CN110414115A - 一种基于遗传算法的小波神经网络番茄产量预测方法 - Google Patents
一种基于遗传算法的小波神经网络番茄产量预测方法 Download PDFInfo
- Publication number
- CN110414115A CN110414115A CN201910663789.1A CN201910663789A CN110414115A CN 110414115 A CN110414115 A CN 110414115A CN 201910663789 A CN201910663789 A CN 201910663789A CN 110414115 A CN110414115 A CN 110414115A
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- value
- input
- individual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 235000007688 Lycopersicon esculentum Nutrition 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 28
- 230000002068 genetic effect Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 16
- 240000003768 Solanum lycopersicum Species 0.000 title abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 22
- 230000000694 effects Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 8
- 238000003973 irrigation Methods 0.000 claims description 5
- 230000002262 irrigation Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 claims description 3
- 230000004075 alteration Effects 0.000 claims description 3
- 239000003337 fertilizer Substances 0.000 claims description 3
- 238000010353 genetic engineering Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 239000000618 nitrogen fertilizer Substances 0.000 claims description 3
- 239000002686 phosphate fertilizer Substances 0.000 claims description 3
- 229940072033 potash Drugs 0.000 claims description 3
- 235000015320 potassium carbonate Nutrition 0.000 claims description 3
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 241000227653 Lycopersicon Species 0.000 claims 3
- 230000010354 integration Effects 0.000 abstract description 3
- 230000005284 excitation Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000008649 adaptation response Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003967 crop rotation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 230000001766 physiological effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Genetics & Genomics (AREA)
- Quality & Reliability (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于遗传算法的小波神经网络番茄产量预测方法，属于农业信息技术领域。该方法先选取一定量的参数作为输入变量，通过对这些参数进行的分类、处理和筛选并对应用遗传算法对其进行优化训练，得到适宜的数据种群。然后确定网络输入层、隐藏层和输出层的节点数，应用小波基函数取代BP神经网络隐藏层节点的激励函数，并且引入平移因子和尺度因子不断对权值进行调整，经过多次训练和迭代，使模型预测的误差不断降低，令其输出结果不断接近实测值，将误差控制在合理的范围内，提升了模型的预测精度和函数收敛性能，为预测温室内作物产量提供较为可靠理论支持。
