本發(fā)明實(shí)施例涉及農(nóng)業(yè)信息技術(shù)領(lǐng)域，具體涉及一種基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)方法及裝置。

背景技術(shù)：

我國(guó)的季風(fēng)氣候和傳統(tǒng)低效的農(nóng)業(yè)灌溉技術(shù)綜合導(dǎo)致我國(guó)農(nóng)業(yè)水資源利用率低，節(jié)水灌溉技術(shù)主要依據(jù)作物的需水、耗水規(guī)律來(lái)控制、調(diào)配水資源，節(jié)水灌溉策略的制定必須依靠土壤墑情的增長(zhǎng)消退規(guī)律。因此，準(zhǔn)確、高效地預(yù)測(cè)土壤墑情的長(zhǎng)期變化趨勢(shì)，是實(shí)現(xiàn)精準(zhǔn)灌溉、提高水資源利用率改善農(nóng)作物生長(zhǎng)狀況的基礎(chǔ)。

目前國(guó)內(nèi)外學(xué)者常用的土壤墑情預(yù)測(cè)模型主要有確定性和隨機(jī)性模型。確定性模型是從土壤水分運(yùn)移、轉(zhuǎn)化所遵循的物理規(guī)律出發(fā)建立土壤水動(dòng)態(tài)模型，主要有經(jīng)驗(yàn)公式法、土層水量平衡法、土壤水動(dòng)力學(xué)法等。隨機(jī)性方法則考慮了土壤水分變化的隨機(jī)特點(diǎn)，用隨機(jī)模擬法來(lái)探討田間土壤水分的變化過(guò)程，如多元回歸預(yù)測(cè)法、神經(jīng)網(wǎng)絡(luò)模型等。以上模型的復(fù)雜性和預(yù)測(cè)精度各不相同。經(jīng)驗(yàn)性模型比較簡(jiǎn)單便于應(yīng)用，但是模型中經(jīng)驗(yàn)參數(shù)的適用范圍有限；多元回歸預(yù)測(cè)法通過(guò)建立土壤墑情與多種環(huán)境因素之間的回歸方程進(jìn)行土壤墑情預(yù)測(cè)，但在但在中長(zhǎng)期預(yù)測(cè)時(shí)誤差累計(jì)嚴(yán)重導(dǎo)致預(yù)測(cè)精度低；神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型提高了中長(zhǎng)期土壤墑情預(yù)測(cè)的預(yù)測(cè)精度，但模型參數(shù)選擇復(fù)雜且依賴(lài)大量的經(jīng)驗(yàn)技巧，訓(xùn)練過(guò)程容易陷入局部極值。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例的一個(gè)目的是解決現(xiàn)有技術(shù)使用確定性和隨機(jī)性模型時(shí)由于輸入數(shù)據(jù)維度較高，導(dǎo)致預(yù)測(cè)精度低的問(wèn)題。

本發(fā)明實(shí)施例提出了一種基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)方法，包括：

獲取待預(yù)測(cè)土壤的歷史墑情數(shù)據(jù)；

從所述歷史墑情數(shù)據(jù)中選取距離預(yù)測(cè)時(shí)間點(diǎn)最近的N個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)；

將選取的墑情數(shù)據(jù)轉(zhuǎn)換為單位圓上的復(fù)數(shù)；

根據(jù)轉(zhuǎn)換后的墑情數(shù)據(jù)和預(yù)構(gòu)建的MLMVN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)待預(yù)測(cè)土壤在所述預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

可選的，在根據(jù)轉(zhuǎn)換后的墑情數(shù)據(jù)和預(yù)構(gòu)建的MLMVN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)待預(yù)測(cè)土壤在所述預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)之前，所述方法還包括：

根據(jù)選取的墑情數(shù)據(jù)的個(gè)數(shù)確定輸入層的節(jié)點(diǎn)數(shù)；

根據(jù)輸入層的節(jié)點(diǎn)數(shù)構(gòu)建多輸入單輸出的MLMVN神經(jīng)網(wǎng)絡(luò)。

可選的，當(dāng)所述MLMVN神經(jīng)網(wǎng)絡(luò)含有兩個(gè)隱含層時(shí)，設(shè)置第一隱含層節(jié)點(diǎn)數(shù)少于第二隱含層節(jié)點(diǎn)數(shù)。

