CN115907204A - 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 - Google Patents
麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 Download PDFInfo
- Publication number
- CN115907204A CN115907204A CN202211604152.3A CN202211604152A CN115907204A CN 115907204 A CN115907204 A CN 115907204A CN 202211604152 A CN202211604152 A CN 202211604152A CN 115907204 A CN115907204 A CN 115907204A
- Authority
- CN
- China
- Prior art keywords
- neural network
- search algorithm
- trunk
- prediction
- sparrow search
- 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.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法,包括获取实际时段内的树干液流数据与对应的环境影响因素和待测时段内环境影响因素,分别得到训练集和预测集;对训练集和预测集进行预处理;基于预处理后的数据,构建麻雀搜索算法优化BP神经网络模型,使用训练集对模型进行训练;基于对训练集训练后的麻雀搜索算法优化BP神经网络模型,对预测集进行模拟,输出预测的树干液流值。通过将环境影响因素和实际树干液流数据按时间序列一一对应,获得训练集合,经过数据预处理,使用训练集合对麻雀搜索算法优化BP神经网络模型进行训练;通过麻雀搜索算法优化BP神经网络模型中输出待测时段内树干液流值。
Description
技术领域
本申请属于机器学习及预测技术领域,具体涉及麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法。
背景技术
目前,树干液流的测定方法和技术已经十分成熟,能从不同角度不同尺度对树干液流进行测量,准确并连续得出树干液流数据,此数据基于现有设备和技术成本较高且测定周期长,需连续不断对树干液流进行监测。实际研究中树木耗水涉及的环境变量关系复杂且部分参数不易获取,因此在应用时具有一定的局限性,在理解树木耗水规律的基础上,需选择更优方法对林木耗水量进行模拟,对于区域生态需水量的估算还是降水资源环境容量预测都尤为重要。
因此需要一种更优方法,能对林木蒸腾耗水进行预测和估算,以及时调整营林策略。
发明内容
本申请提出了麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法,通过将环境影响因素和实际树干液流数据按时间序列一一对应,获得训练集合,经过数据预处理,使用训练集合对麻雀搜索算法优化BP神经网络模型进行训练;通过麻雀搜索算法优化BP神经网络模型中输出待测时段内树干液流值。
为实现上述目的,本申请提供了如下方案:
麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法,包括以下步骤:
获取实际时段内的树干液流数据与对应的环境影响因素和待测时段内环境影响因素,分别得到训练集和预测集;
对所述训练集和预测集进行预处理;
基于所述预处理后的数据,构建麻雀搜索算法优化BP神经网络模型,使用训练集对所述模型进行训练;
基于对所述训练集训练后的麻雀搜索算法优化BP神经网络模型,对所述预测集进行模拟,输出预测的树干液流值。
优选的,所述环境影响因素包括:环境温度、相对湿度、风速、太阳辐射、饱和水汽压差。
优选的,所述获取实际时段内的树干液流数据与对应的环境影响因素的方法包括:通过热扩散探针技术和自动气象站。
优选的,所述训练集包括:训练样本和测试样本;
所述训练样本包括:树干液流数据序列,所述树干液流数据序列表达时间序列及对应环境影响因素的数据序列;
所述测试样本包括:树干液流数据序列,所述树干液流数据序列表达时间序列及对应环境影响因素的数据序列。
优选的,对所述训练集和预测集进行预处理的方法包括:
其中,表示训练集环境因素参数归一化处理后结果,表示训练集参数列向量:环境温度、相对湿度、风速、太阳辐射、饱和水汽压差,表示参数列向量所处数据序列中最大值,表示参数列向量所处数据序列中最小值;表示训练集树干液流数据归一化处理后结果,表示训练集树干液流归一化处理前值,表示参数列向量所处数据序列中最大值,表示参数列向量所处数据序列中最小值;表示预测集环境因素参数归一化处理后结果,表示训练集参数列向量:环境温度、相对湿度、风速、太阳辐射、饱和水汽压差,表示参数列向量所处数据序列中最大值,表示参数列向量所处数据序列中最小值;表示经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流数据归一化处理后结果,表示经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流归一化处理前值,表示参数列向量所处数据序列中最大值,表示参数列向量所处数据序列中最小值。