Description
技术领域
本发明属于农业信息技术领域，特别涉及一种基于遗传算法的小波神经网络番茄产量预测方法。
背景技术
番茄是中国北方地区设施栽培的主要蔬菜之一，北方地区日光温室内的番茄种植多采用高效轮作的栽培模式，温室的环境因子、土壤的营养含量与番茄的生理特性直接决定了番茄的产量。预测温室内的番茄产量，能够为确定适宜的种植计划，合理安排施肥量、灌溉量，及时采取除虫、除草等措施，定期采取通风、增温、补光等措施，为番茄的健康生长创造良好环境，并为温室番茄的优质高产奠定基础。前人对于番茄产量预测的研究十分广泛，但大多集中于应用作物机理模型或作物生长发育模型对温室内的番茄产量进行预测，涉及的参数相对较少，计算方法具有一定的局限性。应用遗传算法与小波神经网络结合的方式进行温室番茄产量的预测，能够依据历年的历史数据，并且通过不断修正模型中的各种参数变量完善和优化模型，提升模型预测精度，使其更加适用于北方日光温室的实际环境，具有较为广阔的应用前景。
发明内容
本发明提供一种基于遗传算法的小波神经网络番茄产量预测方法，可以预测北方节能日光温室内的番茄产量，能够为确定适宜的种植计划。
一种基于遗传算法的小波神经网络番茄产量预测模型，其特征在于，本模型的输入变量包括以下特征参数：环境温度；环境湿度；灌溉量；氮肥投入量；磷肥投入量；钾肥投入量；CO2浓度；光照强度；
该模型由以下步骤建立：
随机生成一个初始种群Xm×n：
n＝s1×s2+s2×s3+s2+s3 (1)
其中：m为初始种群数量，n为个体长度，个体长度既代表每个个体的基因值数量，也代表一个神经网络的初始权值数量；s1为输入层节点数；s2为隐含层节点数；s3为输出层节点数；
遗传算法通过计算初始种群中每个个体的输出误差值Ei，适应度值fi，并根据个体适应度值的值进行评估，选择初始种群中适应度值在预设范围A内的个体进入子种群继续进行优化训练：
在子种群中，第i个个体进行交叉或变异操作的概率为pi，根据交叉率pc和变异率pm自适应函数来判断该个体是否需要进行交叉或遗传操作：
式中：kc、km均为小于1的实数，fc为要交叉的个体适应度值，fm为要变异的个体适应度值，fmax、分别为种群中最大适应度值和平均适应度值，为种群的收敛程度；
剔除输入变量中偏差超过其年平均值±10％的数据，应用遗传算法对数据优化，数据动态范围≤±5％视为处理效果较好，将经过筛选与优化处理后的数据作为小波神经网络的输入数据并进行后续运算；
将经过上述处理后的特征参数作为小波神经网络模型的输入，温室番茄产量作为输出，其中，包括如下步骤：
该模型选用的母小波函数为：
g(x)＝cos(1.75x)exp(-x2/2) (7)
将母小波函数进行尺度和平移变换构造小波基函数：
其中，aj、bj分别为第j个隐含层节点的尺度因子和平移因子；
yk为模型的输出：
其中，xi(i＝1，2，...，I)为输入层第i个节点的输入，yk(j＝1，2，...，k)为输出层第j个节点的输出；
定义误差函数E为：
其中，yk为输出层第k个节点的实际输出，tk为输出层第k个节点的目标输出；
对权值、尺度因子、平移因子的调整包括：
其中，学习速率：η(η＞0)，动量因子：μ(0＜μ＜1)。
更优地，误差值以百分数表示，则适应度值处于0～1范围内，A＝fi＞0.667。
本发明提供一种基于遗传算法的小波神经网络番茄产量预测方法，通过对数据进行的分类、处理和筛选并应用遗传算法对其进行优化训练，得到适宜的数据种群。然后确定网络输入层、隐藏层和输出层的节点数，应用小波基函数取代BP神经网络隐藏层节点的激励函数，并且引入平移因子和尺度因子不断对权值进行调整，经过多次训练和迭代，使模型预测的误差不断降低，令其输出结果不断接近实测值，可以将误差控制在合理的范围内。
附图说明
图1为本发明提供的一种基于遗传算法的小波神经网络番茄产量预测方法的小波神经网络结构图；
图2为GA-WNN模型预测效果图；
图3为GA-WNN模型误差百分比曲线；
图4为WNN模型预测效果图；
图5为WNN模型误差百分比曲线；
图6为BP神经网络模型预测效果；
图7为BP神经网络模型误差百分比曲线；
图8为本发明提供的一种基于遗传算法的小波神经网络番茄产量预测方法的流程图。
具体实施方式
下面结合附图，对本发明的一个具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
番茄产量预测模型的建立过程：首先对数据进行的分类、处理和筛选并对应用遗传算法对其进行优化训练，得到适宜的数据种群。然后确定网络输入层、隐藏层和输出层的节点数，应用小波基函数取代BP神经网络隐藏层节点的激励函数，并且引入平移因子和尺度因子不断对权值进行调整，经过多次训练和迭代，使模型预测的误差不断降低，令其输出结果不断接近实测值，将误差控制在合理的范围内，其具体流程如图8所示。