可選的，所述根據(jù)轉(zhuǎn)換后的墑情數(shù)據(jù)和預(yù)構(gòu)建的MLMVN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)待預(yù)測(cè)土壤在所述預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)包括：

若所述預(yù)測(cè)時(shí)間點(diǎn)為一個(gè)，則將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在所述預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

可選的，若預(yù)測(cè)時(shí)間點(diǎn)為兩個(gè)或者兩個(gè)以上，則將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在第一預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)；

從所述選取的墑情數(shù)據(jù)以及第一個(gè)預(yù)測(cè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)中選取距離預(yù)測(cè)時(shí)間點(diǎn)最近的N個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)；

將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在下一預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

本發(fā)明實(shí)施例提供一種基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)裝置，包括：

獲取模塊，用于獲取待預(yù)測(cè)土壤的歷史墑情數(shù)據(jù)；

選取模塊，用于從所述歷史墑情數(shù)據(jù)中選取距離預(yù)測(cè)時(shí)間點(diǎn)最近的N個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)；

轉(zhuǎn)換模塊，用于將選取的墑情數(shù)據(jù)轉(zhuǎn)換為單位圓上的復(fù)數(shù)；

預(yù)測(cè)模塊，用于根據(jù)轉(zhuǎn)換后的墑情數(shù)據(jù)和預(yù)構(gòu)建的MLMVN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)待預(yù)測(cè)土壤在所述預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

可選的，所述裝置還包括：建模模塊；

所述建模模塊，用于根據(jù)選取的墑情數(shù)據(jù)的個(gè)數(shù)確定輸入層的節(jié)點(diǎn)數(shù)；根據(jù)輸入層的節(jié)點(diǎn)數(shù)構(gòu)建多輸入單輸出的MLMVN神經(jīng)網(wǎng)絡(luò)。

可選的，當(dāng)所述MLMVN神經(jīng)網(wǎng)絡(luò)含有兩個(gè)隱含層時(shí)，設(shè)置第一隱含層節(jié)點(diǎn)數(shù)少于第二隱含層節(jié)點(diǎn)數(shù)。

可選的，所述預(yù)測(cè)模塊，用于在預(yù)測(cè)時(shí)間點(diǎn)為一個(gè)時(shí)，將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在所述預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

可選的，所述預(yù)測(cè)模塊，還用于在預(yù)測(cè)時(shí)間點(diǎn)為兩個(gè)或者兩個(gè)以上，將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在第一預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)；從所述選取的墑情數(shù)據(jù)以及第一個(gè)預(yù)測(cè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)中選取距離預(yù)測(cè)時(shí)間點(diǎn)最近的N個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)；將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在下一預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

由上述技術(shù)方案可知，本發(fā)明實(shí)施例提出的基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)方法及裝置通過(guò)將數(shù)據(jù)轉(zhuǎn)換為單位圓上的復(fù)數(shù)，以復(fù)數(shù)土壤墑情作為網(wǎng)絡(luò)輸入以提高農(nóng)田土壤墑情多步預(yù)測(cè)精度。

附圖說(shuō)明

通過(guò)參考附圖會(huì)更加清楚的理解本發(fā)明的特征和優(yōu)點(diǎn)，附圖是示意性的而不應(yīng)理解為對(duì)本發(fā)明進(jìn)行任何限制，在附圖中：

圖1示出了本發(fā)明一實(shí)施例提供的基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)方法的流程示意圖；

圖2示出了本發(fā)明另一實(shí)施例提供的基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)方法的流程示意圖；

圖3示出了本發(fā)明另一實(shí)施例提供的基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)方法中神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)示意圖；

圖4示出了本發(fā)明另一實(shí)施例提供的基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)方法中循環(huán)預(yù)測(cè)示意圖；

圖5示出了本發(fā)明一實(shí)施例提供的基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

圖1示出了本發(fā)明一實(shí)施例提供的基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)方法的流程示意圖，參見(jiàn)圖1，該方法可由處理器時(shí)限，具體包括如下步驟：

