[發明專利]基于神經網絡模型的農業精準施肥系統及施肥方法

有效

• 申請號: 201410048817.6
• 申請日: 2014-02-12
• 公開（公告）號: CN103823371A
• 公開（公告）日: 2014-05-28
• 發明（設計）人: 郭宇鮮;張健;李淼;高會議;董俊;李華龍
• 申請（專利權）人: 無錫中科智能農業發展有限責任公司;中國科學院合肥物質科學研究院
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 合肥天明專利事務所 34115
• 代理人: 奚華保

1.一種基于神經網絡模型的農業精準施肥系統，其特征在于：包括用于采集農田土壤參數的傳感器數據采集模塊，其輸出端依次通過網關、數據傳輸模塊與和中央處理器相連的數據庫相連，中央處理器的輸入輸出端分別與RS遙感模塊、GPS定位模塊、GIS地理信息模塊、DSS作物生長決策支持模塊的輸入輸出端相連。

2.根據權利要求1所述的基于神經網絡模型的農業精準施肥系統，其特征在于：所述傳感器數據采集模塊由土壤溫度傳感器、土壤水分測量傳感器和用于測量土壤中氮、磷、鉀含量的土壤營養元素測定傳感器組成。

3.根據權利要求1所述的基于神經網絡模型的農業精準施肥系統，其特征在于：所述傳感器數據采集模塊、RS遙感模塊、GPS定位模塊共同綁定在移動農田作業機械上。

4.根據權利要求1所述的基于神經網絡模型的農業精準施肥系統，其特征在于：所述數據傳輸模塊采用GPRS無線網絡模塊。

5.根據權利要求1所述的基于神經網絡模型的農業精準施肥系統，其特征在于：所述中央處理器為后臺計算機。

6.根據權利要求1至5中任一項所述系統的施肥方法，該方法包括下列順序的步驟：

（1）由傳感器數據采集模塊采集待檢測農田土壤的土壤參數，并通過網關、數據傳輸模塊發送至數據庫；

（2）中央處理器調用數據庫中存儲的土壤參數進行運算，先構建神經元結構模型，再選擇激活函數，最后進行后向傳播學習，得到訓練目標，訓練所獲得的樣本數據，得出基于后向傳播學習的神經網絡模型；

（3）在神經網絡模型的基礎上，運用GIS地理信息模塊，并結合DSS作物生長決策支持模塊提供的精準施肥決策，給出精準農業施肥方法。

7.根據權利要求6所述的施肥方法，其特征在于：在步驟（2）中，所述構建神經元結構模型是指，神經元i的輸出yi為：

yi=F(Σj=1nwjxj-θi),i≠j]]>

其中，y_i是神經元i的輸出，它與其它多個神經元通過權連接起來；x_j是網絡輸入，j=1,2,…,n；w_j為輸入權重，j=1,2,…n；θ_i是神經元i的閥值，F為激活函數。

8.根據權利要求6所述的施肥方法，其特征在于：在步驟（2）中，所述選擇激活函數是指，選用激活函數Sigmoid函數：

F(x)=11+e-ax]]>

α是函數斜率，e是歐拉常數,x是自變量。

9.根據權利要求6所述的施肥方法，其特征在于：在步驟（2）中，所述后向傳播學習是指，設神經網絡模型結構輸入層神經元數量為N、P、K、Yield四個，即土壤養分的氮、磷、鉀含量和目標產量，模型輸出層神經元數量為三個，分別是施肥的氮、磷、鉀用量，隱含層神經元數量t根據經驗公式:

m為輸出神經元數，n為輸入單元數，a在1至10之間選擇為5個，進行如下的神經網絡后向傳播學習：

a，數據歸一化處理：首先對通過傳感器數據采集模塊采集的土壤養分含量和目標產量數據進行歸一化處理，將收集到的數據分布到[-1,1]之間，歸一化公式為：

Pn=2×P-minPmaxP-minP-1]]>

其中，P為初始輸入數據，maxP和minP分別為P中的最大值和最小值，P_n為歸一化后的輸入數據；

b，隨機初始化網絡權和閥值，設定終止條件為神經網絡的輸出值和實際輸出值的均方誤差小于某一閾值，當終止條件不滿足時，重復如下步驟：

正向計算每一個訓練樣本中隱藏或輸出層每個單元j的輸入和輸出，對于第j個單元輸入Ij=ΣiwijOi+θj,]]>輸出Oj=11+e-Ij]]>

其中，e是自然對數，θ_j是用于改變神經元的活性的每個神經元的閾值，w_ij是表示前一層神經元和后一層神經元之間的權值，即是由上一層的單元i到單元j的連接的權,O_i是上一層的單元i的輸出；

然后，計算輸出層每個單元j的誤差：

Err_j=O_j(1-O_j)(T_j-O_j)

其中，T_j是j基于給定訓練樣本的已知類標號的真正輸出；

由最后一個到第一個隱藏層，對于隱藏層每個單元j,

Err_j=O_j(1-O_j)Σ_kErr_kw_kj

其中，w_kj是由下一較高層中單元k到單元j的連接權，而Err_k是單元k的誤差；

之后，更新網絡中w_ij權值，方法為：

Δw_ij=(l)Err_jO_i

其中，l是學習率，更新后權值為

w_ij=w_ij+Δw_ij

對于網絡中每個偏差θ_j，增值為

Δθ_j=(l)Err_j

更新后偏差為θ_j＝θ_j+Δθ_j;

隨機初始化網絡權值和神經元的閾值，前向傳播一層一層的計算隱層神經元和輸出層神經元的輸入和輸出，后向傳播修正權值和閾值，直到終止條件滿足。