CN107665244A - 一种获取粮食产量与化肥使用量之间关系的方法及装置 - Google Patents
一种获取粮食产量与化肥使用量之间关系的方法及装置 Download PDFInfo
- Publication number
- CN107665244A CN107665244A CN201710816507.8A CN201710816507A CN107665244A CN 107665244 A CN107665244 A CN 107665244A CN 201710816507 A CN201710816507 A CN 201710816507A CN 107665244 A CN107665244 A CN 107665244A
- Authority
- CN
- China
- Prior art keywords
- sample point
- rbf neural
- grain yield
- fertilizer application
- application amount
- 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
- 239000003337 fertilizer Substances 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000001537 neural effect Effects 0.000 claims abstract description 106
- 239000002689 soil Substances 0.000 claims abstract description 45
- 235000021049 nutrient content Nutrition 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 241001269238 Data Species 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 239000003016 pheromone Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000005055 memory storage Effects 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 230000008043 neural expression Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 123
- 239000000126 substance Substances 0.000 description 28
- 238000003062 neural network model Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 230000007935 neutral effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000005036 nerve Anatomy 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000019637 foraging behavior Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000013488 ordinary least square regression Methods 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Fertilizers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种获取粮食产量与化肥使用量之间关系的方法及装置,该方法包括:S1,根据各样本点的单位面积化肥使用量、土壤pH和各养分含量获取多种输入数据,根据所述各样本点和各样本点所在城市的单位面积粮食产量获取输出数据,根据各输入数据和输出数据构建多个蚁群算法优化的RBF神经网络;S2,获取所述各RBF神经网络的均方误差,使用均方误差最小的RBF神经网络表示粮食产量与化肥使用量之间的关系。本发明通过使用多种输入数据构建多个蚁群算法优化的RBF神经网络,从中选择均方误差最小的所述RBF神经网络表示粮食产量与化肥使用量之间的关系,从而实现使用更精确的RBF神经网络表示粮食产量与化肥使用量之间的关系,获取的粮食产量与化肥使用量之间的关系也更精确。
Description
技术领域
本发明涉及深度学习领域,更具体地,涉及一种获取粮食产量与化肥使用量之间关系的方法及装置。
背景技术
现如今,为了生态***发展的可持续性,研究学者在探究化肥施用量与粮食产量之间的关系方面做了很多的工作,如利用回归方法构建回归模型等。2013年王奇等人采用OLS(Ordinary Least Square,普通最小二乘法)方法进行回归,分析了我国粮食产量与化肥使用量之间的定量关系;2012年赵志坚等人利用计量模型获取湖南省的化肥投入与粮食产出之间的关系;2013年陈秧分等人利用空间面板计量经济模型探讨中国粮食产量的影响因素,揭示了全国各主导类型粮食产量波动原因及其作用规律,有助于确定各区域粮食增产的主要制约因素与提升途径;2013年顾乐民通过最小一乘法对指数型生产函数模型进行拟合,找到符合中国粮食变化的某些规律;2013年赵海英等人运用Eviews6.0软件对中国粮食产量和化肥施用量之间的相关性进行了线性回归分析,建立了一元线性回归模型;2016年郎贵飞等人基于VAR(Vector Autoregression,向量自回归)模型对我国粮食产量和化肥施用量进行了实证分析。