优选的,构建麻雀搜索算法优化BP神经网络模型包括:5/3个输入层,1个输出层,n个隐含层;
所述输入层节点对应环境温度、相对湿度、风速、太阳辐射、饱和水汽压差;
所述输出层节点对应树干液流值;
所述隐含层节点数公式如下:
其中,ni为隐含层节点数,m为输入层节点数,n为输出层节点数,a为[1,10]内随机整数。
优选的,利用训练集中归一化处理后数据对麻雀搜索算法优化BP神经网络模型进行训练,将所述训练集输入预先构建好的麻雀搜索算法优化BP神经网络模型,通过预先训练好的麻雀搜索算法优化BP神经网络模型获取输出集合,获取所述预测集表示时段内的树干液流数据序列。
优选的,获取所述输出集合后,对所述预测集进行训练的方法包括:
公式如下:
其中,yi为反归一化后第i个值,即为预测所得的树干液流值,为经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流数据归一化处理后结果,为经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流归一化处理前值,为参数列向量所处数据序列中最大值,为参数列向量所处数据序列中最小值。
本申请的有益效果为:
本申请公开了麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法,在传统神经网络使用中,根据实际对数据进行校正,并划分时间关系,调整麻雀搜索算法优化BP神经网络模型结构,通过将所述环境影响因素和实际树干液流数据按时间序列一一对应,获得训练集合,经过数据预处理,使用训练集合对麻雀搜索算法优化BP神经网络模型进行训练;通过麻雀搜索算法优化BP神经网络模型中输出待测时段内树干液流数据,即可输出树干液流数据预测值,并根据预测值计算林木蒸腾耗水。
附图说明
为了更清楚地说明本申请的技术方案,下面对实施例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是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例一的整体流程示意图;
图2为本申请实施例二的麻雀搜索算法优化BP神经网络模型训练示意图;
图3为本申请实施例二的麻雀搜索算法优化BP神经网络模型特征正向传播示意图;
图4是为本申请实施例二的麻雀搜索算法优化BP神经网络模型误差反向传播示意图;
图5为本申请实施例二的麻雀搜索算法优化BP神经网络模型误差修正权值示意图;
图6为本申请实施例二的预测结果与实际数据对比示意图;
图7为本申请实施例二的麻雀搜索算法优化BP神经网络实施例预测误差示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本申请作进一步详细的说明。
森林蒸散耗水占据生态耗水的主要部分,是区域用水的重要分支。树干液流占蒸腾耗水量的99.8%以上,可以通过茎流计精确测量树干液流来反映树木的耗水状况,树干液流的测定方法和技术已经十分成熟,能从不同角度不同尺度对树干液流进行测量,准确并连续得出树干液流数据,进行树干液流数据预测,能及时调整营林策略和方案,提高人工林养护效率。
目前,树干液流数据基于现有设备和技术成本较高且测定周期长,需连续不断对树干液流进行监测,实际研究中树木耗水涉及的环境变量关系复杂且部分参数不易获取,因此在应用时具有一定的局限性,在理解树木耗水规律的基础上,需选择更优方法对林木耗水量进行模拟。
需要说明的是,BP神经网络,是一种监督学习算法。它是机器学习中一种常见的数学模型,通过构建类似于大脑神经突触联接的结构,来进行信息处理。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。是目前应用最广泛的神经网络模型之一,具有较强的非线性映射能力、高度的自学习和自适应能力、良好的泛化能力和容错能力。但在广泛的应用中发现BP神经网络容易陷入局部最优解、收敛速度慢、学习效率低和过度拟合等现象,因此加入麻雀搜索算法对BP神经网络进行优化可以有效改善上述现象。
实施例一
如图1所示,为本申请实施例的整体流程示意图;包括以下步骤:获取实际时段内的树干液流数据与对应的环境影响因素和待测时段内环境影响因素,分别得到训练集和预测集;对训练集和预测集进行预处理;基于预处理后的数据,构建麻雀搜索算法优化BP神经网络模型,使用训练集对所述模型进行训练;基于对训练集训练后的麻雀搜索算法优化BP神经网络模型,对预测集进行模拟,输出预测的树干液流值。
通过热扩散探针技术和自动气象站获取时段内的树干液流数据和所述时段的环境影响因素。
利用错位分析法修正实际环境因素和树干液流,划分昼夜不同情况。利用通径分析或相关性分析确定影响树干液流的主要因素;根据影响树干液流的因素差异,分为昼夜两种不同情况;对昼夜不同要素分别形成5输入1输出和3输入1输出,两类集合;根据树干液流与环境要素的时滞性,对各要素进行时序修正;根据影响树干液流的因素差异,以环境因素中太阳辐射作为昼夜区分,划分不同数据集,采用相关性对比,进行错位分析,逐条对环境因素进行时滞修正,形成昼训练集和夜训练集。
将实际环境因素和树干液流归一化处理为训练集合,将待测时段内环境因素归一化处理为预测集合。
