应的个体适应度 值，W及该种群P '的遗传多样性程度；
[0169] 种群适应度确定单元，用于确定该种群P'中数值最大的个体适应度值为种群P'的 种群适应度值；
[0170] 停止种群进化判断单元，用于判断该种群P'的种群适应度值是否满足预设的停止 进化的条件，若满足，则输出最大的个体适应度值的个体的染色体所对应的权值和阔值，作 为该网络拓扑结构的权值和阔值。
[0171 ]具体的，该第一计算单元或第二计算单元，具体用于：
[0172] 按照W下表达式，计算每一个个体的染色体对应的个体适应度值：
[0173]
[0174] 其中，m为输出层神经元的个数，Tr为第r个神经元的理想输出即实际监测值，Or为 第r个神经元的预测输出即计算输出值。
[0175] 具体的，该第一计算单元或第二计算单元，具体用于：
[0176] 按照W下表达式，计算该种群P的遗传多样性程度：
[0177]
[017 引
[0179] 其中，N为种群的种群规模，t为种群进化的代数，L为种群中每个个体的染色体的 编码长度。
[0180] 具体的，该种群进化单元，包括：
[0181] 进化个体选择子单元，用于利用轮盘赌的选择策略，从种群P中确定待进化的个 体；
[0182] 交叉变异子单元，用于基于预设的自适应概率交叉和变异规则，得到交叉变异后 的新种群；
[0183] 新种群生成子单元，用于利用精英选择策略，优化交叉变异后的新种群，生成进化 后的种群P'。
[0184] 具体的，该交叉变异子单元，具体用于：
[0185] 按照W下交叉概率表达式，计算交叉概率Pc:
[0186]
[0187]
[018引其中，kc和ac为常数，fmin为当前种群中最小的适应度值，favg为当前种群的平均适 应度值，f'为交叉的两个个体中较大的适应度值，f为当前种群的遗传多样性程度。
[0189] 按照W下变异概率Pm，计算变异概率Pm:
[0190]
[0191]
[0192] 其中，km和am为常数，fmax为当前种群中最大的适应度值，favg为当前种群的平均适 应度值，f为变异个体的适应度值，资为当前种群的遗传多样性程度。
[0193] 具体的，该±壤墙情预测模型至少包括W下列举的子模型中的一个或多个：
[0194] A:针对同一±壤深度，且在预设时间段之后的±壤墙情的预测子模型；
[01M] B:针对同一预测时间点，且不同±壤深度的±壤墙情的预测子模型；
[0196] C:针对不同的±壤深度，且在预设时间段之后的±壤墙情的预测子模型。
[0197] 由W上可知，由于预测样本数据所输入的±壤墙情预测模型的网络拓扑结构中的 权值和阔值，是利用自适应概率的交叉变异规则计算获得的，与现有技术中所采用的恒定 概率进行交叉变异的方式不同，本发明实施例提供的方案能够尽可能地保证子代性能优于 父代，也就是提高了全局寻优的能力，因此，将预测样本数据输入至利用改进的遗传多样性 函数和适应度函数共同作用下的自适应概率的交叉和变异规则计算获得的权值和阔值所 训练的±壤墙情预测模型进行计算，所得到的预测结果更加准确，可见，提高了 ±壤墙情的 预测精度。
[0198] 对于装置实施例而言，由于其基本相似于方法实施例，所W描述得比较简单，相关 之处参见方法实施例的部分说明即可。
[0199] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实 体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示运些实体或操作之间存 在任何运种实际的关系或者顺序。而且，术语"包括"、"包含"或者其任何其他变体意在涵盖 非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要 素，而且还包括没有明确列出的其他要素，或者是还包括为运种过程、方法、物品或者设备 所固有的要素。在没有更多限制的情况下，由语句"包括一个……"限定的要素，并不排除在 包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0200] 本领域普通技术人员可W理解实现上述方法实施方式中的全部或部分步骤是可 W通过程序来指令相关的硬件来完成，所述的程序可W存储于计算机可读取存储介质中， 运里所称的存储介质，如:R0M/RAM、磁碟、光盘等。
[0201] W上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在 本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围 内。
【主权项】
