[发明专利]基于神经元网络的农作物预测方法与装置

说明书

技术领域

本公开涉及人工智能领域，特别地，涉及一种基于神经元网络的农作物预测方法与装置。

背景技术

随着世界人口的不断增加，农业问题越来越受到人们的关注，农业产量的精确预测对于制定国民经济发展计划、进行生产调度与规划具有重要意义。目前，国内关于农业产量预测问题的研究大多采用指数平滑模型、季节模型、线性随机模型、线性回归模型等几类方法。

但是，上述方法各有其优缺点：指数平滑模型计算简单，可用到所有历史数据且对数据数量要求不高，但结果精度低，且一次指数平滑只能预测一期数据，适用于短期预测；季节模型适用于既有季节变动又有线性增长趋势、且季节波动幅度随趋势增加而加大的时间序列的短期预测；线性随机模型需要大量的历史数据、计算复杂、计算量大、但精度相对较高，适用于短期预测；线性回归模型适合进行长期预测，但运算量大、再学习性差。而且，上述方法所能考虑的因素也比较单一、未能考虑这些因素在农作物生长期间对农作物的累积效果。

发明内容

本公开鉴于以上问题中的至少一个提出了新的技术方案。

本公开在其一个方面提供了一种基于神经元网络的农作物预测方法，其可以使预测的结果更能够反映农作物产量的真实情况。

本公开在其另一方面提供了一种基于神经元网络的农作物预测装置，其可以使预测的结果更能够反映农作物产量的真实情况。

根据本公开，提供一种基于神经元网络的农作物预测方法，包括：

根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型；

设置样本函数学习参数；

初始化神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值；

根据样本函数和所建立的神经元网络模型计算神经元网络的输出误差；

根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束；

如果未结束，则修正神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值，并继续计算神经元网络的输出误差，直至满足根据样本函数学习参数所设置的结束条件；

如果结束，则输出对样本函数的学习结果，并根据学习结果对农作物的产量进行预测。

在本公开的一些实施例中，影响农作物产量的生长因素包括农作物生长期间的平均温度、最高温度、最低温度、相对湿度、降雨量、总日照量、二氧化碳浓度、土壤条件和施肥量。

在本公开的一些实施例中，根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型的步骤包括：

根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层中各节点的激励阈值、过程神经元激励函数以及神经元网络的输入计算神经元网络的隐层输出；

根据神经元网络的隐层输出、神经元网络隐层到神经元网络输出层的连接权值、输出神经元的激励阈值以及输出神经元激励函数计算神经元网络的输出。

在本公开的一些实施例中，所设置的样本函数学习参数包括误差精度和最大学习迭代次数。

在本公开的一些实施例中，根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束的步骤包括：

将计算出的输出误差与误差精度进行比较；

将当前学习迭代次数与最大学习迭代次数进行比较；

如果计算出的输出误差小于误差精度或当前学习迭代次数大于最大学习迭代次数，则学习过程结束，否则，继续学习并更新当前学习迭代次数。

根据本公开，还提供了一种基于神经元网络的农作物预测装置，包括：

模型建立单元，用于根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型；

参数设置单元，用于设置样本函数学习参数；