目前,神经网络在信号处理、特征提取、模式识别、非线性预测等领域应用广泛。不同的神经网络适用于不同的领域。现阶段应用最为频繁的是BP(Back Propagation,后向传播)神经网络,但是BP神经网络学习过程的收敛与初值密切相关,并且学习过程还有可能出现局部收敛,这是在实际应用中的疑难问题。但是RBF(Radial Basis Function,径向基函数)神经网络是一种性能良好的前馈型神经网络,它是基于人脑的神经元细胞对外界反应的局部性而提出的,是一种新颖有效的前馈型神经网络,且具有较高的运算速度。RBF神经网络通常具有三层BP神经网络的功能,但学习速度比BP方法快10^3~10^4倍。特别是它具有较强的非线性映射能力,能以任意精度全局逼近一个非线性函数。2002年柴杰等人探究了RBF神经网络在函数逼近能力方面的优势。借助于RBF神经网络在函数逼近能力方面的特性,RBF神经网络被广泛应用于拟合预测。2008年王新军等人利用RBF神经网络对保险业财产损失分布进行估计和未来财产损失的测算。
现有技术中,一方面,很少有借助于神经网络模型对粮食产量与化肥施用量之间的关系进行研究,进而有助于粮食产量的可持续发展;另一方面,在构建RBF神经网络模型时,仅利用单输入或多输入构建RBF模型,而单输入和多输入在不同情况下构建的RBF神经网络的精度不一样,即一些情况下单输入比多输入构建的RBF神经网络的精度高,而另一些情况下,多输入比单输入构建的RBF神经网络的精度高。因此,仅利用单输入或多输入构建RBF神经网络模型,会影响RBF神经网络模型的精度。
发明内容
为克服上述仅使用单输入或多输入构建RBF模型影响精度的问题或者至少部分地解决上述问题,本发明提供了一种获取粮食产量与化肥使用量之间关系的方法及装置。
根据本发明的第一方面,提供一种获取粮食产量与化肥使用量之间关系的方法,包括:
S1,根据各样本点的单位面积化肥使用量、土壤pH和各养分含量获取多种输入数据,根据所述各样本点和各样本点所在城市的单位面积粮食产量获取输出数据,根据各输入数据和输出数据构建多个蚁群算法优化的RBF神经网络;
S2,获取所述各RBF神经网络的均方误差,使用均方误差最小的RBF神经网络表示粮食产量与化肥使用量之间的关系。
具体地,所述步骤S1具体包括:
将所述各样本点的单位面积化肥使用量作为输入数据,所述各样本点的单位面积粮食产量作为输出数据,构建第一RBF神经网络;
将所述各样本点的土壤pH、各养分含量和单位面积化肥使用量作为输入数据,所述各样本点的单位面积粮食产量作为输出数据,构建第二RBF神经网络;
根据所述各样本点的土壤pH和养分含量对所述各样本点进行聚类,根据各类中的所述样本点,分别构建第三RBF神经网络和第四RBF神经网络。
具体地,根据各类中的所述样本点,分别构建所述第三RBF神经网络和第四RBF神经网络的步骤具体包括:
将各类中所有所述样本点土壤的pH平均值、各养分含量平均值和所在城市的单位面积化肥使用量的平均值作为输入数据,各类中所有所述样本点所在城市的单位面积粮食产量的平均值作为输出数据,构建所述第三RBF神经网络;
将各类中所述各样本点的土壤pH、各养分含量和所在城市的单位面积化肥使用量作为输入数据,各类中所述各样本点所在城市的单位面积粮食产量作为输出数据,构建所述第四RBF神经网络。
具体地,所述步骤S1具体包括:
S11,使用所述蚁群算法对所述各样本点的输入数据进行聚类,获取聚类中心,将所述聚类中心作为所述RBF神经网络的中心;
S12,使用反向传播算法获取所述RBF神经网络中从隐含层到输出层的权值;
S13,根据所述隐含层的隐含单元的输出,对所述隐含单元进行裁剪。
具体地,所述步骤S11具体包括:
S111,根据任意两个样本点之间的路径信息量,获取所述两个样本点中一个样本点聚类到另一个样本点的概率,若判断所述概率大于第一预设阈值,则将所述两个样本点分为一类;
S112,获取每一类的聚类中心和所有类的总误差,若判断所述总误差小于或等于第二预设阈值,则将所述聚类中心作为所述RBF神经网络的中心;或者,
若判断所述总误差大于所述第二预设阈值,则根据所述样本点到所述聚类中心的距离和修改后的信息素持久性系数,获取新的路径信息量,使用所述新的路径信息量迭代执行聚类和确定聚类中心的操作,直到所述总体误差小于或等于所述第二预设阈值。
具体地,所述步骤S13具体包括:
获取所述隐含层的每个隐含单元的输出值,并对所述输出值进行规范化;
若判断规范化后的输出值小于第三预设阈值,则去掉所述输出值对应的隐含单元。
具体地,根据所述各样本点的土壤pH和养分含量对所述各样本点进行聚类的步骤具体包括:
根据所述各样本点的土壤pH和养分含量,使用模糊K均值聚类算法对所述各样本点进行聚类。
根据本发明的第二方面,提供一种获取粮食产量与化肥使用量之间关系的装置,包括:
构建单元,用于根据各样本点的单位面积化肥使用量、土壤pH和各养分含量获取多种输入数据,根据所述各样本点和各样本点所在城市的单位面积粮食产量获取输出数据,根据各输入数据和输出数据构建多个蚁群算法优化的RBF神经网络;
