[發明專利]一種基于動態多層極限學習機的灌溉方法

有效

• 申請號: 201710605810.3
• 申請日: 2017-07-24
• 公開（公告）號: CN107466816B
• 公開（公告）日: 2020-04-07
• 發明（設計）人: 丁永生;劉天鳳;郝礦榮;蔡欣;王彤
• 申請（專利權）人: 東華大學
• 主分類號: A01G25/16
• 分類號: A01G25/16;G06K9/62
• 代理公司: 上海統攝知識產權代理事務所(普通合伙) 31303
• 代理人: 金利琴

1.一種基于動態多層極限學習機的灌溉方法，其特征是，采集與已知灌溉需水量相關的數據并進行歸一化處理后訓練多層極限學習機得到最終預測模型，將與待求灌溉需水量相關的數據歸一化處理后輸入到最終預測模型得到預測灌溉需水量后進行灌溉，其中，多層極限學習機中上一層的輸入和輸出同時作為下一層的輸入，動態多層極限學習機是指多層極限學習機在訓練過程中隱含層節點數動態更新，步驟如下：

(1)采集多組訓練數據，每組訓練數據包括土壤環境數據、氣象數據和灌溉作物的作物系數；

(2)對每組訓練數據進行歸一化處理，所有組訓練數據構成訓練集；

(3)采用訓練集訓練多層極限學習機得到最終預測模型；

(4)采集多組測試數據，每組測試數據包括土壤環境數據、氣象數據和灌溉作物的作物系數；

(5)對每組測試數據進行歸一化處理后輸入到最終預測模型，得到預測灌溉需水量，根據預測灌溉需水量進行灌溉；

所述采用訓練集訓練多層極限學習機的具體步驟如下：

1)根據滑動窗口大小將所有組訓練數據按采集時間順序等分為n個數據塊并順序編號，滑動窗口的單位為組；

2)采用數據塊1訓練多層極限學習機得到模型M1；

3)令j＝2；

4)將數據塊j輸入集成預測模型C(j-2)得到預測灌溉需水量并計算預測精度p_i和預測結果決定系數R²，集成預測模型C(j-2)是指數據塊(j-1)訓練得到的模型，集成預測模型C0是模型M1；

5)判斷預測精度p_i是否大于等于設定預測精度E1，如果是，則輸出模型M(j-1)即為集成預測模型C(j-1)，否則，進入下一步；

6)根據預測結果決定系數R²更新多層極限學習機的隱含層節點數；

7)根據數據塊j采用增量式學習機制更新多層極限學習機的輸出權值矩陣得到增量式多層極限學習機；

8)采用數據塊j訓練增量式多層極限學習機得到模型Mj，模型Mj即為集成預測模型C(j-1)；

9)令j＝j+1；

10)循環步驟4)～8)至j＝n，得到的集成預測模型C(n-1)即為最終預測模型。

2.根據權利要求1所述的一種基于動態多層極限學習機的灌溉方法，其特征在于，所述土壤環境數據和氣象數據具體為：土壤日平均溫度、土壤日平均濕度、空氣日平均溫度、空氣日平均濕度、日平均太陽總輻射、2m高處的風速和大氣壓強，溫度的單位為℃，濕度的單位為％，所述日平均太陽總輻射的單位為MJm^-2day^-1，所述風速的單位為m·s^-1，所述壓強的單位為KPa；所述作物系數是指查詢灌溉作物類型根據不同生長期專家給出每個生長期的經驗值。

3.根據權利要求1所述的一種基于動態多層極限學習機的灌溉方法，其特征在于，步驟(2)和步驟(5)中的歸一化處理是指將采集的所有數據歸一化到[-1，1]，歸一化公式如下：

式中，X為歸一化后的數據，X*為當前需要歸一化的數據，x_min為需要歸一化的數據中的最小值，x_max為需要歸一化的數據中的最大值。

4.根據權利要求1所述的一種基于動態多層極限學習機的灌溉方法，其特征在于，所述訓練集中含有4000～5000組訓練數據，所述滑動窗口大小為500組。

5.根據權利要求1所述的一種基于動態多層極限學習機的灌溉方法，其特征在于，所述多層極限學習機為雙層極限學習機。