[发明专利]一种铁皮石斛生长环境预测方法

摘要

本发明涉及一种铁皮石斛生长环境预测方法，包括生长环境预测模型和改进的BP神经网络的步骤，其中生长环境预测模型包括对获得的参数作归一化处理，使神经网络对样本具有很好的拟合性，改进的BP神经网络的步骤包括一级模糊控制器对输入误差信号e(n)处理和二级模糊控制器对输入误差变化率进行处理。本发明的有益效果是：本发明提供了一种改进的BP神经网络算法用于植物生长环境预测,改进的BP神经网络克服了传统BP神经网络收敛速度慢的缺陷，同时改变步长，从而利用模糊控制根据生长环境做出自适应变步长,提高了收敛速度。

主权项

一种铁皮石斛生长环境预测方法，其特征在于，包括以下步骤：第一步，生长环境预测模型：首先对获得的参数作归一化处理，使神经网络对样本具有很好的拟合性：$x^{\′}=\frac{x-x_{\min }}{x_{\max }-x_{\min }}+0.5$其中，x′为归一化后数值，x为当前数值，x_max为样本最大值，x_min为样本最小值；设置神经网络的输入层节点数为A，A代表影响铁皮石斛生长环境的主要因素个数，即土壤温度、土壤湿度、空气温度、空气湿度、光照、二氧化碳和时间；输出层节点数为B，B代表影响铁皮石斛生长环境预测的主要因素个数，一般设置A＝B；隐含层节点C由输入和输出的要求而定；为缩短网络的训练时间，采用串行输入方式，输入样本已知N个训练数据，第N+1个数据为导师进行训练；结束后，输入数据依次向后移动一个数据为下一组输入数据，以第N+2个数据为导师进行训练，依此类推下去；由此可以掌握神经网络预测的规律，预测模型为：D_n+1＝F(D_n，D_n‑1，D_n‑2，D_n‑3，...，D_n‑m)F(D_n)表示历史数据经过神经网络预测映射的函数，D_n表示在n时刻环境参数的值；第二步，改进的BP神经网络的步骤：首先对数据进行处理，将误差较大的数据处理掉，其次利用二级模糊控制器对其他数据误差进行处理；1)一级模糊控制器对输入误差信号e(n)处理：将神经网络收敛造成的误差输入一级模糊控制器，与上一次误差e(n‑1)进行对比，可判断误差之差(e(n)‑e(n‑1))是收敛还是发散；通过设置的隶属函数，分为误差高速上升PB1、误差中速上升PM1、误差低速上升PS1、误差稳定01、误差低速下降NS1、误差中速下降NM1和误差高速下降NB1七种状态，进行模糊处理，根据设计的规则库为学习率和动量作出相应改变，从而调整步长：①如果e(n)为PB1状态时，那么将学习率适当减小，动量设置为0.01，取消这一次迭代，回到上一次迭代；②如果e(n)为PM1状态时，那么将学习率和动量适当减小，继续下一次迭代；③如果e(n)为PS1状态时，那么将学习率和动量适当减小，继续下一次迭代；④如果e(n)为01状态时，那么学习率和动量保持不变，继续下一次迭代；⑤如果e(n)为NS1状态时，那么将学习率和动量适当增大，继续下一次迭代；⑥如果e(n)为NM1状态时，那么将学习率和动量适当增大，继续下一次迭代；⑦如果e(n)为NB1状态时，那么将学习率和动量适当增大，继续下一次迭代；2)二级模糊控制器对输入误差变化率进行处理：将一级模糊控制器处理后的误差转化为误差变化率输入到二级模糊控制器，通过设置的隶属函数，分为误差率高速上升PB2、误差率中速上升PM2、误差率低速上升PS2、误差率稳定02、误差率低速下降NS2、误差率中速下降NM2和误差率高速下降NB2七种状态，再次对学习率和动量作出相应改变，从而调整步长：①如果Δ为PB2状态时，那么将学习率适当减小，动量设置为0.01，取消这一次迭代，回到上一次迭代；②如果Δ为PM2状态时，那么将学习率和动量适当减小，继续下一次迭代；③如果Δ为PS2状态时，那么将学习率和动量适当减小，继续下一次迭代；④如果Δ为02状态时，那么学习率和动量保持不变，继续下一次迭代；⑤如果Δ为NS2状态时，那么将学习率和动量适当增大，继续下一次迭代；⑥如果Δ为NM2状态时，那么将学习率和动量适当增大，继续下一次迭代；⑦如果Δ为NB2状态时，那么将学习率和动量适当增大，继续下一次迭代。