计算单元,用于获取所述各RBF神经网络的均方误差,使用均方误差最小的RBF神经网络表示粮食产量与化肥使用量之间的关系。
根据本发明的第三方面,提供一种获取粮食产量与化肥使用量之间关系的设备,包括:
至少一个处理器、至少一个存储器和总线;其中,
所述处理器和存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如前所述的方法。
根据本发明的第四方面,提供一种非暂态计算机可读存储介质,用于存储如前所述的计算机程序。
本发明提高一种获取粮食产量与化肥使用量之间关系的方法及装置,该方法通过使用多种输入数据构建多个蚁群算法优化的RBF神经网络,从中选择均方误差最小的RBF神经网络表示粮食产量与化肥使用量之间的关系,从而实现使用更精确的RBF神经网络表示粮食产量与化肥使用量之间的关系,获取的粮食产量与化肥使用量之间的关系也更精确。
附图说明
图1为本发明实施例提供的获取粮食产量与化肥使用量之间关系的方法整体流程图;
图2为现有技术中的RBF神经网络示意图;
图3为本发明又一实施例提供的获取粮食产量与化肥使用量之间关系的方法流程图;
图4为本发明另一实施例提供的获取粮食产量与化肥使用量之间关系的方法流程图;
图5为本发明实施例提供的获取粮食产量与化肥使用量之间关系的装置整体结构示意图;
图6为本发明实施例提供的获取粮食产量与化肥使用量之间关系的设备整体结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在本发明的一个实施例中提供一种获取粮食产量与化肥使用量之间关系的方法,图1为本发明实施例提供的获取粮食产量与化肥使用量之间关系的方法整体流程图,如图1所示,该方法包括:S1,根据各样本点的单位面积化肥使用量、土壤pH和各养分含量获取多种输入数据,根据所述各样本点和各样本点所在城市的单位面积粮食产量获取输出数据,根据各输入数据和输出数据构建多个蚁群算法优化的RBF神经网络;S2,获取所述各RBF神经网络的均方误差,使用均方误差最小的RBF神经网络表示粮食产量与化肥使用量之间的关系。
具体地,S1中,所述输入数据为所述RBF神经网络的输入的数据,每种所述输入数据中包含各样本点的单位面积化肥使用量或平均单位面积化肥使用量。一种所述数据中可以只包含化肥使用量,还可以包含土壤的pH值和养分含量。所述养分含量包括N(氮)、P(磷)、AVP(有效磷)、AVK(有效钾)和OM(有机质)。一种输入数据构建对应的一个蚁群算法优化的RBF神经网络。输入数据的种数与构建的RBF神经网络的个数相同。可以直接使用各样本点的数据构建对应的蚁群算法优化的RBF神经网络,也可以使用对各样本点数据处理后的结果构建对应的蚁群算法优化的RBF神经网络。将所述各种输入数据作为蚁群算法优化后的RBF神经网络模型的输入,根据所述各样本点和各样本点所在城市的单位面积化肥使用量获取输出数据,所述输出数据为所述RBF神经网络输出的数据。所述蚁群算法又称为蚂蚁算法,是一种在图中寻找优化路径的机率型算法。所述蚁群算法第一次由Dorigo等率先提出,是基于生物蚁群***的集体觅食行为而发展起来的一类仿生优化算法,具有并行分布式计算、强大的全局寻优能力、适应性强和易于与其他算法结合等优点。所述RBF神经网络是由三层构成的前向网络,如图2所示,其中第一层为输入层,节点个数等于输入的维数;第二层为隐含层,节点个数视问题的复杂度而定;第三层为输出层,节点个数等于输出数据的维数。x1、x2...xn为输入数据,w1、w2...wn为从隐含层到输出层的权值。所述RBF神经网络的输出y通过下式获取:
其中,X={x1,x2...,xn}为输入向量;ωk为第k个隐含层神经元与输出层神经元的连接权值;φk为第k个隐含层神经元的输出,通过下式获取:
μk为所述RBF神经网络的中心,σk为方差。隐含层神经元的个数根据问题的复杂程度来确定,虽然越多的隐含层神经元个数会使所述RBF神经网络的精确度越高,但是过多的隐含层神经元个数会使所述RBF神经网络训练时间过长和产生过拟合问题。S2中,获取蚁群算法优化的所述各RBF神经网络的均方误差,即使用测试样本点的输入数据使用个使用所述各RBF神经网络计算各样本的粮食产量,将计算出的各粮食产量与实际的粮食产量进行比较,获取各实际的粮食产量与对应的计算出的各粮食产量之间的差值,对各测试样本点的所述差值平方后相加,再开方,即得到各RBF神经网络的均方误差,使用均方误差最小的所述RBF神经网络表示粮食产量与化肥使用量之间的关系。
本实施例通过使用多种输入数据构建多个蚁群算法优化的RBF神经网络,从中选择均方误差最小的所述RBF神经网络表示粮食产量与化肥使用量之间的关系,从而实现使用更精确的RBF神经网络表示粮食产量与化肥使用量之间的关系,获取的粮食产量与化肥使用量之间的关系也更精确。
在上述实施例的基础上,本实施例中所述步骤S1具体包括:将所述各样本点的单位面积化肥使用量作为输入数据,所述各样本点的单位面积粮食产量作为输出数据,构建第一RBF神经网络;将所述各样本点的土壤pH、各养分含量和单位面积化肥使用量作为输入数据,所述各样本点的单位面积粮食产量作为输出数据,构建第二RBF神经网络;根据所述各样本点的土壤pH和养分含量对所述各样本点进行聚类,根据各类中的所述样本点,分别构建第三RBF神经网络和第四RBF神经网络。