将上述树干液流数据和环境因素整理为神经网络训练集合;训练集合包含训练样本和测试样本,包括树干液流数据序列、所述液流数据序列表达的时间序列及对应所述环境影响因素的数据序列;预测集合包含对应所述环境影响因素的数据序列。其中,树干液流量为茎流计探针获取后计算数据,单位:g/cm2/s,时间序列为15min,即各数据为15min一个记录值,环境影响因素包括环境温度、相对湿度、风速、太阳辐射、饱和水汽压差;夜间环境影响因素集为环境温度、风速、饱和水汽压差等。
利用BP神经网络和麻雀搜索算法构建麻雀搜索算法优化BP神经网络模型,即SSA优化BP模型,然后利用麻雀搜索算法优化BP模型对该集合进行训练;
将待测时段内环境影响因素整理形成预测集合;
环境因子将作为特征输入值,输入训练好的麻雀搜索算法优化BP神经网络模型,通过实际数据模拟所得神经网络模型获取待测时段内树干液流量。
采用最大最小法对所述训练集合和预测集合进行归一化处理,应用公式为:
其中,表示训练集环境因素参数归一化处理后结果,表示训练集参数列向量:环境温度、相对湿度、风速、太阳辐射、饱和水汽压差,表示该参数列向量所处数据序列中最大值,表示该参数列向量所处数据序列中最小值。表示训练集树干液流数据归一化处理后结果,表示训练集树干液流归一化处理前值表示该参数列向量所处数据序列中最大值,表示该参数列向量所处数据序列中最小值。表示预测集环境因素参数归一化处理后结果,表示训练集参数列向量:环境温度、相对湿度、风速、太阳辐射、饱和水汽压差,表示该参数列向量所处数据序列中最大值,表示该参数列向量所处数据序列中最小值。表示经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流数据归一化处理后结果,表示表示经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流归一化处理前值,表示该参数列向量所处数据序列中最大值,表示该参数列向量所处数据序列中最小值。
利用训练集中归一化处理后数据对麻雀搜索算法优化BP神经网络模型进行训练。将预测集合输入预先训练好的麻雀搜索算法优化BP神经网络模型,通过预先训练好的麻雀搜索算法优化BP神经网络模型获取输出集合,获取所述预测集表示时段内的树干液流数据序列。获取输出向量后,对预测集表示时段内的树干液流数据序列进行反归一化处理,应用公式:
其中,yi为反归一化后第i个值,即为预测所得的树干液流值,表示经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流数据归一化处理后结果,表示经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流归一化处理前值,表示该参数列向量所处数据序列中最大值,表示该参数列向量所处数据序列中最小值。
麻雀搜索算法优化BP神经网络模型训练,包括:获取训练集,采集数据:同时段环境数据:环境温度、相对湿度、风速、太阳辐射、饱和水汽压差,获取树干液流实际数据:
对训练集进行归一化预处理,获取标准训练集;
涉及输入输出数据,输入数据包括环境数据:环境温度、相对湿度、风速、太阳辐射、饱和水汽压差;输出数据包括树干液流实际数据。
确定麻雀搜索算法优化BP神经网络模型结构,包括5/3个输入层,1个输出层,n个隐含层;
输入层节点对应环境温度、相对湿度、风速、太阳辐射、饱和水汽压差;
输出层节点对应树干液流值;
隐含层节点数根据经验公式:
其中,ni为隐含层节点数,m为输入层节点数,n为输出层节点数,a为[1,10]内随机整数。
实际数据获取,通过热扩散探针技术和自动气象站获取时段内的树干液流数据和所述时段的环境影响因素。
集合划分:明确昼夜因素差异,错位分析修正特征值与输出值关系数据预处理,将实际环境因素和树干液流归一化处理为训练集合,将待测时段内环境因素归一化处理为预测集合。
神经网络,将所述训练集合输入麻雀搜索算法优化BP神经网络模型,用于训练基于预测树干液流的麻雀搜索算法优化BP神经网络模型;将所述预测集合的环境因素输入训练好的麻雀搜索算法优化BP神经网络,经过反归一化过程,输出预测的树干液流值。
预测分析,计算树干液流值,带入林木边材面积,所得即为林木蒸腾耗水量,其公式为:
Ec=Js×3600×As
其中,Ec为蒸腾耗水量(单位:g),Js为树干液流(单位:g/cm2/s),As为边材面积(单位:cm2)。
将训练集合输入麻雀搜索算法优化BP神经网络模型,用于训练基于预测树干液流的麻雀搜索算法优化BP神经网络模型;将所述预测集合的环境因素输入训练好的麻雀搜索算法优化BP神经网络,经过反归一化过程,输出预测的树干液流值。计算树干液流值,带入林木边材面积,所得即为林木蒸腾耗水量。
实施例二
如图2所示,为具体的基于麻雀搜索算法优化BP神经网络的林木蒸腾耗水的预测方法流程示意图,包括步骤:
S1、读取数据;
S2、获取环境影响因素和实际树干液流,获取待测时段内的环境影响因素;
S3、划分标准训练集中的训练样本和测试样本;
S4、进行数据归一化处理;
S5、确定输入层节点数、输出层节点数,并确定隐含层节点数;
S6、确定神经网络结构模型,确定神经网络参数并构建麻雀搜索算法优化BP神经网络;
S7、使用训练集训练网络模型,使网络模型训练结果达到设置的最小误差;