110、獲取待預(yù)測(cè)土壤的歷史墑情數(shù)據(jù)；

需要說(shuō)明的是，土壤的墑情數(shù)據(jù)可由設(shè)置在預(yù)設(shè)采樣點(diǎn)處的傳感器采集，預(yù)設(shè)采樣點(diǎn)的數(shù)量和位置可視情況而定；另外，優(yōu)選的是，傳感器的型號(hào)、采樣頻率相同，由此，在同一時(shí)刻采集土壤不同位置的墑情數(shù)據(jù)，可見(jiàn)，每個(gè)采樣時(shí)刻都有對(duì)應(yīng)與之對(duì)應(yīng)的墑情數(shù)據(jù)，并將每個(gè)采樣時(shí)刻對(duì)應(yīng)的墑情數(shù)據(jù)作為一個(gè)樣本。

120、從所述歷史墑情數(shù)據(jù)中選取距離預(yù)測(cè)時(shí)間點(diǎn)最近的N個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)；

不難理解的是，在步驟120的基礎(chǔ)上，歷史墑情數(shù)據(jù)中包括多個(gè)采樣時(shí)刻(稱(chēng)之為時(shí)間點(diǎn))對(duì)應(yīng)的樣本集，本步驟選取距離預(yù)測(cè)時(shí)間點(diǎn)最近的N個(gè)時(shí)間點(diǎn)以提高選取的數(shù)據(jù)的準(zhǔn)確度。

130、將選取的墑情數(shù)據(jù)轉(zhuǎn)換為單位圓上的復(fù)數(shù)；

本步驟的具體通過(guò)實(shí)復(fù)數(shù)轉(zhuǎn)換公式實(shí)現(xiàn)，公式(1)如下：

其中，u₀,u₁,......,u_n為待轉(zhuǎn)化時(shí)間序列，序列中有多個(gè)時(shí)間點(diǎn)以及每個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)；a＝min{u_j}為時(shí)間序列中最小值，b＝max{u_j}為時(shí)間序列中最大值，為轉(zhuǎn)化后得到的幅度值，為對(duì)轉(zhuǎn)化后幅度范圍進(jìn)行擴(kuò)展的常數(shù)，x_j為單位圓上復(fù)數(shù)的指數(shù)表示。

140、根據(jù)轉(zhuǎn)換后的墑情數(shù)據(jù)和預(yù)構(gòu)建的多層前饋復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)MLMVN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)待預(yù)測(cè)土壤在所述預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

不難理解的是，將轉(zhuǎn)換為復(fù)數(shù)的墑情數(shù)據(jù)輸入至構(gòu)建完成的MLMVN神經(jīng)網(wǎng)絡(luò)中，并設(shè)置需要預(yù)測(cè)的時(shí)間點(diǎn)，MLMVN神經(jīng)網(wǎng)絡(luò)輸出對(duì)應(yīng)的預(yù)測(cè)的墑情數(shù)據(jù)。

本發(fā)明實(shí)施例通過(guò)將數(shù)據(jù)轉(zhuǎn)換為單位圓上的復(fù)數(shù)，以轉(zhuǎn)化后的土壤墑情作為MLMVN網(wǎng)絡(luò)的輸入和輸出，進(jìn)而降低建模復(fù)雜度并提高農(nóng)田土壤墑情多步預(yù)測(cè)精度。

圖2示出了本發(fā)明另一實(shí)施例提供的基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)方法的流程示意圖，下面參見(jiàn)圖2對(duì)本申請(qǐng)的原理進(jìn)行詳細(xì)說(shuō)明，方法具體包括如下步驟：

210、數(shù)據(jù)采集

采集獲取農(nóng)田作物整個(gè)生長(zhǎng)周期(幼苗期、生長(zhǎng)期、抽穗期和成熟期)的土壤墑情。采集方法如下：選定實(shí)驗(yàn)田，在實(shí)驗(yàn)田內(nèi)均勻設(shè)定a1個(gè)土壤墑情采樣點(diǎn)，在相同的土壤深度下埋入型號(hào)相同的傳感器并設(shè)置相同的采樣頻率，對(duì)農(nóng)田作物整個(gè)生長(zhǎng)周期的土壤墑情進(jìn)行采集。