具体地,例如,整理出234个样本点单位面积化肥使用量与单位面积粮食产量数据,分别将单位面积化肥使用量作为RBF神经网络的输入,将单位面积粮食产量作为输出,构建一个单输入单输出的第一RBF神经网络模型。整理出122个样本点,每个样本点分别包含样本点土壤pH,土壤养分含量,以及该样本点的单位面积化肥施用量与单位面积粮食产量,格式如下:江阴1982年土壤养分含量和pH,1980年单位面积化肥施用量与单位面积粮食产量;江阴1982年土壤养分含量和pH,1985年单位面积化肥施用量与单位面积粮食产量;江阴1982年土壤养分含量和pH,1990年单位面积化肥施用量与单位面积粮食产量;江阴2000年土壤养分含量和pH,1990年单位面积化肥施用量与单位面积粮食产量;江阴2000年土壤养分含量和pH,1995年单位面积化肥施用量与单位面积粮食产量;江阴2000年土壤养分含量和pH,2000年单位面积化肥施用量与单位面积粮食产量。以土壤养分含量和pH以及单位面积化肥施用量作为RBF神经网络的输入,单位面积粮食产量作为输出,构建一个七个输入一个输出的第二RBF神经网络模型。
在上述实施例的基础上,本实施例中根据各类中的所述样本点,分别构建所述第三RBF神经网络和第四RBF神经网络的步骤具体包括:将各类中所有所述样本点土壤的pH平均值、各养分含量平均值和所在城市的单位面积化肥使用量的平均值作为输入数据,各类中所有所述样本点所在城市的单位面积粮食产量的平均值作为输出数据,构建所述第三RBF神经网络;将各类中所述各样本点的土壤pH、各养分含量和所在城市的单位面积化肥使用量作为输入数据,各类中所述各样本点所在城市的单位面积粮食产量作为输出数据,构建所述第四RBF神经网络。
具体地,例如,整理出170个样本点,根据所述各样本点的土壤pH和养分含量对所述各样本点进行聚类,利用聚类结果,获取每一类样本点所在的城市,然后整理出样本点所在城市的1982年和2000年的土壤养分含量和pH数据以及1980、1985、1990、1995和2000年的单位面积化肥使用量与单位面积粮食产量数据。将同一类的样本点的土壤养分含量和pH取平均值。同样构建一个七个输入一个输出的第三RBF神经网络模型。整理出6194个样本点,根据所述各样本点的土壤pH和养分含量对所述各样本点进行聚类,利用聚类结果,将每一类中包含的采样点的养分含量和pH全部作为输入数据,整理成:1982年,第一样本点的土壤pH、养分含量,以及所述第一样本点所在城市的1980、1985和1990的单位面积化肥施用量、单位面积粮食产量;2000年,第二样本点的土壤pH、养分含量,以及所述第二样本点所在城市的1990、1995、2000的单位面积化肥施用量、单位面积粮食产量;…。同样,以相同的方法来构建出七个输入一个输出的第四RBF神经网络。
粮食产量受很多因素的影响,比如,化肥施用量、天气、水分等。因此,粮食产量与化肥施用量之间存在着复杂的关系,不能简单的用线性模型或者是非线性模型分析两者之间的相关关系。此外,神经网络应用广泛,尤其是RBF神经网络的特性适用于探究单位面积粮食产量与单位面积化肥施用量之间的非线性关系。用RBF神经网络模型能够更好的拟合出单位面积化肥施用量与单位面积粮食产量之间的关系,并且根据不同输入数据情况下构建的RBF神经网络进行比较,探讨增加土壤养分输入条件后对构建单位面积化肥施用量与单位面积粮食产量模型精确度影响。从而选择更加合适的输入数据构建RBF模型,表示化肥施用量与粮食产量之间的关系,从中可以看出化肥施用量、粮食产量以及生态***之间的关系,为保护生态***并兼顾农业生产,维系生态***平衡提供科学的依据。
图3为本发明实施例提供的获取粮食产量与化肥使用量之间关系的方法流程图,如图3所示,在上述实施例的基础上,本实施例中所述步骤S1具体包括:S11,使用所述蚁群算法对所述各样本点的输入数据进行聚类,获取聚类中心,将所述聚类中心作为所述RBF神经网络的中心;S12,使用反向传播算法获取所述RBF神经网络中从隐含层到输出层的权值;S13,根据所述隐含层的隐含单元的输出,对所述隐含单元进行裁剪。
具体地,S11中,使用所述蚁群算法对所述各样本点进行聚类,获取所述各样本点的聚类中心。将所述聚类中心作为所述RBF神经网络的中心,所述聚类中心的个数与所述RBF神经网络中心的个数相同。S12中,以交叉熵作为目标函数,使用反向传播算法对所述RBF神经网络进行训练,获取所述RBF神经网络中从隐含层到输出层的权值。S13中,根据所述隐含层的每个隐含单元的输出,对所述隐含单元进行裁剪。所述裁剪为去掉所述隐含单元。
本实施例根据所述各样本点,使用蚁群算法优化的RBF神经网络作为粮食产量与化肥使用量之间关系的结果,收敛速度快、网络结构简单、鲁棒性强且不易陷入局部极小点。
图4为本发明实施例提供的获取粮食产量与化肥使用量之间关系的方法流程图,如图4所示,在上述实施例的基础上,本实施例中所述步骤S11具体包括:S111,根据任意两个样本点之间的路径信息量,获取所述两个样本点中一个样本点聚类到另一个样本点的概率,若判断所述概率大于第一预设阈值,则将所述两个样本点分为一类;S112,获取每一类的聚类中心和所有类的总误差,若判断所述总误差小于或等于第二预设阈值,则将所述聚类中心作为所述RBF神经网络的中心;或者,若判断所述总误差大于所述第二预设阈值,则根据所述样本点到所述聚类中心的距离和修改后的信息素持久性系数,获取新的路径信息量,使用所述新的路径信息量迭代执行聚类和确定聚类中心的操作,直到所述总体误差小于或等于所述第二预设阈值。
具体地,S111中,对于所述样本点中的任意两个样本点,根据所述两个样本点之间的路径信息量,获取所述两个样本点中一个样本点到另一个样本点的概率。样本点xi聚类到样本点xj的概率pij通过下式获取:
