[发明专利]一种基于优化组合神经网络的需水预测方法

说明书

本发明公开了一种基于优化组合的Elman神经网络的需水预测方法，包括基于平均影响值(MIV)算法对输入变量进行筛选，利用思维进化算法(MEA)优化Elman神经网络的权值和阈值。MIV算法可以有效地消除影响因素的信息重叠，筛选出更好的指标；MEA算法具有良好的全局搜索能力，可以解决单纯的人工神经网络受制于初始权值和阈值的随机选择问题。因此，该方法准确度更高、预测效果更好，可以有效地对作物需水量进行预测预报，保证及时和合理调整灌溉制度，在作物需水预测中具有一定的应用价值。

技术领域

本发明涉及一种预测方法，基于平均影响值(MIV，Mean Impact Value)算法对变量进行筛选，利用思维进化算法(MEA，Mind EvolutionaryAlgorithm)优化Elman神经网络的权值和阈值，对作物进行需水预测，属于水资源管理和通信信息技术领域。

背景技术

我国是个水资源十分短缺的国家,同时也是个农业大国，农业用水量占总用水量的绝大部分。而核桃位居世界四大干果之首，近年来，我国核桃种植面积规模和总产量迅猛增加，栽培面积极为广阔。作为主要的生长作物，如果能够准确地预报核桃在重要阶段的需水情况，对它进行准确合理的需水量判断，就可以进行灌溉需水量预测、更好地制定灌溉用水计划。

核桃需水规律错综复杂，与各影响因子之间具有复杂的非线性关系，而神经网络具有很强的非线性问题处理功能，适合这类问题的解决，但是一般的神经网络通常存在求解的早熟和容易陷入局部极小值的问题。另一方面，影响核桃需水量的主要因素(风速、气温、相对湿度、日照时数等等)对核桃需水量的影响是相互联系的，具有高复杂、多维度的特点，现有的作物需水量预测模型大多忽略了各影响指标与核桃需水量的相互联系。

发明内容

MIV算法可以有效地消除影响因素的信息重叠，筛选出更好的指标；MEA算法具有良好的全局搜索能力，可以解决单纯的人工神经网络受制于初始权值和阈值的随机选择问题，本申请使用MEA算法配合神经网络具有的非线性、高维性、神经元之间的广泛互连性以及自适应性，建立了与核桃作物需水特性相适应的需水预测模型。

本申请选择河北省邯郸市河北工程大学精准灌溉试验田中的核桃作物作为实验对象，以天为单位采集了2015-2017年每年7月1日-31日的核桃需水量数据以及河北省邯郸市的气象数据资料。以气象数据作为输入变量，每日核桃作物的需水量值作为网络的输出变量，对预测方法的效果进行了验证。

本发明采用下述的技术方案：

一种基于优化组合的Elman神经网络的需水预测方法，其特征在于：首先利用平均影响值(Mean ImpactValue，MIV)算法对输入变量进行筛选，找出影响需水量的主要因素；利用思维进化算法(Mind EvolutionaryAlgorithm，MEA)优化Elman神经网络的权值和阈值，得到状态最优的Elman神经网络进行预测。

对输入变量进行筛选是指利用MIV算法对影响因素计算平均影响值，通过比较大小来进行排序，筛选出影响需水量的主要因素，将其作为Elman神经网络模型的输入。

进一步地，计算平均影响值包括：

(1)将作物需水量和采集到的影响因素样本输入至Elman模型中进行训练；

(2)对样本中的每一个影响因素的数据分别加减10％，其余指标保持不变，构成新样本，分别记为X_i(1)和X_i(2)，作为新的输入得出预测结果Y_i(1)、Y_i(2)；其中，X_i(1)和X_i(2)分别为

i(i＝1，2，...，n)表示第i个影响因子；x_mn表示进行第m次观测时第n个影响因子的值；