220、數(shù)據(jù)集生成

1：對(duì)于某一采樣時(shí)刻，a1個(gè)土壤傳感器采集同一時(shí)刻不同位置的同一土壤深度的a1個(gè)土壤墑情數(shù)據(jù)，除去a1個(gè)數(shù)據(jù)中的最大值和最小值，以剩余a1-2個(gè)數(shù)的均值作為此刻的土壤墑情。按照這種求均值的方法，依次求一天中每個(gè)采樣時(shí)刻的土壤墑情。

2：利用土壤墑情的箱線(xiàn)圖篩選出土壤墑情中的奇異值，并用前后各50個(gè)數(shù)據(jù)的數(shù)據(jù)均值替換奇異值；對(duì)于由傳感器本身的限制或人為因素造成的缺失數(shù)據(jù)，利用最近鄰插值法進(jìn)行補(bǔ)充。

3：把土壤墑情按照時(shí)間順序進(jìn)行存儲(chǔ)，按照時(shí)間遞進(jìn)順序把所有的土壤墑情整理為二維矩陣的形式，每一行代表一個(gè)樣本，每個(gè)樣本包含N個(gè)輸入和一個(gè)期望輸出(N由網(wǎng)絡(luò)輸入個(gè)數(shù)決定)。所有數(shù)據(jù)構(gòu)成樣本集S。

4：利用上述數(shù)據(jù)轉(zhuǎn)換公式(1)對(duì)把數(shù)據(jù)集S轉(zhuǎn)換為分布于單位圓上的復(fù)數(shù)。

利用進(jìn)行對(duì)數(shù)據(jù)進(jìn)行范圍擴(kuò)展的原因在于：1、由于操作誤差以及外界干擾，采集的時(shí)間序列往往存在小范圍的偏差2、數(shù)據(jù)轉(zhuǎn)化后，原時(shí)間序列中最大值對(duì)應(yīng)2π，最小值對(duì)應(yīng)0rad，2π和0在復(fù)平面的單位圓上對(duì)應(yīng)的是同一點(diǎn)。所以必須利用擴(kuò)展數(shù)據(jù)范圍避免最大值最小值的接近以增加算法的適用性。

230、建立預(yù)測(cè)模型

本發(fā)明利用復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)MLMVN對(duì)土壤墑情進(jìn)行多步預(yù)測(cè)。MLMVN包含一個(gè)輸入層，n個(gè)隱含層和一個(gè)輸出層。MLMVN的拓?fù)浣Y(jié)構(gòu)如附圖3所示。

其中，x₁,......,x_n為神經(jīng)元輸入，n為輸入因子數(shù)；Y_Ns，S為神經(jīng)元實(shí)際輸出；N_s-1表示第S層中每個(gè)神經(jīng)元的輸入個(gè)數(shù)為第S-1層神經(jīng)元的個(gè)數(shù)，每個(gè)神經(jīng)元對(duì)應(yīng)隨機(jī)生成的N_s-1+1個(gè)權(quán)重；m為網(wǎng)絡(luò)輸出層；N_m表示第m層神經(jīng)元數(shù)。

Step1：輸入層節(jié)點(diǎn)數(shù)按照如下方式設(shè)定

輸入層節(jié)點(diǎn)個(gè)數(shù)與土壤墑情有關(guān)，本預(yù)測(cè)模型利用前N個(gè)土壤墑情對(duì)第N+j(j＝1,…,k)個(gè)土壤墑情進(jìn)行k步預(yù)測(cè)，所以該模型輸入層節(jié)點(diǎn)數(shù)為N。N應(yīng)該盡可能大(至少為待預(yù)測(cè)步長(zhǎng)的2倍)這樣學(xué)習(xí)算法才能從足夠多的輸入中較好的學(xué)習(xí)時(shí)間序列潛在的趨勢(shì)和變化，保證訓(xùn)練出的模型具有一定的穩(wěn)定性。