GA-WNN算法具体执行步骤：
本模型选取以下参数作为输入变量：①环境温度；②环境湿度；③灌溉量；④氮肥投入量；⑤磷肥投入量；⑥钾肥投入量；⑦CO2浓度；⑧光照强度，将番茄产量数据作为该模型的输出变量。首先，将遗传算法作为WNN算法的前置手段，对原始数据进行优化处理，得到动态范围较小(数据的动态范围≤±5％) 的数据，将经过筛选与优化后的数据作为后续WNN算法的初始值。然后，应用小波函数对传统的BP神经网络进行改进，将小波函数的多分辨分析的特性与神经网络的自适应能力相结合，构造小波神经网络模型，并对其不断修正与完善，这样便极大地提升了模型的预测精度和函数收敛性能，为预测温室内作物产量提供较为可靠理论支持。
具体操作过程如下：
(1)应用遗传算法对所选用的8种参数进行筛选与优化处理。首先，随机生成一个初始种群Xm×n对原始数据进行优化处理，其中m为初始种群数量(因为选取了8种变量，所以取m＝8)，个体长度n既代表每个个体的基因值数量，也代表一个神经网络的初始权值数量(隐藏层节点数会随着网络训练不断变化，权值数量也随之改变，最初设置8个输入层节点，5个隐藏层节点，1个输出层节点，初始权值数量为46)，并且个体中的基因值与神经网络的初始权值一一对应。本研究采用实数编码方式对基因值进行编码，可避免解码过程，提高了训练效率。
n＝s1×s2+s2×s3+s2+s3 (1)
式中：n为个体长度；s1为输入层节点数；s2为隐含层节点数；s3为输出层节点数。
遗传算法通过计算初始种群中每个个体的输出误差值Ei，适应度值fi，并根据个体适应度值的值进行评估，选择初始种群中适应度值较大(误差值以百分数表示，则适应度值处于0～1范围内，将fi＞0.667的值视为适应度较好的数值)的个体进入子种群继续进行优化训练。
在子种群中，第i个个体被选中将进行交叉或变异操作的概率为pi，并根据交叉率pc和变异率pm自适应函数来判断该个体是否需要进行交叉或遗传操作，pc与pm的取值会根据个体适应值fi的值而改变自适应度，以此保持种群始终具有多样性。
式中：kc、km均为小于1的实数，fc为要交叉的个体适应度值，fm为要变异的个体适应度值，fmax、分别为种群中最大适应度值和平均适应度值，为种群的收敛程度。依据以上遗传算法，对原始数据进行筛选与优化处理，剔除偏差较大(某种变量超过其年平均值±10％均视为偏差较大的值，并以此上下限约束其值，将其规定为边界值进行后续计算)，应用遗传算法对数据优化，能够使数据的动态范围减小，数据动态范围≤±5％视为处理效果较好，将经过筛选与优化处理后的数据作为小波神经网络的输入数据并进行后续运算。
(2)将经过上步处理与优化后的8种特征参数作为小波神经网络(WNN) 模型的输入，温室番茄产量作为输出，网络的结构对于模型的预测精度、稳定性至关重要。构建模型时首先要考虑模型的结构，使其能够满足试验要求，保证模型稳定性与可靠性，然后应用误差函数分析存在的问题，继续优化模型，提升预测精度。
该模型选用的母小波函数为：
g(x)＝cos(1.75x)exp(-x2/2) (7)
将母小波函数进行尺度和平移变换构造小波基函数：
其中，aj、bj分别为第j个隐含层节点的尺度因子和平移因子。yk为模型的输出：
xi(i＝1，2，...，I)-输入层第i个节点的输入，yk(j＝1，2，...，k)-输出层第j个节点的输出。
通过对此模型中的权值、尺度因子、平移因子不断进行调整，提升模型的稳定性和预测精度，令此模型更加适用于实际的现场环境，并且不断完善和优化该模型。定义误差函数E为：
其中，yk为输出层第k个节点的实际输出，tk为输出层第k个节点的目标输出。对权值、尺度因子、平移因子的调整包括：
其中，学习速率：η(η＞0)，动量因子：μ(0＜μ＜1)。通过对式中的参数不断进行调整，从而提升模型的预测精度，并采用MATLAB软件进行仿真，验证模型的预测效果。
然后通过对此模型中的GA参数、BP参数、权值、尺度因子、平移因子等参数不断进行调整，提升模型的稳定性和预测精度，令此模型更加适用于实际的现场环境，并且不断完善和优化该模型。
本次试验选用2010～2015年的数据对模型进行训练，应用2016～2018年的数据检验GA-WNN模型的实际预测效果。利用6年的数据对此网络进行训练，不断调整模型的权值、尺度因子、平移因子、学习率、动量因数和迭代次数等模型参数，经过多次对比试验结果并计算误差，不断对其进行改进与优化，得到了预测效果较好的模型，并且其误差在合理的范围内(误差百分比在5％以内)，预测值与实测值相差很小，基本对温室番茄产量实现了精准预测，GA-WNN 模型的预测效果如下图。结果表明，此模型预测值对实测值的跟踪效果较好，并且模型的稳定性较高，可以有效预测温室番茄产量。实验数据和试验结果对比表如下：
为了验证模型的预测效果，将GA-WNN模型与WNN模型、BP神经网络模型进行对比，预测效果对比情况见下表。经分析可知，采用两种模型的预测值与实际值均存在一定误差，GA-WNN模型平均相对误差为0.66％，WNN模型平均相对误差为1.02％，BP神经网络模型的平均相对误差为2.42％，GA-WNN模型预测效果较为理想。GA-WNN模型收敛速度优于WNN与BP神经网络模型，经过208 步预测效果已达到最优。综上所述，通过将遗传算法、小波分析和BP神经网络进行结合构造出的GA-WNN模型的收敛速度较快、预测精度较高，实现了番茄产量的精准预测，能够为合理安排温室内的作物种类、制定灌溉和施肥等管理计划提供依据。