其中,τij为路径信息量,n为所述样本点的个数。若pij大于第一预设阈值,则将xi与xj分为一类,否则不将xi与xj分为一类。
S112中,获取每一类的聚类中心,所述聚类中心cj通过下式获取:
其中,J为与样本点xj分为一类的样本点的个数,xk为第k个样本点的值。所有类的总体误差ε通过下式获取:
其中,xki为与xj分为一类的第K个样本点的第i个值,xji为xj的第i个值,m为一个样本点的值的个数,K为聚类中心的个数。若判断所述总误差ε小于或等于第二预设阈值,则将所述聚类中心作为所述RBF神经网络的中心。若判断所述总误差大于所述第二预设阈值,则根据所述样本点到所述聚类中心的距离和修改后的信息素持久性系数,获取新的路径信息量,使用所述新的路径信息量迭代执行聚类和确定聚类中心的操作,直到所述总体误差小于或等于所述第二预设阈值。获取每个所述样本点到新的聚类中心之间的距离dij,修改信息素的持久性系数ρ,所述公式新的路径信息量通过下式获取:
其中,为上次迭代中的路径信息量,Q为常量。
在上述实施例的基础上,本实施例中所述步骤S13具体包括:获取所述隐含层的每个隐含单元的输出值,并对所述输出值进行规范化;若判断规范化后的输出值小于第三预设阈值,则去掉所述输出值对应的隐含单元。
具体地,获取所述隐含层的每个隐含单元的输出值,对所述输出值进行规范化包括:获取所述输出值中的最大值,用所述每个隐含单元的输出值除以所述最大值。若判断规范化后的输出值小于第三预设阈值,则去掉所述输出值对应的隐含单元。
本实施例中通过对隐含单元进行优化,将输出值不满足条件的隐含单元去掉,在保证所述RBF神经网络精度的情况下简化了所述RBF神经网络的结构,提高了运算速度。
在上述实施例的基础上,本实施例中在所述步骤S111之前还包括:根据任意两个样本点之间的欧式距离对所述两个样本点之间的路径信息量进行初始化。
具体地,通过下式计算任意两个样本点xi和xj之间的欧氏距离dij:
dij=||(xi-xj)||2,i,j=1,2...n,
其中,n为所述样本点的个数。对所述两个样本点的路径信息量τij进行初始化:
其中,r为第四预设阈值。
在上述实施例的基础上,本实施例中根据所述各样本点的土壤pH和养分含量对所述各样本点进行聚类的步骤具体包括:根据所述各样本点的土壤pH和养分含量,使用模糊K均值聚类算法对所述各样本点进行聚类。
具体地,聚类方法是一种常用的数据分析技术,聚类是将一个对象的集合分成几个类,每个类内的对象之间是相似的,但与其他的类的对象是不相似的。模糊k均值聚类是一种基于划分的聚类算法,它是基于普通k均值聚类上的一种改进,借助于隶属度函数来对对象进行划分。
在本发明的另一个实施例中提供一种获取粮食产量与化肥使用量之间关系的装置,图5为本发明实施例提供的获取粮食产量与化肥使用量之间关系的装置整体结构示意图,如图5所示,该装置包括构建单元1和计算单元2,其中:
所述构建单元1用于根据各样本点的化肥使用量、土壤的pH和各养分含量获取多种输入数据,根据所述各样本点和各样本点所在城市的化肥使用量获取输出数据,根据所述各种输入数据和输出数据构建多个蚁群算法优化的RBF神经网络;所述计算单元2获取所述各RBF神经网络的均方误差,使用所述均方误差最小的RBF神经网络表示粮食产量与化肥使用量之间的关系。
具体地,所述输入数据为所述RBF神经网络的输入的数据,每种所述输入数据中包含各样本点的化肥使用量或平均化肥使用量。所述输出数据为所述RBF神经网络的输出的数据。一种所述输入数据中可以只包含化肥使用量,还可以包含土壤的pH值和养分含量。一种输入数据构建对应的一个蚁群算法优化的RBF神经网络。输入数据的种类数与构建的RBF神经网络的个数相同。可以直接使用各样本点的数据构建对应的蚁群算法优化的RBF神经网络,也可以使用对各样本点数据处理后的结果构建对应的蚁群算法优化的RBF神经网络。所述构建单元1将所述各种输入数据作为所述RBF神经网络模型的输入,将所述各样本点和各样本点所在城市的化肥使用量作为所述RBF神经网络的输出,构建对应的蚁群算法优化的RBF神经网络。所述蚁群算法又称为蚂蚁算法,是一种在图中寻找优化路径的机率型算法。所述蚁群算法第一次由Dorigo等率先提出,是基于生物蚁群***的集体觅食行为而发展起来的一类仿生优化算法,具有并行分布式计算、强大的全局寻优能力、适应性强和易于与其他算法结合等优点。
所述计算单元2获取蚁群算法优化的所述各RBF神经网络的均方误差,即使用测试样本点的输入数据使用个使用所述各RBF神经网络计算各样本的粮食产量,将计算出的各粮食产量与实际的粮食产量进行比较,获取各实际的粮食产量与对应的计算出的各粮食产量之间的差值,对各测试样本点的所述差值平方后相加,再开方,即得到各RBF神经网络的均方误差,使用均方误差最小的所述RBF神经网络表示粮食产量与化肥使用量之间的关系。
本实施例通过使用多种输入数据构建多个蚁群算法优化的RBF神经网络,从中选择均方误差最小的所述RBF神经网络表示粮食产量与化肥使用量之间的关系,从而实现使用更精确的RBF神经网络表示粮食产量与化肥使用量之间的关系,获取的粮食产量与化肥使用量之间的关系也更精确。
本实施例提供一种获取粮食产量与化肥使用量之间关系的设备,图6为本发明实施例提供的获取粮食产量与化肥使用量之间关系的设备整体结构示意图,该设备包括:至少一个处理器61、至少一个存储器62和总线63;其中,
所述处理器61和存储器62通过所述总线63完成相互间的通信;