Step2:隱含層數(shù)和節(jié)點(diǎn)數(shù)的確定

利用MLMVN進(jìn)行非線(xiàn)性時(shí)間序列預(yù)測(cè)時(shí)，當(dāng)網(wǎng)絡(luò)含有兩個(gè)隱含層，且第一個(gè)隱含層節(jié)點(diǎn)數(shù)少于第二個(gè)隱含層節(jié)點(diǎn)數(shù)時(shí)預(yù)測(cè)效果較好。因?yàn)椋?、這使得輸入數(shù)據(jù)被壓縮到低維空間隨后放大到高維空間，第一個(gè)隱含層神經(jīng)元學(xué)習(xí)樣本中的平均時(shí)間序列變化，第二隱含層神經(jīng)元學(xué)習(xí)并預(yù)測(cè)樣本中固定的跳躍及轉(zhuǎn)折。2、這樣的網(wǎng)絡(luò)結(jié)構(gòu)相當(dāng)于建立一個(gè)高通過(guò)濾器，可以學(xué)習(xí)到非穩(wěn)定序列中的波動(dòng)變化。

Step3：輸出層節(jié)點(diǎn)個(gè)數(shù)的確定

本模型MLMVN采用循環(huán)預(yù)測(cè)的方式實(shí)現(xiàn)多步預(yù)測(cè)，所以輸出層節(jié)點(diǎn)數(shù)設(shè)置為1，一次預(yù)測(cè)一個(gè)土壤墑情。

240、訓(xùn)練預(yù)測(cè)模型

目標(biāo)：利用訓(xùn)練算法，計(jì)算在訓(xùn)練停止準(zhǔn)則內(nèi)預(yù)測(cè)模型中各層之間的連接權(quán)重，使得預(yù)測(cè)模型預(yù)測(cè)精度達(dá)到最佳。

基本思想：

1.設(shè)定訓(xùn)練停止準(zhǔn)則均方根誤差RMSE

2.把轉(zhuǎn)化為復(fù)數(shù)的訓(xùn)練數(shù)據(jù)，輸入建立好的MLMVN預(yù)測(cè)模型

3.根據(jù)網(wǎng)絡(luò)誤差，利用基于誤差糾正的反饋學(xué)習(xí)算法，不斷調(diào)整網(wǎng)絡(luò)權(quán)重，使樣本誤差小于RMSE。

基于誤差糾正的反饋學(xué)習(xí)算法

Step1:根據(jù)激活函數(shù)計(jì)算神經(jīng)元實(shí)際輸出

構(gòu)成MLMVN的神經(jīng)元MVN的激活函數(shù)F的計(jì)算公式如(2)：

其中，x₁,......,x_n為神經(jīng)元的n個(gè)輸入，w₀,......,w_n為隨機(jī)生成的復(fù)數(shù)權(quán)重，z＝w₀+w₁x₁,......,w_nx_n為每個(gè)神經(jīng)元輸入的權(quán)重和，arg(z)為權(quán)重和z的幅角，P(z)為神經(jīng)元的實(shí)際輸出。

Step2:根據(jù)誤差糾正規(guī)則調(diào)整權(quán)重

MLMVN的誤差糾正學(xué)習(xí)規(guī)則的計(jì)算公式如(3)：

其中，w_r為第r步得到的權(quán)重向量，w_r+1為第r+1步的權(quán)重向量，C_r為學(xué)習(xí)率n表示每個(gè)神經(jīng)元有n個(gè)輸入，為神經(jīng)元權(quán)重誤差概率，|z_r|為第r步中神經(jīng)元輸入的權(quán)重和的模，D為神經(jīng)元的期望輸出，Y＝P(z)為神經(jīng)元的實(shí)際輸出，x為神經(jīng)元輸入向量的共軛復(fù)數(shù)。