本研究利用GA-WNN模型对北方日光温室内的番茄产量进行预测，综合考虑了影响温室番茄产量的因素，采用遗传算法等手段对参数进行处理并筛选，然后提取数据的特征向量作为模型输入，构建温室番茄产量预测模型，并利用小波神经网络中尺度因子与平移因子进行权值调整，提升模型的预测精度。仿真结果表明，GA-WNN模型平均相对误差为0.66％，WNN模型平均相对误差为 1.02％，BP神经网络模型的平均相对误差为2.42％，GA-WNN模型预测效果优于 WNN和BP神经网络模型，经过208步预测效果已达到最优，证明GA-WNN模型具有较好的实际应用价值。与传统的WNN和BP神经网络模型相比，GA-WNN模型的平均相对误差较小、精度更高、稳定性更强，更符合温室番茄产量预测，能够为温室内番茄种植决策的制定提供依据，并且对番茄种植期间所采取的灌溉、施肥、补光和通风等措施提供了一定的理论支持，并且对温室系统的改良和优化起到了促进作用。
以上公开的仅为本发明的几个具体实施例，但是，本发明实施例并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。
Claims (2)
1.一种基于遗传算法的小波神经网络番茄产量预测模型，其特征在于，本模型的输入变量包括以下特征参数：环境温度；环境湿度；灌溉量；氮肥投入量；磷肥投入量；钾肥投入量；CO2浓度；光照强度；
该模型由以下步骤建立：
随机生成一个初始种群Xm×n：
n＝s1×s2+s2×s3+s2+s3 (1)
其中：m为初始种群数量，n为个体长度，个体长度既代表每个个体的基因值数量，也代表一个神经网络的初始权值数量；s1为输入层节点数；s2为隐含层节点数；s3为输出层节点数；
遗传算法通过计算初始种群中每个个体的输出误差值Ei，适应度值fi，并根据个体适应度值的值进行评估，选择初始种群中适应度值在预设范围A内的个体进入子种群继续进行优化训练：
在子种群中，第i个个体进行交叉或变异操作的概率为pi，根据交叉率pc和变异率pm自适应函数来判断该个体是否需要进行交叉或遗传操作：
式中：kc、km均为小于1的实数，fc为要交叉的个体适应度值，fm为要变异的个体适应度值，fmax、分别为种群中最大适应度值和平均适应度值，为种群的收敛程度；
剔除输入变量中偏差超过其年平均值±10％的数据，应用遗传算法对数据优化，数据动态范围≤±5％视为处理效果较好，将经过筛选与优化处理后的数据作为小波神经网络的输入数据并进行后续运算；
将经过上述处理后的特征参数作为小波神经网络模型的输入，温室番茄产量作为输出，其中，包括如下步骤：
该模型选用的母小波函数为：
g(x)＝cos(1.75x)exp(-x2/2) (7)
将母小波函数进行尺度和平移变换构造小波基函数：
其中，aj、bj分别为第j个隐含层节点的尺度因子和平移因子；
yk为模型的输出：
其中，xi(i＝1，2，...，I)为输入层第i个节点的输入，yk(j＝1，2，...，k)为输出层第j个节点的输出；
定义误差函数E为：
其中，yk为输出层第k个节点的实际输出，tk为输出层第k个节点的目标输出；
对权值、尺度因子、平移因子的调整包括：
其中，学习速率：η(η＞0)，动量因子：μ(0＜μ＜1)。
2.如权利要求1所述的一种基于遗传算法的小波神经网络番茄产量预测方法，其特征在于，误差值以百分数表示，则适应度值处于0～1范围内，A＝fi＞0.667。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910663789.1A CN110414115B (zh) | 2019-07-13 | 2019-07-13 | 一种基于遗传算法的小波神经网络番茄产量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910663789.1A CN110414115B (zh) | 2019-07-13 | 2019-07-13 | 一种基于遗传算法的小波神经网络番茄产量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110414115A true CN110414115A (zh) | 2019-11-05 |
| CN110414115B CN110414115B (zh) | 2023-01-20 |
Family
ID=68362450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910663789.1A Expired - Fee Related CN110414115B (zh) | 2019-07-13 | 2019-07-13 | 一种基于遗传算法的小波神经网络番茄产量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110414115B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158470A (zh) * | 2020-11-25 | 2021-07-23 | 中国石油大学(华东) | 基于迁移学习的油藏自动历史拟合系统与方法 |
