[发明专利]一种基于粒子群优化BP神经网络的甜菜产量预测方法

说明书

本发明公开了一种基于粒子群优化BP神经网络的甜菜产量预测方法。步骤1：导入BP神经网络训练及预测所需要的数据，并对甜菜的相关样本进行归一化处理；步骤2：构建BP神经网络的网络结构，并决定神经网络的结构特征；步骤3：初始化BP神经网络数值阈值；步骤4：初始化粒子群算法的相关参数，确定粒子群的自适应惯性权重w以及进化次数参数；步骤5：设置适应度函数；步骤6：达到终止条件，则获取最优数值的阈值；步骤7：在获取最优数值的阈值后，完成甜菜产量优化预测。本发明用以解决目前已有的BP神经网络的预测系统出现了许多数据预处理不理想，导致预测误差较大的问题。

技术领域

本发明属于产量预测技术领域，尤其涉及一种基于粒子群优化BP神经网络的甜菜产量预测方法。

背景技术

在一个产量预测的系统中，获得输入后，一般是直接通过预测算法进行数据训练，然后再进行产量预测。在农业、种植业等行业的系统中，通过输入数据直接进行训练和预测会不可避免的导致误差较大，这会给后面的产量预测带来极大的影响，无法精准地预测产量等数据。因此，在这些系统中，对数据进行预处理是其中的一个重要部分。

现代社会，尽管农业产量预测等系统还没有大规模的应用，但是这依旧是未来农业行业发展的一个重要方向。目前，农业产业的预测主要是通过农民的z种植经验和历年产量的预估，不仅无法有效的预测产量，还会极大的浪费人力物力。通过BP神经网络对作物的产量进行预测，能够对历史数据进行训练，并通过对现有的数据进行分析从而得到预测的结果。通过该方法可以对农业的产量、灌水量等数据进行有效的预测，从而提高农作物的产量。同时，在物联网+农业的发展趋势背景下，借助BP神经网络技术，将数据进行可视化的预测，为农业物联网的发展提供了有效的助力。然而，目前已有的BP神经网络的预测系统出现了许多数据预处理不理想，导致预测误差较大的问题。

发明内容

本发明提供一种基于粒子群优化BP神经网络的甜菜产量预测方法，用以解决目前已有的BP神经网络的预测系统出现了许多数据预处理不理想，导致预测误差较大的问题。

本发明通过以下技术方案实现：

一种基于改进粒子群优化BP神经网络的甜菜产量预测方法，所述预测方法包括以下步骤：

步骤1：导入BP神经网络训练及预测所需要的甜菜产量输入样本数据，并对甜菜产量样本进行归一化处理；

步骤2：构建BP神经网络的网络结构，并决定神经网络的结构特征；

步骤3：初始化BP神经网络数值阈值；

步骤4：初始化粒子群算法的相关参数，确定粒子群的自适应惯性权重w以及进化次数参数；

步骤5：设置适应度函数，通过将BP神经网络训练得到的误差作为适应度函数计算的适应度值；

步骤6：判断是否达到初始化设置的终止条件，若达到终止条件，则获取最优数值的阈值，否则继续执行步骤5；

步骤7：在获取最优数值的阈值后，计算BP神经网络训练得到的误差，并计算更新阈值，判断该阈值是否满足终止条件，若满足则进行仿真分类识别，将BP预测得到的甜菜产量数据同真实的甜菜产量数据进行对比，并输出对比图和相对误差；若不满足则继续执行步骤7，直至满足终止条件，至此，完成甜菜产量优化预测。

进一步的，所述步骤1具体包括，所述样本分为输入样本与输出样本，其中输入样本包括空气温度、空气湿度、土壤温度、土壤湿度、光照强度及二氧化碳含量，输出样本为甜菜产量。

进一步的，所述步骤3中的初始化BP神经网络数值阈值为设置粒子群算法的系统系数以及进化次数和种群规模；设置种群的速度阈值和种群阈值，根据设置的阈值进行后面粒子群的相关运算；确定粒子群的自适应惯性权重w。

进一步的，所述步骤4包括以下步骤：