• / 18

基于动态多层极限学习机的灌溉方法

关 键  词:
基于 动态 多层 极限 学习机 灌溉 方法
资源描述:

《基于动态多层极限学习机的灌溉方法》文档由会员分享,可在线阅读,更多相关《基于动态多层极限学习机的灌溉方法(18页珍藏版)》请在白瓜网上搜索。

1、大、 同时在所给数据参数种类较 说明书 1/10 页 6 CN 107466816 A 6 少的情况据处理规模小、 数据处理速度慢及所给训练数 据种类较少等问题, 提供一种数据处理快速、 数据处理规模时间准确的计算作物需水量的灌溉方法极具应用前景。 发明内容 0006 本发明的目的是克服现有技术中数。 0005 因此, 一种数据处理快速、 数据处理规模大、 同时在所给数据参数种类较少的情况 下能短算精度, 但在迭代寻优过程中所耗时 间相对本专利所述方法相对较长, 对于大规模数据量不能实现快速处理该方法采用粒子群优化算法优化极限学习机网络输入层与 隐含层之间的输入权值和阈值, 这提高了蒸腾量的计。

2、。 发明专利CN 201611093504.8提供了一种基于改进极限 学习机的作物蒸腾量预测方法, 但该方法同样存在土壤参数如土壤含水率, 获取比较昂贵的问题, 需要 采用专用设备监测, 使用成本较高根据机理模型计算目标区所述目标区灌溉的作物蒸散量, 再计算需水量。 虽然该方法 处理结果较为准确, 以推广。 发明专利CN 201710020805.6提供了一种农田灌溉水量计算方法和装置, 提 出了结 果相对准确, 但该方法需要采集的信息量较多, 例如彭曼公式涉及的土壤热通量, 适用面较 小, 难系数计算作物逐日需 水量; 再基于作物灌溉制度和水量平衡原理计算作物逐日灌溉需水量。 虽然该方法处理。

3、, 构建作物播种日期和作物生育期长度 对温度的响应模型; 利用彭曼公式结合单作物系数法和土壤水分胁迫8.X公开了一种未来气候条件下作物灌溉需水量计算方法, 该方法根据作物田间试验的生育期数据和积温公式指导灌区做到适时适量灌溉, 提高灌区灌溉水资源的合理利 用率。 发明专利CN 20161095165前在农业灌溉方法领域已有大量的研究成果, 以期达到为灌溉管理层和决策者 提供直观的可视化决策依据, 法对于减小作物生育期的水分消耗, 提高水分利用率, 发展节水农业 有着十分重要的意义。 0004 目、 水资源利用规划以及灌排工程的规划、 设计、 管理等领域的基本依据。 通过准确 地计算以确定灌溉方。

4、 产、 高效目的, 实现灌区水资源可持续发展的有效手段和基本保障; 是制定流域规划、 地区 水利规划律, 是 制定科学、 合理的灌溉制度, 确定灌区灌溉用水量, 实施精细灌溉的基础; 是达到节水、 高到农业高效生产的目的。 0003 农业物联网智能灌溉领域中通过准确地计算灌溉需水量, 了解作物需水规定发生问题的位置。 使原本依赖于孤立机械的生 产模式转向以信息和软件为中心的智能化生产模式, 从而达节点采集农作物生产环境实时信息, 通过网络技术构成监控系 统, 帮助农民及时发现问题, 并且准确地确要引领作用, 改变了传统农业生产方式, 促进了农业向智能化、 精细化方向 的转变。 利用大量的传感器。

5、 0002 农业物联网是新一代信息技术在农业领域的高度集成和综合运用, 对我国农业信 息化发展具有重0001 本发明属于农业物联网智能灌溉领域, 涉及一种基于动态多层极限学习机的灌溉 方法。 背景技术 4/4 页 5 CN 107466816 A 5 一种基于动态多层极限学习机的灌溉方法 技术领域 层极限学习机的隐含层 输出矩阵, T1为第1个数据块输入时多层极限学习机的期望输出矩阵。 权利要求书 当j2时, j-1为第1个数据块输 入时多层极限学习机的输出权值矩阵, H1为第1个数据块输入时多量式多层极限学习机的隐含层输出矩阵, Tj为第 j个数据块输入时增量式多层极限学习机的期望输出矩阵,。