對(duì)于輸出層來(lái)說(shuō)，由于輸出層神經(jīng)元的期望輸出已知，可根據(jù)期望輸出與實(shí)際輸出來(lái)確定誤差，而對(duì)于隱含層神經(jīng)元來(lái)說(shuō)期望輸出未知，則需要根據(jù)誤差反向傳播確定隱含層神經(jīng)元的誤差。因此對(duì)MLMVN中隱含層和輸出層神經(jīng)元的學(xué)習(xí)規(guī)則需要進(jìn)行進(jìn)一步修訂。在修訂之前假設(shè)1、網(wǎng)絡(luò)總誤差由造成該誤差的所有神經(jīng)元共享2、網(wǎng)絡(luò)中某一個(gè)神經(jīng)元的誤差由該神經(jīng)元所有權(quán)重誤差引起的，且所有權(quán)重對(duì)誤差的貢獻(xiàn)率相同。

第一個(gè)隱含層各神經(jīng)元學(xué)習(xí)規(guī)則：

第2個(gè)到第m-1隱含層各神經(jīng)元學(xué)習(xí)規(guī)則：

輸出層神經(jīng)元學(xué)習(xí)規(guī)則：

其中，為第s-1層的第i個(gè)神經(jīng)元實(shí)際輸出的共軛復(fù)數(shù)，δ_js為第s層的第j個(gè)神經(jīng)元的誤差，N_s-1為第s-1層神經(jīng)元的個(gè)數(shù)

MLMVN網(wǎng)絡(luò)利用RMSE作為學(xué)習(xí)控制條件，即當(dāng)RMSE達(dá)到設(shè)定最小值(0.1rad)時(shí)檢驗(yàn)下一個(gè)樣本，否則繼續(xù)調(diào)整權(quán)重，其中RMSE定義如下

其中，Y_i為第i個(gè)神經(jīng)元期望輸出，為第i個(gè)神經(jīng)元實(shí)際輸出測(cè)試預(yù)測(cè)模型：

利用測(cè)試數(shù)據(jù)集，檢驗(yàn)訓(xùn)練好的MLMVN模型的一步預(yù)測(cè)精度。利用循環(huán)預(yù)測(cè)的方法實(shí)現(xiàn)多步預(yù)測(cè)

利用MLMVN進(jìn)行土壤墑情預(yù)測(cè)時(shí)采用循環(huán)預(yù)測(cè)法，根據(jù)已知時(shí)間點(diǎn)的數(shù)據(jù)預(yù)測(cè)第一個(gè)未知數(shù)據(jù)，這個(gè)輸出又會(huì)變成輸入，用以計(jì)算第二個(gè)未知數(shù)據(jù)，循環(huán)k次，直到預(yù)測(cè)出k個(gè)點(diǎn)的數(shù)據(jù)。具體計(jì)算實(shí)現(xiàn)如下：

x_n＝f(x₀,x₁,…,x_n-1)

x_n+1＝f(x₁,x₂,…,x_n)

.....

x_n+j＝f(x_j,x_j+1,…,x_n+j-1), (8)

循環(huán)預(yù)測(cè)示意圖如附圖(4)，由此，若所述預(yù)測(cè)時(shí)間點(diǎn)為一個(gè)，則將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在所述預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

若預(yù)測(cè)時(shí)間點(diǎn)為兩個(gè)或者兩個(gè)以上，則將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在第一預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)；

從所述選取的墑情數(shù)據(jù)以及第一個(gè)預(yù)測(cè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)中選取距離預(yù)測(cè)時(shí)間點(diǎn)最近的N個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)；

將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在下一預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

本發(fā)明實(shí)施例復(fù)數(shù)神經(jīng)元比實(shí)數(shù)神經(jīng)元具有更強(qiáng)的功能性，所以由復(fù)數(shù)神經(jīng)元構(gòu)成的復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)學(xué)習(xí)和生成能力，非線(xiàn)性函數(shù)逼近能力強(qiáng)，擅長(zhǎng)學(xué)習(xí)時(shí)間序列中的波動(dòng)變化，在進(jìn)行多步預(yù)測(cè)時(shí)誤差累計(jì)小，這使得進(jìn)行土壤墑情多步預(yù)測(cè)時(shí)預(yù)測(cè)精度有所提高。該預(yù)測(cè)結(jié)果可指導(dǎo)相關(guān)科學(xué)工作人員提前制定合理的中長(zhǎng)期節(jié)水灌溉策略，在提高農(nóng)作物生產(chǎn)效益方面有一定的實(shí)用性。

