[发明专利]一种灌水时间动态调控方法及其系统

权利要求书

1.一种灌水时间动态调控方法，其特征在于，所述方法包括：

S1.基于蔬菜在预设时间的环境信息数据，利用基于L-M优化算法的BP神经网络需水量预测模型进行分析确定灌水阈值；

S2.基于所述蔬菜当前的环境信息数据，利用所述基于L-M优化算法的BP神经网络需水量预测模型得到所述蔬菜当前的需水量；

S3.将所述蔬菜当前的需水量与所述灌水阈值进行比较，以调控灌水时间。

2.根据权利要求1所述的方法，其特征在于，S1中基于L-M优化算法的BP神经网络需水量预测模型的构建包括：

基于训练样本中的训练因子，利用BP神经网络需水量预测模型计算灌水量输出值，其中，训练样本为预设数量的所述蔬菜在预设时间的环境信息数据；

参照所述灌水量输出值与实际灌水量之间的误差，优化所述BP神经网络的连接权值，直至二者的误差达到设定值；

当二者的误差未达到所述设定值时，采用L-M方法对所述BP神经网络的权值进行优化；

优化所述需水量预测模型的准确性，当预测值收敛于实测值时，确立灌水阈值。

3.根据权利要求2所述的方法，其特征在于，所述基于L-M优化算法的BP神经网络需水量预测模型的构建包括：

1)设训练样本选取i个属性因子：x₁,x₂,……，x_i，所述属性因子作为BP神经网络的输入元，输出元设为y，表示灌水量；

$y=f(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ωx}}_{ij}-\mathrm{\θ})$

其中，ω为初始化输入层、隐含层和输出层神经元之间的连接权值，θ为神经元阈值，f为Sigmoid函数，x_ij中的i个元素代表训练样本的属性，x_ij中的j个元素代表训练样本的个数，训练样本为预设数量的所述蔬菜在预设时间的环境信息数据；

2)用BP网络的实际输出与输出样本之间的误差修正网络的连接权值，直至二者的误差达到设定值；误差公式表示如下：

$E=\frac{1}{2}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(t_k-z_k)}^2$

式中，t_k是样本输入量，为预测需水量，z_k是样本输出量，为实验需水量；

3)采用L-M方法对所述BP神经网络的权值进行优化，权值调整公式如下所示：

ω＝(J^TJ+μL)^-1J^Te

其中，e为误差向量；J为误差对权值微分的雅可比矩阵；μ是一个标量；

4)优化需水量预测模型的准确性，当预测值收敛于实测值时，确立灌水阈值。

4.根据权利要求2或3所述的方法，其特征在于，S1中所述蔬菜在预设时间的环境信息数据包括每日土壤的最高湿度值、最低湿度值、平均湿度值和各自对应的茎流量值。

5.根据权利要求1所述的方法，其特征在于，S2中所述蔬菜当前的环境信息数据包括土壤当前的湿度值和茎流量值。