所述存储器62存储有可被所述处理器61执行的程序指令,所述处理器调用所述程序指令能够执行上述各方法实施例所提供的方法,例如包括:S1,根据各样本点的单位面积化肥使用量、土壤pH和各养分含量获取多种输入数据,根据所述各样本点和各样本点所在城市的单位面积粮食产量获取输出数据,根据各输入数据和输出数据构建多个蚁群算法优化的RBF神经网络;S2,获取所述各RBF神经网络的均方误差,使用均方误差最小的RBF神经网络表示粮食产量与化肥使用量之间的关系。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:S1,根据各样本点的单位面积化肥使用量、土壤pH和各养分含量获取多种输入数据,根据所述各样本点和各样本点所在城市的单位面积粮食产量获取输出数据,根据各输入数据和输出数据构建多个蚁群算法优化的RBF神经网络;S2,获取所述各RBF神经网络的均方误差,使用均方误差最小的RBF神经网络表示粮食产量与化肥使用量之间的关系。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的获取粮食产量与化肥使用量之间关系的设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后,本申请的方法仅为较佳的实施方案,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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种获取粮食产量与化肥使用量之间关系的方法,其特征在于,包括:
S1,根据各样本点的单位面积化肥使用量、土壤pH和各养分含量获取多种输入数据,根据所述各样本点和各样本点所在城市的单位面积粮食产量获取输出数据,根据各输入数据和输出数据构建多个蚁群算法优化的RBF神经网络;
S2,获取所述各RBF神经网络的均方误差,使用均方误差最小的RBF神经网络表示粮食产量与化肥使用量之间的关系。
2.根据权利要求1所述的方法,其特征在于,所述步骤S1具体包括:
将所述各样本点的单位面积化肥使用量作为输入数据,所述各样本点的单位面积粮食产量作为输出数据,构建第一RBF神经网络;
将所述各样本点的土壤pH、各养分含量和单位面积化肥使用量作为输入数据,所述各样本点的单位面积粮食产量作为输出数据,构建第二RBF神经网络;
根据所述各样本点的土壤pH和养分含量对所述各样本点进行聚类,根据各类中的所述样本点,分别构建第三RBF神经网络和第四RBF神经网络。
3.根据权利要求2所述的方法,其特征在于,根据各类中的所述样本点,分别构建所述第三RBF神经网络和第四RBF神经网络的步骤具体包括:
将各类中所有所述样本点土壤的pH平均值、各养分含量平均值和所在城市的单位面积化肥使用量的平均值作为输入数据,各类中所有所述样本点所在城市的单位面积粮食产量的平均值作为输出数据,构建所述第三RBF神经网络;
将各类中所述各样本点的土壤pH、各养分含量和所在城市的单位面积化肥使用量作为输入数据,各类中所述各样本点所在城市的单位面积粮食产量作为输出数据,构建所述第四RBF神经网络。
4.根据权利要求1-3任一所述的方法,其特征在于,所述步骤S1具体包括:
S11,使用所述蚁群算法对所述各样本点的输入数据进行聚类,获取聚类中心,将所述聚类中心作为所述RBF神经网络的中心;
S12,使用反向传播算法获取所述RBF神经网络中从隐含层到输出层的权值;
S13,根据所述隐含层的隐含单元的输出,对所述隐含单元进行裁剪。
5.根据权利要求4所述的方法,其特征在于,所述步骤S11具体包括:
S111,根据任意两个样本点之间的路径信息量,获取所述两个样本点中一个样本点聚类到另一个样本点的概率,若判断所述概率大于第一预设阈值,则将所述两个样本点分为一类;
S112,获取每一类的聚类中心和所有类的总误差,若判断所述总误差小于或等于第二预设阈值,则将所述聚类中心作为所述RBF神经网络的中心;或者,
若判断所述总误差大于所述第二预设阈值,则根据所述样本点到所述聚类中心的距离和修改后的信息素持久性系数,获取新的路径信息量,使用所述新的路径信息量迭代执行聚类和确定聚类中心的操作,直到所述总体误差小于或等于所述第二预设阈值。
6.根据权利要求4所述的方法,其特征在于,所述步骤S13具体包括:
获取所述隐含层的每个隐含单元的输出值,并对所述输出值进行规范化;
若判断规范化后的输出值小于第三预设阈值,则去掉所述输出值对应的隐含单元。
7.根据权利要求2所述的方法,其特征在于,根据所述各样本点的土壤pH和养分含量对所述各样本点进行聚类的步骤具体包括:
根据所述各样本点的土壤pH和养分含量,使用模糊K均值聚类算法对所述各样本点进行聚类。
8.一种获取粮食产量与化肥使用量之间关系的装置,其特征在于,包括:
构建单元,用于根据各样本点的单位面积化肥使用量、土壤pH和各养分含量获取多种输入数据,根据所述各样本点和各样本点所在城市的单位面积粮食产量获取输出数据,根据各输入数据和输出数据构建多个蚁群算法优化的RBF神经网络;
计算单元,用于获取所述各RBF神经网络的均方误差,使用均方误差最小的RBF神经网络表示粮食产量与化肥使用量之间的关系。
9.一种获取粮食产量与化肥使用量之间关系的设备,其特征在于,包括:
至少一个处理器、至少一个存储器和总线;其中,