6、要求书 3/4 页 4 CN 107466816 A 4 式中, j2, Hj为第j个数据块输入时增习机的灌溉方法, 其特征在于, 第j 个数据块输入时增量式多层极限学习机的输出权值矩阵j如下: 权利新机制, 具体公式如下: 式中, c5, 0.01。 9.根据权利要求1所述的一种基于动态多层极限学 所述 根据预测结果决定系数R2更新多层极限学习机的隐含层节点数是指根据预测结果决定系 数R2定义更数; 的计算公式如下: 8.根据权利要求1所述的一种基于动态多层极限学习机的灌溉方法, 其特征在于,KPa-1, Q为日平 均气温, 单位为, u为2米高处的风速, 单位为ms-1, Crop为作物系。

7、 es为饱和水汽 压, 单位为KPa, ea为实际水汽压, 单位为KPa, 代表温度计常数, 单位为辐射, 单位为MJm-2day-1, G为土壤热通量, 这里忽略不计, 单位为MJm-2day-1,公式如下: 式中, 为饱和水汽压-温度的函数关系曲线斜率, 单位为KPa-1, Rn为输入冠层的 净: 式中, meanETpredicted为求N组数据预测值的平均数; 所述ETPM56(i)的计算N为输入样本的组数; 所述设定预测精度E1的取值范围为大于0.90; 所述决定系数R2的计算公式如下y-1, ETpredicted(i)为第i组数据作物的预测灌溉需 水量, 单位为mmday-1, 。

8、-56PM方程对第i组数据作物需水量的计算值再乘以相应的作 物系数得到的作物需水量, 单位为mmda灌溉方法, 其特征在于, 所述 预测精度pi的计算公式如下: 式中, ETPM56(i)为通过FAO56PM方程乘以作物系数计算得到的作物需水量。 7.根据权利要求1所述的一种基于动态多层极限学习机的望 权利要求书 2/4 页 3 CN 107466816 A 3 输出矩阵, T中的元素为由FAO-下: 式中,表示求矩阵H的Moore-Penrose广义逆, 为正则化系数, I为单位矩阵, T为期隐含层输出矩阵H的表达式如下: (4)根据隐含层输出矩阵H计算多层极限学习机输出权值矩阵 , 公式如。

9、 (3)根据输入层与隐含层之间的连接权值Wv、 阈值bv和激活函数g(x)计算隐含层输出矩 阵H, 化多层极限学习机网络输入层与 隐含层之间的连接权值Wv和阈值bv, 初始化范围为-0.5, 0.5;值, v1, 2.Xs为输入向量, e为自然常数; (2)根据输入层节点数与隐含层节点数分别随机初始数为则这里的x在极限学习机中具体指WvXs+bv, Wv为输入 层与隐含层之间的连接权值, bv为阈极限学习机网络中假设给定N组样本(Xs, ts), s1, .N, 假设基 本极限学习机的隐含层节点数,为第k层极限学习机的输出层节点数; 所述激活函数g(x)的方程式如下: 式中, x为自变量, 在。

10、层节点数的初始化公式如下: 式中,为第k层极限学习机的隐含层节点数,为第k层极限学习机的输入层节 点包括输入层数、 隐含层节点数和输出层数, 其中输入层数为输入数据种类的个数, 输出 层数为1, 隐含如下: (1)初始化多层极限学习机网络的输入参数, 并选择隐含层的激活函数g(x); 所述输入 参数权利要求1所述的一种基于动态多层极限学习机的灌溉方法, 其特征在于, 所述 多层极限学习机的构建步骤种基于动态多层极限学习机的灌溉方法, 其特征在于, 所述 多层极限学习机为双层极限学习机。 6.根据 训练集中含有40005000组训练数据, 所述滑动窗口大小为500组。 5.根据权利要求1所述的一。

11、数据中的最大值。 4.根据权利要求1所述的一种基于动态多层极限学习机的灌溉方法, 其特征在于, 所述据, X*为当前需要归一化的数据, xmin为需要归一化的数据中的 最小值, xmax为需要归一化的化公式如下: 权利要求书 1/4 页 2 CN 107466816 A 2 式中, X为归一化后的数 其特征在于, 步骤 (2)和步骤(5)中的归一化处理是指将采集的所有数据归一化到-1, 1, 归一生长期专家给出每个生长期的 经验值。 3.根据权利要求1所述的一种基于动态多层极限学习机的灌溉方法, 所述风速的单位为ms-1, 所述压强的 单位为KPa; 所述作物系数是指查询灌溉作物类型根据不同风。