1. 一种土壤墒情预测方法，其特征在于，所述方法包括： 51) 提取影响待预测土壤样本的土壤墒情的Η个影响因子的预测样本数据，其中，Η为正 整数； 52) 将所述预测样本数据构成的特征向量，输入至根据基于遗传算法且利用改进的遗 传多样性函数自适应调节交叉和变异规则计算获得的权值和阈值而预先建立的土壤墒情 预测模型中，所述土壤墒情预测模型利用预设的权值和阈值对所述特征向量进行计算； 53) 输出经所述土壤墒情预测模型计算得到的针对所述待预测土壤样本的土壤墒情预 测结果。2. 根据权利要求1所述的方法，其特征在于，所述步骤S2)中的土壤墒情预测模型的建 立方法包括： Α1)确定网络拓扑结构，包括输入层、隐含层和输出层； Α2)获得所述网络拓扑结构的权值和阈值； A3)提取影响所述待训练土壤样本的土壤墒情的Η个影响因子的训练样本数据以及实 际土壤墒情值； Α4)依次将各个训练样本的训练样本数据构成的输入向量输入至所述输入层，根据所 述输入层、隐含层和输出层对应的权值和阈值，分别计算每一层的输出值，更新当前的权值 和阈值，直至全部训练样本输入完毕； Α5)比较所述实际土壤墒情值与所述步骤Α4)获得的输出层的预测值，获得预测结果的 误差e; A6)判断所述误差e是否小于预设的最小允许误差eT;若小于，则输出当前的权值和阈 值。3. 根据权利要求2所述的方法，其特征在于，所述步骤A2 )，包括： A21)确定一个个体数量为N的种群P，其中，N为正整数； A22)根据预设的权值和阈值生成规则，生成所述种群P中每一个个体对应的权值和阈 值； A23)按照预设的染色体编码规则，将每一个个体对应的权值和阈值编码为一条染色 体； A24)分别计算每一个个体的染色体对应的个体适应度值，以及所述种群P的遗传多样 性程度； A25)根据所述各个个体适应度值和所述遗传多样性程度，对所述种群P中的每个个体 进行进化处理，获得进化后个体数量为N '的种群P '，其中，N '为正整数； A26)分别计算所述种群P'中每一个个体的染色体对应的个体适应度值，以及所述种群 P'的遗传多样性程度； A27)确定所述种群P '中数值最大的个体适应度值为所述种群P '的种群适应度值； A28)判断所述种群P'的种群适应度值是否满足预设的停止进化的条件，若满足，则输 出所述最大的个体适应度值的个体的染色体所对应的权值和阈值，作为所述网络拓扑结构 的权值和阈值。4. 根据权利要求3所述的方法，其特征在于，通过以下方式计算每一个个体的染色体对 应的个体适应度值： 按照以下表达式，计算每一个个体的染色体对应的个体适应度值：其中，m为输出层神经元的个数，Tr为第r个神经元的理想输出即实际监测值，Or为第r个 神经元的预测输出即计算输出值。5. 根据权利要求3所述的方法，其特征在于，通过以下方式计算所述种群P的遗传多样 性程度： 按照以下表达式，计算所述种群P的遗传多样性稈度：其中，N为种群的种群规模，t为种群进化的代数，L为种群中每个个体的染色体的编码 长度。6. 根据权利要求3所述的方法，其特征在于，所述步骤A25)包括： A251)利用轮盘赌的选择策略，从所述种群P中确定待进化的个体； A252)基于预设的自适应概率交叉和变异规则，得到交叉变异后的新种群； A253)利用精英选择策略，优化所述交叉变异后的新种群，生成进化后的种群P'。7. 根据权利要求6所述的方法，其特征在于，所述步骤A252)中预设的自适应概率交叉 和变异规则，包括： 按照以下交叉概率表达式，计算交叉概率P。：其中，k。和a。为常数，fmin为当前种群中最小的适应度值，faVg为当前种群的平均适应度 值，f '为交叉的两个个体中较大的适应度值，梦为当前种群的遗传多样性程度。 按照以下变异概率Pm，计算变异概率Pm:其中，km和am为常数，fmax为当前种群中最大的适应度值，faVg为当前种群的平均适应度 值，f为变异个体的适应度值，0为当前种群的遗传多样性程度。8. 根据权利要求1所述的方法，其特征在于，所述步骤S2)中的土壤墒情预测模型至少 包括以下列举的子模型中的一个或多个： A:针对同一土壤深度，且在预设时间段之后的土壤墒情的预测子模型； B:针对同一预测时间点，且不同土壤深度的土壤墒情的预测子模型； C:针对不同的土壤深度，且在预设时间段之后的土壤墒情的预测子模型。9. 一种土壤墒情预测装置，其特征在于，所述装置包括： 预测数据提取模块，用于提取影响所述待预测土壤样本的土壤墒情的Η个影响因子的 预测样本数据，其中，Η为正整数； 预测数据计算模块，用于将所述预测样本数据构成的特征向量，输入至根据基于遗传 算法且利用改进的遗传多样性函数自适应调节交叉和变异规则计算获得的权值和阈值而 预先建立的土壤墒情预测模型中，所述土壤墒情预测模型利用预设的权值和阈值对所述特 征向量进行计算； 土壤墒情预测模块，用于输出经所述土壤墒情预测模型计算得到的针对所述待预测土 壤样本的土壤墒情预测结果。10. 根据权利要求9所述的方法，其特征在于，还包括土壤墒情预测模型建立模块，包 括： 网络结构确定子模块，用于确定网络拓扑结构，包括输入层、隐含层和输出层； 初始参数获得子模块，用于获得所述网络拓扑结构的权值和阈值； 训练数据提取子模块，用于提取影响所述待训练土壤样本的土壤墒情的Η个影响因子 的训练样本数据以及实际土壤墒情值； 训练样本计算子模块，用于依次将各个训练样本的训练样本数据构成的输入向量输入 至所述输入层，根据所述输入层、隐含层和输出层对应的权值和阈值，分别计算每一层的输 出值，更新当前的权值和阈值，直至全部训练样本输入完毕； 误差获得子模块，用于比较所述实际土壤墒情值与所述步骤Α4)获得的输出层的预测 值，获得预测结果的误差e; 目标参数获得子模块，用于判断所述误差e是否小于预设的最小允许误差eT;若小于，则 输出当前的权值和阈值。
【文档编号】G06Q50/02GK105956715SQ201610342204
【公开日】2016年9月21日
【申请日】2016年5月20日
【发明人】李宁, 邓中亮, 张琪, 谷云霞, 李刚, 许树成, 张晋源, 韩可
【申请人】北京邮电大学