所述处理器和存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710816507.8A CN107665244B (zh) | 2017-09-12 | 2017-09-12 | 一种获取粮食产量与化肥使用量之间关系的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710816507.8A CN107665244B (zh) | 2017-09-12 | 2017-09-12 | 一种获取粮食产量与化肥使用量之间关系的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107665244A true CN107665244A (zh) | 2018-02-06 |
CN107665244B CN107665244B (zh) | 2020-01-14 |
Family
ID=61097394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710816507.8A Expired - Fee Related CN107665244B (zh) | 2017-09-12 | 2017-09-12 | 一种获取粮食产量与化肥使用量之间关系的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107665244B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145304A (zh) * | 2019-12-27 | 2020-05-12 | 新奥数能科技有限公司 | 一种数据处理方法、装置、智能终端及存储介质 |
CN113159265A (zh) * | 2021-03-24 | 2021-07-23 | 国网河南省电力公司电力科学研究院 | 基于svm-蚁群算法的牵引负荷参数辨识方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6490573B1 (en) * | 2000-04-11 | 2002-12-03 | Philip Chidi Njemanze | Neural network for modeling ecological and biological systems |
CN105138865A (zh) * | 2015-10-10 | 2015-12-09 | 重庆科技学院 | 巨型脂质体制备过程的多参数优化方法 |
CN106373022A (zh) * | 2016-09-13 | 2017-02-01 | 重庆科技学院 | 基于bp‑ga的温室农作物种植效率条件优化方法及*** |
CN106651001A (zh) * | 2016-11-08 | 2017-05-10 | 浙江理工大学 | 一种改进神经网络的金针菇产量预测方法及实施*** |
-
2017
- 2017-09-12 CN CN201710816507.8A patent/CN107665244B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6490573B1 (en) * | 2000-04-11 | 2002-12-03 | Philip Chidi Njemanze | Neural network for modeling ecological and biological systems |
CN105138865A (zh) * | 2015-10-10 | 2015-12-09 | 重庆科技学院 | 巨型脂质体制备过程的多参数优化方法 |
CN106373022A (zh) * | 2016-09-13 | 2017-02-01 | 重庆科技学院 | 基于bp‑ga的温室农作物种植效率条件优化方法及*** |
CN106651001A (zh) * | 2016-11-08 | 2017-05-10 | 浙江理工大学 | 一种改进神经网络的金针菇产量预测方法及实施*** |
Non-Patent Citations (2)
Title |
---|
屈文婷: "基于粒子群算法及RBF神经网络技术的粮食产量预测方法", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
马洪伟 等: "基于蚁群聚类和裁剪方法的RBF神经网络优化算法", 《青岛大学学报(工程技术版)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145304A (zh) * | 2019-12-27 | 2020-05-12 | 新奥数能科技有限公司 | 一种数据处理方法、装置、智能终端及存储介质 |
CN111145304B (zh) * | 2019-12-27 | 2023-10-10 | 新奥数能科技有限公司 | 一种数据处理方法、装置、智能终端及存储介质 |
CN113159265A (zh) * | 2021-03-24 | 2021-07-23 | 国网河南省电力公司电力科学研究院 | 基于svm-蚁群算法的牵引负荷参数辨识方法及*** |
CN113159265B (zh) * | 2021-03-24 | 2022-09-09 | 国网河南省电力公司电力科学研究院 | 基于svm-蚁群算法的牵引负荷参数辨识方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN107665244B (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Remesan et al. | Hydrological data driven modelling | |