對(duì)于方法實(shí)施方式，為了簡(jiǎn)單描述，故將其都表述為一系列的動(dòng)作組合，但是本領(lǐng)域技術(shù)人員應(yīng)該知悉，本發(fā)明實(shí)施方式并不受所描述的動(dòng)作順序的限制，因?yàn)橐罁?jù)本發(fā)明實(shí)施方式，某些步驟可以采用其他順序或者同時(shí)進(jìn)行。其次，本領(lǐng)域技術(shù)人員也應(yīng)該知悉，說(shuō)明書(shū)中所描述的實(shí)施方式均屬于優(yōu)選實(shí)施方式，所涉及的動(dòng)作并不一定是本發(fā)明實(shí)施方式所必須的。

圖5示出了本發(fā)明一實(shí)施例提供的基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的土壤墑情預(yù)測(cè)裝置的結(jié)構(gòu)示意圖，參見(jiàn)圖5，該裝置包括：獲取模塊510、選取模塊520、轉(zhuǎn)換模塊530和預(yù)測(cè)模塊540，其中；

獲取模塊510，用于獲取待預(yù)測(cè)土壤的歷史墑情數(shù)據(jù)；

選取模塊520，用于從所述歷史墑情數(shù)據(jù)中選取距離預(yù)測(cè)時(shí)間點(diǎn)最近的N個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)；

轉(zhuǎn)換模塊530，用于將選取的墑情數(shù)據(jù)轉(zhuǎn)換為單位圓上的復(fù)數(shù)；

預(yù)測(cè)模塊540，用于根據(jù)轉(zhuǎn)換后的墑情數(shù)據(jù)和預(yù)構(gòu)建的MLMVN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)待預(yù)測(cè)土壤在所述預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

需要說(shuō)明的是，在對(duì)土壤的墑情數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)，獲取模塊510獲取設(shè)置在該土壤中預(yù)設(shè)采樣點(diǎn)位置處的傳感器采集的歷史墑情數(shù)據(jù)，并將采集到的數(shù)據(jù)發(fā)送至選取模塊520，由選取模塊520從中選取出最新的N個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)，并將選取出的數(shù)據(jù)發(fā)送至轉(zhuǎn)換模塊530，轉(zhuǎn)換模塊530基于上述公式1對(duì)墑情數(shù)據(jù)進(jìn)行轉(zhuǎn)換處理，獲取單位圓上的復(fù)數(shù)，并將轉(zhuǎn)換獲取的復(fù)數(shù)發(fā)送至預(yù)測(cè)模塊540，由預(yù)測(cè)模塊540，根據(jù)轉(zhuǎn)換后的墑情數(shù)據(jù)和預(yù)構(gòu)建的MLMVN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)待預(yù)測(cè)土壤在所述預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

可見(jiàn)，本實(shí)施例通過(guò)將數(shù)據(jù)轉(zhuǎn)換為單位圓上的復(fù)數(shù)，以轉(zhuǎn)換后的復(fù)數(shù)土壤墑情作為網(wǎng)絡(luò)輸入，進(jìn)而降低建模復(fù)雜度并提高農(nóng)田土壤墑情多步預(yù)測(cè)精度。

本實(shí)施例中，所述裝置還包括：建模模塊；

所述建模模塊，用于根據(jù)選取的墑情數(shù)據(jù)的個(gè)數(shù)確定輸入層的節(jié)點(diǎn)數(shù)；根據(jù)輸入層的節(jié)點(diǎn)數(shù)構(gòu)建多輸入單輸出的MLMVN神經(jīng)網(wǎng)絡(luò)。

在構(gòu)建模型是，當(dāng)所述MLMVN神經(jīng)網(wǎng)絡(luò)含有兩個(gè)隱含層時(shí)，設(shè)置第一隱含層節(jié)點(diǎn)數(shù)少于第二隱含層節(jié)點(diǎn)數(shù)。

本實(shí)施例中，預(yù)測(cè)模塊540的工作原理如下：

在預(yù)測(cè)時(shí)間點(diǎn)為一個(gè)時(shí)，將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在所述預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