S8、将预测集输入麻雀搜索算法优化BP神经网络模型;
S9、麻雀搜索算法优化BP神经网络进行预测,输出树干液流预测值;
S10、对预测值进行反归一化;
S11、计算并输出林木蒸腾耗水量。
其中,待测时间段可为任意时间段,时间长短根据需求进行调整,对此不做限定。
其中,实际树干液流的采集、环境影响因素的采集可根据实际情况进行调整,选取收集频率可为15分钟/次,30分钟/次,60分钟/次。
对于训练集中训练样本和测试样本,可根据需要划分为各占30%和70%。
其中,训练集样本需包含数据所在时段的完整天数,至少需48小时数据作为足量进行训练,否则测试样本设定误差过大,无法达到要求。
对于环境因素,可增加环境要素并相应改变输入层节点数和预测集特征要素。
为保证麻雀搜索算法优化BP神经网络能最大限度包括环境因素特征,在非典型晴天或数据波动较大时,应适当扩大训练样本和测试样本的数据量,以提高预测精确度。
具体的,可以从当地气象局、天气网站获取太阳辐射、环境温度、环境湿度,并计算饱和水汽压差;或通过现场布置的传感器、自动气象站获取太阳辐射、环境温度、环境湿度,并计算饱和水汽压差的实时数值;
在实例中,可针对不同天气状况和不同林木类型,构建不同训练集,以达到精确估计和预测效果。
进一步,S4步骤中,采用最大最小法对训练集和预测集进行归一化处理,获得训练集和预测集的归一化数据,应用公式为:
其中,表示经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流数据归一化处理后结果,表示经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流归一化处理前值,表示该参数列向量所处数据序列中最大值,表示该参数列向量所处数据序列中最小值。
S6中,麻雀搜索算法优化BP神经网络采用Levenberg-Marquardt算法,采取Sigmoid作为激励函数。
隐含层节点数根据经验公式:
其中,ni为隐含层节点数,m为输入层节点数,n为输出层节点数,a为[1,10]内随机整数。
进一步,S6步骤网络模型的构建,麻雀搜索算法在运算过程中,其中最优个体会最先寻找到最佳位置,这部分个体被称为发现者,每一次的迭代过程中发现者位置更新公式为:
其中,t代表当前迭代数,j=1,2,3,···,d;itermax是一个常数,表示最大迭代次数。Xi,j表示第i各个体在第j维中的位置信息。α∈(0,1]区间的随机数。R2(R2∈[1,1])和ST(ST∈[0.5,1])分别表示预警值和安全值。Q表示服从正态分布的随机数。L表示一个1×d的矩阵。
当最优个体寻找到最佳位置后,大部分个体会追随最优个体到达其所在区域,这些个体被称为跟随者,在每一次的迭代过程中跟随者位置更新公式为:
其中,XP表示目前发现者所占据的最优位置,Xworst则表示当前全局最差的位置。A表示一个1×d的矩阵。
但在这一过程中,部分最差个体,占总种群的10%-20%,无法在该过程中寻找到最适应的位置,会脱离种群自发的寻找最适位置,这部分个体被称之为警戒者,每一次的迭代过程中警戒者位置更新公式为:
其中,Xbest表示当前的全局最优位置,β表示步长控制参数、服从均值为0、方差为1的正态分布的随机数,K表示属于[-1,1]的一个随机数,fi表示当前麻雀个体的适应度值,fg和fw表示当前全局最佳和最差的适应度值,ε表示常数、避免分母为0。
需要说明的是,通过归一化处理,能将数据范围归于[0,1],符合激励函数区间,同时减小由于数据差异带来的影响,尤其环境因素。
从而将温度转换为[0,1]数值,便于神经网络模型计算;
将太阳辐射、环境温度、饱和水汽压差和实际树干液流进行归一化处理。
如图3所示,进一步,根据步骤S7,将所述训练集输入麻雀搜索算法优化BP神经网络进行训练,图4根据训练误差反复校正神经网络各层间权值和节点间阈值,使误差达到设定值,完成麻雀搜索算法优化BP神经网络训练。
进一步,根据步骤S8-S9,将归一化后的预测集输入训练好的麻雀搜索算法优化BP神经网络模型,获取预测值;
进一步,根据步骤S10,对所述预测值进行反归一化,获取预测结果。应用公式:
其中,yi为反归一化后第i个值,即为预测所得的树干液流值,表示经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流数据归一化处理后结果,表示经BP神经网络预测后形成预测集树干液流归一化处理前值,表示该参数列向量所处数据序列中最大值,表示该参数列向量所处数据序列中最小值。
利用反归一化结果,计算树干液流值,带入林木边材面积,所得即为林木蒸腾耗水量,其公式为:
Ec=Js×3600×As
如图5所示,神经网络训练说明,利用训练样本输入,设置训练误差,经过各层误差传递,对权值和阈值进行修正,不断减小误差,以达到设定要求;同时利用测试样本,对训练样本中神经网络进行测试,达到误差要求后,即为训练得到麻雀搜索算法优化BP神经网络模型,本说明中测试样本一般作为检验样本对麻雀搜索算法优化BP神经网络进行检验。
需要说明的是,各数据集:训练集(包含训练样本和测试样本)、预测集(预测条件:即环境影响因素)在神经网络预测模型中均须进行归一化处理。