12、速和大气压强, 温度的单位为, 湿度的单 位为, 所述日平均太阳总辐射的单位为MJm-2day-1日平均温度、 土壤日平均湿度、 空气日平均温度、 空 气日平均湿度、 日平均太阳总辐射、 2m高处的述的一种基于动态多层极限学习机的灌溉方法, 其特征在于, 所述 土壤环境数据和气象数据具体为: 土壤0)循环步骤4)8)至jn, 得到的集成预测模型C(n-1)即为最终预测模型。 2.根据权利要求1所练增量式多层极限学习机得到模型Mj, 模型Mj即为集成预测模型C (j-1); 9)令jj+1; 1j采用增量式学习机制更新多层极限学习机的输出权值矩阵得到增量式 多层极限学习机; 8)采用数据块j训否。

13、则, 进入下一步; 6)根据预测结果决定系数R2更新多层极限学习机的隐含层节点数; 7)根据数据块i是否大于等于设定预测精度E1, 如果是, 则输出模型M(j-1)即为集成 预测模型C(j-1), C(j-2)是指数据块(j-1)训练得到的模型, 集成预测模型C0 是模型M1; 5)判断预测精度p集成预测模型C(j-2)得到预测灌溉需水量并计算预测精度pi和预测 结果决定系数R2, 集成预测模型窗口的单位为组; 2)采用数据块1训练多层极限学习机得到模型M1; 3)令j2; 4)将数据块j输入体步骤如下: 1)根据滑动窗口大小将所有组训练数据按采集时间顺序等分为n个数据块并顺序编 号, 滑动测。

14、模型, 得到预测灌溉需水量, 根 据预测灌溉需水量进行灌溉; 所述采用训练集训练多层极限学习机的具括土壤环境数据、 气象数据和灌溉作物的作物 系数; (5)对每组测试数据进行归一化处理后输入到最终预集; (3)采用训练集训练多层极限学习机得到最终预测模型; (4)采集多组测试数据, 每组测试数据包据、 气象数据和灌溉作物的作物 系数; (2)对每组训练数据进行归一化处理, 所有组训练数据构成训练在训练过程中隐含层节点数动态更新, 步骤如下: (1)采集多组训练数据, 每组训练数据包括土壤环境数 多 层极限学习机中上一层的输入和输出同时作为下一层的输入, 动态多层极限学习机是指多 层极限学习机 。

15、将与待求灌溉需水量 相关的数据归一化处理后输入到最终预测模型得到预测灌溉需水量后进行灌溉, 其中, 其特征是, 采集与已知灌溉需水量相关 的数据并进行归一化处理后训练多层极限学习机得到最终预测模型, A 2017.12.15 CN 107466816 A 1.一种基于动态多层极限学习机的灌溉方法,水资源、 合理灌 溉农作物的目的。 权利要求书4页 说明书10页 附图3页 CN 107466816, 本发明提高了灌溉需 水量的计算精度, 降低了灌溉需水量预测时间损 耗和计算成本, 达到了合理利用果满足精度需求, 则输出该模型, 否则将在已有模型的基础上进行增量式学习训 练, 得到动态调整的模型溉。

16、需水量进行灌溉。 本发明根据计算 精度采用 “求同存异” 策略, 即如果模型对再次输 入数据计算结终模型; 最终采集测试数据并对其进行归一化 处理后输入到最终模型, 得到预测灌溉需水量, 根据预测灌作物 系数; 然后对各组训练数据进行归一化处理构成 训练集; 再采用训练集训练多层极限学习机得到 最极限学习机 的灌溉方法, 首先采集多组训练数据, 训练数据 包括土壤环境数据、 气象数据和灌溉作物的) (54)发明名称 一种基于动态多层极限学习机的灌溉方法 (57)摘要 本发明涉及一种基于动态多层 (51)Int.Cl. A01G 25/16(2006.01) G06K 9/62(2006.01欣 王彤 (74)专利代理机构 上海统摄知识产权代理事务 所(普通合伙) 31303 代理人 金利琴东华大学 地址 201620 上海市松江区人民北路2999 号 (72)发明人 丁永生刘天凤郝矿荣蔡(21)申请号 201710605810.3 (22)申请日 2017.07.24 (71)申请人 (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日。

展开阅读全文
  白瓜网所有资源均用户上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
0条评论

还可以输入200字符

暂无评论,赶快抢占沙发吧。

关于本文
本文标题:基于动态多层极限学习机的灌溉方法
链接地址:https://www.baigua.net/doc/836363.html
关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

copyright@ 20018-2021 白瓜网版权所有

经营许可证编号:粤ICP备20005300号-1