在預(yù)測(cè)時(shí)間點(diǎn)為兩個(gè)或者兩個(gè)以上，將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在第一預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)；從所述選取的墑情數(shù)據(jù)以及第一個(gè)預(yù)測(cè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)中選取距離預(yù)測(cè)時(shí)間點(diǎn)最近的N個(gè)時(shí)間點(diǎn)對(duì)應(yīng)的墑情數(shù)據(jù)；將選取的墑情數(shù)據(jù)輸入至MLMVN神經(jīng)網(wǎng)絡(luò)，獲取待預(yù)測(cè)土壤在下一預(yù)測(cè)時(shí)間點(diǎn)的墑情數(shù)據(jù)。

對(duì)于裝置實(shí)施方式而言，由于其與方法實(shí)施方式基本相似，所以描述的比較簡(jiǎn)單，相關(guān)之處參見(jiàn)方法實(shí)施方式的部分說(shuō)明即可。

應(yīng)當(dāng)注意的是，在本發(fā)明的裝置的各個(gè)部件中，根據(jù)其要實(shí)現(xiàn)的功能而對(duì)其中的部件進(jìn)行了邏輯劃分，但是，本發(fā)明不受限于此，可以根據(jù)需要對(duì)各個(gè)部件進(jìn)行重新劃分或者組合。

本發(fā)明的各個(gè)部件實(shí)施方式可以以硬件實(shí)現(xiàn)，或者以在一個(gè)或者多個(gè)處理器上運(yùn)行的軟件模塊實(shí)現(xiàn)，或者以它們的組合實(shí)現(xiàn)。本裝置中，PC通過(guò)實(shí)現(xiàn)因特網(wǎng)對(duì)設(shè)備或者裝置遠(yuǎn)程控制，精準(zhǔn)的控制設(shè)備或者裝置每個(gè)操作的步驟。本發(fā)明還可以實(shí)現(xiàn)為用于執(zhí)行這里所描述的方法的一部分或者全部的設(shè)備或者裝置程序(例如，計(jì)算機(jī)程序和計(jì)算機(jī)程序產(chǎn)品)。這樣實(shí)現(xiàn)本發(fā)明的程序可以存儲(chǔ)在計(jì)算機(jī)可讀介質(zhì)上，并且程序產(chǎn)生的文件或文檔具有可統(tǒng)計(jì)性，產(chǎn)生數(shù)據(jù)報(bào)告和cpk報(bào)告等，能對(duì)功放進(jìn)行批量測(cè)試并統(tǒng)計(jì)。應(yīng)該注意的是上述實(shí)施方式對(duì)本發(fā)明進(jìn)行說(shuō)明而不是對(duì)本發(fā)明進(jìn)行限制，并且本領(lǐng)域技術(shù)人員在不脫離所附權(quán)利要求的范圍的情況下可設(shè)計(jì)出替換實(shí)施方式。在權(quán)利要求中，不應(yīng)將位于括號(hào)之間的任何參考符號(hào)構(gòu)造成對(duì)權(quán)利要求的限制。單詞“包含”不排除存在未列在權(quán)利要求中的元件或步驟。位于元件之前的單詞“一”或“一個(gè)”不排除存在多個(gè)這樣的元件。本發(fā)明可以借助于包括有若干不同元件的硬件以及借助于適當(dāng)編程的計(jì)算機(jī)來(lái)實(shí)現(xiàn)。在列舉了若干裝置的單元權(quán)利要求中，這些裝置中的若干個(gè)可以是通過(guò)同一個(gè)硬件項(xiàng)來(lái)具體體現(xiàn)。單詞第一、第二、以及第三等的使用不表示任何順序?？蓪⑦@些單詞解釋為名稱(chēng)。

雖然結(jié)合附圖描述了本發(fā)明的實(shí)施方式，但是本領(lǐng)域技術(shù)人員可以在不脫離本發(fā)明的精神和范圍的情況下做出各種修改和變型，這樣的修改和變型均落入由所附權(quán)利要求所限定的范圍之內(nèi)。