如图6所示,为实例中麻雀搜索算法优化BP神经网络测试样本的实际值和预测值对比;R2范围为0.7~0.9之间,能对林木蒸腾达到较好的模拟效果。
如图7所示,为实例中麻雀搜索算法优化BP神经网络测试样本的实际值和预测值误差。
补充说明,本申请提出麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法,通过将所述环境影响因素和实际树干液流数据按时间序列一一对应,获得训练集合,经过数据预处理,使用训练集合对麻雀搜索算法优化BP神经网络进行训练;通过麻雀搜索算法优化BP神经网络中输出待测时段内环境影响因素,即可输出树干液流数据预测值,并根据预测值计算林木蒸腾耗水。以上实例选取3个环境要素作为输入项,1个树干液流作为输出项;实际运用可在获取数据后,利用相关性分析、主成分分析等数据分析法选取更多环境影响因子,设置不同输入层节点,同时划分不同天气不同树种,进行预测和估计。
本申请旨在利用麻雀搜索算法优化BP神经网络进行预测林木蒸腾耗水,流程从数据处理到数据预测,具有完整性和创新性。数据部分对数据进行环境细分,以构建不同输入层、隐含层、输出层的麻雀搜索算法优化BP神经网络,调整网络结构,满足实际预测需要;发明说明了林木蒸腾耗水与其他领域预测具有特殊性,时滞效应,对各要素均进行时滞修正;本发明提供基于麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测流程。
以上所述的实施例仅是对本申请优选方式进行的描述,并非对本申请的范围进行限定,在不脱离本申请设计精神的前提下,本领域普通技术人员对本申请的技术方案做出的各种变形和改进,均应落入本申请权利要求书确定的保护范围内。
Claims (8)
1.麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法,其特征在于,包括以下步骤:
获取实际时段内的树干液流数据与对应的环境影响因素和待测时段内环境影响因素,分别得到训练集和预测集;
对所述训练集和预测集进行预处理;
基于所述预处理后的数据,构建麻雀搜索算法优化BP神经网络模型,使用训练集对所述模型进行训练;
基于对所述训练集训练后的麻雀搜索算法优化BP神经网络模型,对所述预测集进行模拟,输出预测的树干液流值。
2.根据权利要求1所述的麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法,其特征在于,所述环境影响因素包括:环境温度、相对湿度、风速、太阳辐射、饱和水汽压差。
3.根据权利要求1所述的麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法,其特征在于,所述获取实际时段内的树干液流数据与对应的环境影响因素的方法包括:通过热扩散探针技术和自动气象站。
4.根据权利要求1所述的麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法,其特征在于,所述训练集包括:训练样本和测试样本;
所述训练样本包括:树干液流数据序列,所述树干液流数据序列表达时间序列及对应环境影响因素的数据序列;
所述测试样本包括:树干液流数据序列,所述树干液流数据序列表达时间序列及对应环境影响因素的数据序列。
5.据权利要求1所述的麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法,其特征在于,对所述训练集和预测集进行预处理的方法包括:
其中,表示训练集环境因素参数归一化处理后结果,表示训练集参数列向量:环境温度、相对湿度、风速、太阳辐射、饱和水汽压差,表示参数列向量所处数据序列中最大值,表示参数列向量所处数据序列中最小值;表示训练集树干液流数据归一化处理后结果,表示训练集树干液流归一化处理前值,表示参数列向量所处数据序列中最大值,表示参数列向量所处数据序列中最小值;表示预测集环境因素参数归一化处理后结果,表示训练集参数列向量:环境温度、相对湿度、风速、太阳辐射、饱和水汽压差,表示参数列向量所处数据序列中最大值,表示参数列向量所处数据序列中最小值,表示经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流数据归一化处理后结果,表示经麻雀搜索算法优化BP神经网络预测后形成预测集树干液流归一化处理前值,表示参数列向量所处数据序列中最大值,表示参数列向量所处数据序列中最小值。
7.据权利要求1所述的麻雀搜索算法优化BP神经网络的林木蒸腾耗水预测方法,其特征在于,利用训练集中归一化处理后数据对麻雀搜索算法优化BP神经网络模型进行训练,将所述训练集输入预先构建好的麻雀搜索算法优化BP神经网络模型,通过预先训练好的麻雀搜索算法优化BP神经网络模型获取输出集合,获取所述预测集表示时段内的树干液流数据序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604152.3A CN115907204A (zh) | 2022-12-13 | 2022-12-13 | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211604152.3A CN115907204A (zh) | 2022-12-13 | 2022-12-13 | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907204A true CN115907204A (zh) | 2023-04-04 |