Coello et al. | Hybridizing a genetic algorithm with an artificial immune system for global optimization | |
Keerthana et al. | An ensemble algorithm for crop yield prediction | |
CN105893609A (zh) | 一种基于加权混合的移动app推荐方法 | |
US9043326B2 (en) | Methods and systems for biclustering algorithm | |
Ahmadi et al. | Learning fuzzy cognitive maps using imperialist competitive algorithm | |
Kushwah et al. | A modified whale optimization algorithm to overcome delayed convergence in artificial neural networks | |
Pokkuluri et al. | Crop Disease Prediction with Convolution Neural Network (CNN) Augmented With Cellular Automata. | |
CN105930531A (zh) | 一种基于混合模型的农业领域本体知识云维度优选方法 | |
Nadimi-Shahraki et al. | Discrete improved grey wolf optimizer for community detection | |
Czajkowski et al. | Steering the interpretability of decision trees using lasso regression-an evolutionary perspective | |
Chatterjee et al. | Non-dominated sorting genetic algorithm—II supported neural network in classifying forest types | |
Roigé et al. | Cluster validity and uncertainty assessment for self-organizing map pest profile analysis. | |
CN107665244A (zh) | 一种获取粮食产量与化肥使用量之间关系的方法及装置 | |
Senthilnath et al. | FPA clust: evaluation of the flower pollination algorithm for data clustering | |
Wijayaningrum et al. | An improved crow search algorithm for data clustering | |
Harifi et al. | Using Metaheuristic Algorithms to Improve k-Means Clustering: A Comparative Study. | |
Kathiria et al. | Smart crop recommendation system: A machine learning approach for precision agriculture | |
Priya | Linear regression algorithm in machine learning through MATLAB | |
CN109409522B (zh) | 一种基于集成学习的生物网络推理算法 | |
CN111612246A (zh) | 农田土壤的重金属含量预测方法、装置、设备及存储介质 | |
Nayak et al. | Solving nonlinear classification problems with black hole optimisation and higher order Jordan Pi-sigma neural network: a novel approach | |
CN108830407B (zh) | 多工况条件下结构健康监测中的传感器分布优化方法 | |
Alif et al. | Crop prediction based on geographical and climatic data using machine learning and deep learning | |
Pal | Artificial immune‐based supervised classifier for land‐cover classification |
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 | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200114 Termination date: 20210912 |