| CN113379188A (zh) * | 2021-05-06 | 2021-09-10 | 贵州省烟草公司贵阳市公司 | 基于物联网的烟草轮作种植方法和系统 |
| CN113439520A (zh) * | 2021-07-21 | 2021-09-28 | 中国农业科学院农业环境与可持续发展研究所 | 一种农作物灌溉施肥智慧决策方法及系统 |
| CN115907366A (zh) * | 2022-11-15 | 2023-04-04 | 淮阴工学院 | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150142837A1 (en) * | 2013-11-20 | 2015-05-21 | Qliktech International Ab | Methods And Systems For Wavelet Based Representation |
| CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
| US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| CN109345508A (zh) * | 2018-08-31 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段神经网络的骨龄评价方法 |
| CN109359741A (zh) * | 2018-09-27 | 2019-02-19 | 华南师范大学 | 一种废水处理进水水质时序变化智能预测方法 |
-
2019
- 2019-07-13 CN CN201910663789.1A patent/CN110414115B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150142837A1 (en) * | 2013-11-20 | 2015-05-21 | Qliktech International Ab | Methods And Systems For Wavelet Based Representation |
| US20180202264A1 (en) * | 2016-02-08 | 2018-07-19 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| CN106651012A (zh) * | 2016-12-02 | 2017-05-10 | 东华大学 | 一种基于改进极限学习机的作物蒸腾量预测方法 |
| CN109345508A (zh) * | 2018-08-31 | 2019-02-15 | 北京航空航天大学 | 一种基于两阶段神经网络的骨龄评价方法 |
| CN109359741A (zh) * | 2018-09-27 | 2019-02-19 | 华南师范大学 | 一种废水处理进水水质时序变化智能预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 潘玉民等: "基于量子粒子群优化的小波神经网络预测模型", 《信息与控制》 * |
| 靳然等: "基于小波神经网络的麦蚜发生程度预测模型", 《昆虫学报》 * |
| 魏周会等: "《作物产量预测的时间序列神经网络模型》", 《节水灌溉》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113158470A (zh) * | 2020-11-25 | 2021-07-23 | 中国石油大学(华东) | 基于迁移学习的油藏自动历史拟合系统与方法 |
| CN113379188A (zh) * | 2021-05-06 | 2021-09-10 | 贵州省烟草公司贵阳市公司 | 基于物联网的烟草轮作种植方法和系统 |
| CN113439520A (zh) * | 2021-07-21 | 2021-09-28 | 中国农业科学院农业环境与可持续发展研究所 | 一种农作物灌溉施肥智慧决策方法及系统 |
| CN115907366A (zh) * | 2022-11-15 | 2023-04-04 | 淮阴工学院 | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 |