Family
ID=86483822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211604152.3A Pending CN115907204A (zh) | 2022-12-13 | 2022-12-13 | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907204A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484624A (zh) * | 2023-04-27 | 2023-07-25 | 中山大学 | 一种模拟树干瞬态液流变化的方法及*** |
-
2022
- 2022-12-13 CN CN202211604152.3A patent/CN115907204A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484624A (zh) * | 2023-04-27 | 2023-07-25 | 中山大学 | 一种模拟树干瞬态液流变化的方法及*** |
CN116484624B (zh) * | 2023-04-27 | 2023-12-05 | 中山大学 | 一种模拟树干瞬态液流变化的方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214592B (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
Sudheer et al. | Estimating actual evapotranspiration from limited climatic data using neural computing technique | |
CN110084367B (zh) | 一种基于lstm深度学习模型的土壤墒情预测方法 | |
Huo et al. | Artificial neural network models for reference evapotranspiration in an arid area of northwest China | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及*** | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
CN107480775A (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN111783987A (zh) | 基于改进bp神经网络的农田参考作物蒸散量预测方法 | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及*** | |
CN112036658B (zh) | 一种基于随差遗忘长短期记忆的风电功率实时预测方法 | |
CN110309609B (zh) | 一种基于粗糙集和wnn的建筑室内空气品质评价方法 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN114492922A (zh) | 一种中长期发电量预测方法 | |
CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
CN109615147A (zh) | 一种未来72小时大气污染预报预警方法 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
Shang et al. | Research on intelligent pest prediction of based on improved artificial neural network | |
CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
CN114118634A (zh) | 一种土壤水分预测方法和装置 | |
CN116774316A (zh) | 短临降水的预测方法、装置、存储介质及计算机设备 | |
CN110991723A (zh) | 一种人工智能在季节性负荷预测中的应用方法 | |
Ranjan et al. | ANN and GRNN-based coupled model for flood inundation mapping of the Punpun River Basin | |
CN105675807A (zh) | 一种基于bp神经网络的莠去津残留评价方法 | |
Adeyemo | Soft Computing techniques for weather and Climate change studies |
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 |