[发明专利]一种基于改进DBN网络的冬枣产量预测方法

权利要求书

1.一种基于改进DBN网络的冬枣产量预测方法，具体步骤如下，其特征在于：

步骤1，将获取的数据进行预处理，由于影响冬枣产量的数据特征多且复杂，在进行数据处理之前需要先进行数据的转化整合处理，需要将数据归一化；

步骤2，建立影响冬枣产量预测的特征数据库，每个样本包括当地区域的降水、日照时数、温度、空气湿度的月值气象信息和种植面积特征和一个预测输出冬枣参量值，并将数据库中的原始数据划分一部分数据为测试数据，用于测试优化算法后的模型有效性，剩余的数据作为建立模型的训练数据；

步骤3，设计改进的DBN冬枣产量预测网络，将步骤2所采集的特征作为输入，输入到DBN网络中，同时将DBN网络输出层连接卷积层和激活函数，获得与预测值相关性更大的特征，最后连接BP网络，输出网络的预测值；

步骤4，训练改进的DBN冬枣产量预测网络，将特征数据库中训练样本的特征值作为网络输入，输出为所对应的冬枣产量，训练改进的DBN冬枣产量预测网络，获得训练完成的改进DBN冬枣产量预测网络；

步骤5，通过不断调整改进DBN冬枣产量预测网络参数达到最佳的预测效果。

2.根据权利要求1所述的一种基于改进DBN网络的冬枣产量预测方法，其特征在于：步骤2中冬枣月值气象信息特征可以表示为：

降水数据包括：累年平均月降水量、累年月最大日降水量、累年月日降水量大于且等于0.1mm平均日数、累年月日降水量大于且等于10.0mm平均日数、累年月日降水量大于且等于25.0mm平均日数、累年月日降水量大于且等于50.0mm平均日数、累年降水量相对平均差、累年月降水量平均差、累年月降水量相对标准差、累年月降水量标准差；

其中气温数据特征包括：月气温平均差、月气温标准差、月气温最大正距平、月气温最大负距平、月平均气温、月平均最高气温、月平均最低气温、月极端最高气温、月极端最低气温；

湿度数据包括：月平均相对湿度、月相对湿度平均差、月相对湿度标准差。

3.根据权利要求1所述的一种基于改进DBN网络的冬枣产量预测方法，其特征在于：步骤3中设计改进的DBN冬枣产量预测网络的过程可以表示为：

DBN网络是由若干RBM组成，RBM是由一个可见层和一个隐藏层组成，可见层和隐藏层之间的连接为双向全连接，RBM是基于能量函数概率建模，其能量函数定义为：

E(v，h)＝∑wvh-∑bv-∑ch (1)

式中，v为RBM可见层节点，h为隐藏层节点，w为可见层与隐藏层节点间的连接权重，b为可见层节点偏置，c为隐藏层系节点偏置；

可见层到隐藏层节点的激活概率P_v可表示为：

P_V＝S(∑wh+b) (2)

式中，S为sigmoid激活函数；

隐藏层到可见层节点的激活概率P_h可表示为：

P_h＝S(∑wv+c) (3)

为增加重要特征对冬枣产量预测的贡献，在DBN网络中融合卷积层和激活函数，提升DBN网络的特征提取能力，其计算公式为：

M＝tanh(conv(wh+b)) (4)

σ＝sigmoid(M) (5)

式中，conv是卷积操作，最后特征加权的特征输出为h’：

h′＝σ×h (6)

式中，h为步骤2所提的特征矩阵，h’是经过改进DBN网络输出的特征；同时改进DBN网络特征输出层的最后连接BP神经网络，输出冬枣产量预测值。

4.根据权利要求1所述的一种基于改进DBN网络的冬枣产量预测方法，其特征在于：步骤4中训练改进的DBN冬枣产量预测网络的过程可以表示为：

使用训练数据样本集D中的样本训练改进的DBN冬枣产量预测网络，将月值气象信息和种植面积特征作为输入，冬枣产量预测值作为输出训练网络，DBN网络中RBM参数的训练更新规则如下：

Δw＝ε(vh_data-vh_recon) (7)

Δb＝ε(v_data-v_recon) (8)

Δc＝ε(h_data-h_recon) (9)

其中，Δw、Δb、Δc分别是网络上w、b、c的更新值，ε是学习率，·_data是训练数据样本集分布上的数学期望，·_recon是重构后模型分布上的数学期望。