| CN115907366B (zh) * | 2022-11-15 | 2023-09-22 | 淮阴工学院 | 一种基于火烈鸟算法的农产品生长环境最优调控方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110414115B (zh) | 2023-01-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110414115A (zh) | 一种基于遗传算法的小波神经网络番茄产量预测方法 | |
| CN106373022B (zh) | 基于bp-ga的温室农作物种植效率条件优化方法及系统 | |
| CN107329511A (zh) | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 | |
| CN110163254A (zh) | 一种基于递归神经网络的黄瓜温室产量智能化预测装置 | |
| CN110472840A (zh) | 一种基于神经网络技术的农业水利调度方法及系统 | |
| CN107145941B (zh) | 基于最优光质和光子通量密度的需光量实时动态获取方法 | |
| CN104376142A (zh) | 一种结合作物虚拟生长模型的水稻株型定量控制方法 | |
| Hu et al. | Model for tomato photosynthetic rate based on neural network with genetic algorithm | |
| CN110119086A (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
| Lyu et al. | Multi-objective winter wheat irrigation strategies optimization based on coupling AquaCrop-OSPy and NSGA-III: A case study in Yangling, China | |
| CN111915062A (zh) | 水分利用率与光合速率协同的温室作物需水调控方法 | |
| CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
| Valenzuela et al. | Pre-harvest factors optimization using genetic algorithm for lettuce | |
| An et al. | A simulator-based planning framework for optimizing autonomous greenhouse control strategy | |
| CN117575094A (zh) | 一种基于数字孪生的农作物产量预测与优化方法及设备 | |
| Ding et al. | Genetic algorithm based approach to optimize phenotypical traits of virtual rice | |
| CN105913326B (zh) | 约束性知识与精英个体策略遗传算法融合的作物生育期模型品种参数优化方法 | |
| CN113625806B (zh) | 面向碳中和需求的效率最优温室植物调控方法 | |
| CN114282702A (zh) | 基于iga-bp神经网络的土壤调理时间序列预测方法和系统 | |
| Chen et al. | A water-saving irrigation decision-making model for greenhouse tomatoes based on genetic optimization TS fuzzy neural network | |
| Gao et al. | Greenhouse light and CO2 regulation considering cost and photosynthesis rate using i-nsGA Ⅱ | |
| Chen et al. | Multi-objective optimal regulation model and system based on whole plant photosynthesis and light use efficiency of lettuce | |
| Su et al. | Greenhouse climate setpoint optimization: An online decision strategy | |
| Gao et al. | Application of Artificial Intelligence System Design Based on Genetic Algorithm In Horticultural Cultivation | |
| CN117575870A (zh) | 一种基于sd-flus模型的城市碳平衡优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230120 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |