基于深度置信网络模型的土壤墒情预测方法和系统的制作方法
【专利摘要】本发明涉及一种基于深度置信网络模型的土壤墒情预测方法和系统，该方法包括：采集土壤墒情和环境气候数据；筛选关键环境因素；构建数据库；建立深度置信网络模型；对深度置信网络模型进行训练；利用深度置信网络模型对土壤墒情进行预测。本发明提供的预测方法，采用深度置信网络模型对土壤墒情进行预测，在实质上考虑到了各影响因子之间的相互作用，且需要的参数及边界条件少很多，可以得到推广，还可以有更多的隐含层，因此不需要大量的节点就能达到一定的预测效果，且更适合挖掘输入向量间的复杂线性关系。利用本发明提供的预测方法预测土壤的水分盈缺情况，便于及时进行做出节水灌溉、施肥决策和排水措施等，使农作物处于最优生长状态。
【专利说明】
基于深度置信网络模型的±壤墙情预测方法和系统
技术领域
[0001] 本发明设及±壤分析技术领域，尤其是设及一种基于深度置信网络模型的±壤墙 情预测方法和系统。
【背景技术】
[0002] ±壤墙情，即作物根系层的±壤含水状况。±壤墙情与作物的生长过程密切相关， 且在不同的生长阶段，其变化规律是不同的，而且，±壤墙情受降雨量、地面溫度和平均风 速等环境因素的影响较大。为了精准预测±壤墙情，必须充分考虑环境因素的影响和作物 生长状态，W实现按需灌概。因此，快速、准确地预测±壤墙情，对于探明作物生长发育期内 的±壤水分盈缺状况，做出节水灌概、施肥决策和排水措施都有重要意义。
[0003] 目前的±壤墙情预测方法主要有经验推断法、基于±壤水分平衡模型的预测方 法、基于±壤水分动力学模型的预测方法和基于BP(Back Propagation,多层前馈)神经网 络模型的预测方法。
[0004] 其中，经验推断方法主要是分析与±壤墙情有关的环境因素和气象因素，求出它 们与±壤墙情之间的相关系数，选择相关系数较大的关键因子，进而建立关键因子与±壤 墙情的多元回归模型。该方法的缺点是没有考虑到各影响因子之间的相互作用。
[0005] 基于±壤水分平衡模型的预测方法是从±壤水分平衡的角度出发分析和推导未 来的墙情变化，基于上壤水分动力学模型的预测方法是从上壤水分动力学原理的角度出发 分析和推导未来的墙情变化。运两种方法的优点是原理简单，缺点是模型所需的参数和边 界条件较多，在实际情况下难W全部满足，因此预测方法不能得到推广。
[0006] 基于BP神经网络模型的预测方法中BP神经网络的隐含层个数和权重初始值会对 预测效果产生很大影响。当隐含层数量增大时，BP算法的计算复杂度会很大，因此BP神经网 络模型的隐含层一般为1-2层，称为浅层神经网络。由于±壤墙情是一个连续的时间序列， 属于非稳态时间序列，而该预测方法也适合对非线性时间序列进行预测，但是运种方法存 在的缺点是：当神经网络的隐含层较少时就需要大量的隐含节点才能到达一定的预测效 果，运就使得建模的复杂度增大。对于一些复杂问题，浅层神经网络很难建立输入向量间的 复杂非线性关系。
【发明内容】
[0007] 针对W上缺陷，本发明提供一种基于深度置信网络模型的±壤墙情预测方法和系 统，至少可W解决上述现有的预测方法中存在的部分缺陷。
[000引第一方面，本发明提供的基于深度置信网络模型的±壤墙情预测方法包括：
[0009] 采集预设采样区的农作物在第一预设时间段内若干个第一时间点的±壤墙情及 所述预设采样区在每一第一时间点的环境气候数据，所述第一预设时间段在所述农作物的 生长周期内；
[0010] 对每一第一时间点的环境气候数据中各环境因素和该第一时间点的±壤墙情进 行相关性分析，将相关性系数大于预设值的环境因素作为该第一时间点的±壤墙情的关键 环境因素；
[0011] 将每一第一时间点的±壤墙情、该±壤墙情的关键环境因素及该关键环境因素的 采集数据形成该第一时间点的数据集，将各个第一时间点的数据集形成数据库；
[0012] 建立深度置信网络模型，将所述数据库中多个第一时间点的数据集输入所述深度 置信网络模型，并对所述深度置信网络模型进行训练；
[0013] 利用训练完成的深度置信网络模型预测所述预设采样区在第二预设时间段内第 一时间点的±壤墙情，所述第二预设时间段与所述第一预设时间段在所述农作物的同一生 长周期内。
[0014] 可选的，所述深度置信网络模型包括一个输入层、一个输出层及设置在所述输入 层和所述输出层之间的多个隐含层，各个隐含层和所述输入层中的任意两相邻层形成一个 受限玻尔兹曼机，所述输出层与相邻的隐含层形成一个BP神经网络模块;每一层设置有预 设数量的节点，且相邻层之间设置有连接权重矩阵。
[0015] 可选的，所述对所述深度置信网络模型进行训练，包括：
[0016] 在所述深度置信网络模型的每一受限玻尔兹曼机中建立一训练目标函数，所述训 练目标函数的变量为该受限玻尔兹曼机中每一节点的状态值、偏置值和该受限玻尔兹曼机 中两层之间的连接权重矩阵，所述训练目标函数的训练目标是该受限玻尔兹曼机能量值最 小；
[0017] 利用最大似然估计算法计算该受限玻尔兹曼机中的可选连接权重矩阵和每一节 点的可选偏置值；
[0018] 利用对比散列度算法进行寻优计算，在所述可选连接权重矩阵和每一节点的可选 偏置值筛选出最优连接权重矩阵和每一节点的最优偏置值。
[0019] 可选的，在所述利用训练完成的深度置信网络模型预测所述预设采样区的农作物 在第二预设时间段内每一第一时间点的±壤墙情之前，还包括：
[0020] 利用反向传播算法计算所述深度置信网络模型中每一节点的偏置值的误差和每 一连接权重矩阵的误差；
[0021] 利用得到的误差对所述深度置信网络模型每一节点的偏置值及每一连接权重矩 阵进行修正。
[0022] 可选的，采用下式确定所述输入层的节点数量：
[0023] Nl=ml*m2*m3
[0024] 其中，N1为输入层的节点数量，ml为第一时间点的个数，m2为每一第一时间点的数 据集中±壤墙情与关键环境因素的个数之和，m3为每一第一时间点的数据集中关键环境因 素的采集数据和±壤墙情中每一数据的二进制编码平均位数。
[0025] 可选的，采用下式确定每一隐含层的节点数量：
[0026] N2=VNl+N3+al
[0027] 其中，N2为每一隐含层的节点数量，N1为所述输入层的节点数量，N3为所述输出层 的节点数量，al为大于等于0且小于等于10的整数。
[0028] 可选的，采用下式确定每一隐含层的节点数量；
[0029] 肥二巧 Nl±a2
[0030] 其中，N2为每一隐含层的节点数量，a2为大于等于ο且小于等于10的整数。
[0031] 可选的，采用下式确定所述输出层的节点数量：
[0032] N3=ml*m4
[0033] 其中，N3为输出层的节点数量，ml为所述第一预设时间段内第一时间点的个数，m4 为每一第一时间点的数据集中±壤墙情的二进制编码位数。
[0034] 可选的，该方法还包括：
[0035] 将所述数据库中未参与模型训练的数据集输入所述深度置信网络模型，得到±壤 墙情的预测值；
[0036] 计算±壤墙情的预测值与所述未参与模型训练的数据集中的±壤墙情采集值之 间的误差，并根据该误差确定所述深度置信网络模型的预测精度。
[0037] 第二方面，本发明提供的基于深度置信网络模型的±壤墙情预测系统包括：
[0038] 数据采集模块，用于采集预设采样区的农作物在第一预设时间段内若干个第一时 间点的±壤墙情及所述预设采样区在每一第一时间点的环境气候数据，所述第一预设时间 段在所述农作物的生长周期内；
[0039] 相关性分析模块，用于对每一第一时间点的环境气候数据中各环境因素和该第一 时间点的±壤墙情进行相关性分析，将相关性系数大于预设值的环境因素作为该第一时间 点的±壤墙情的关键环境因素；
[0040] 数据库形成模块，用于将每一第一时间点的±壤墙情、该±壤墙情的关键环境因 素及该关键环境因素的采集数据形成该第一时间点的数据集，将各个第一时间点的数据集 形成数据库；
[0041 ]模型建立模块，用于建立深度置信网络模型，将所述数据库中多个第一时间点的 数据集输入所述深度置信网络模型，并对所述深度置信网络模型进行训练；
[0042] 墙情预测模块，用于利用训练完成的深度置信网络模型预测所述预设采样区在第 二预设时间段内每一第一时间点的±壤墙情，所述第二预设时间段与所述第一预设时间段 在所述农作物的同一生长周期内。
[0043] 本发明提供的预测方法，采用深度置信网络模型对±壤墙情进行预测，相对于现 有的经验推断方法，本发明采用的深度置信网络模型在实质上考虑到了各影响因子之间的 相互作用，因此预测准确度相对于经验推断方法得到提高。而且，相对于基于±壤水分平衡 模型的预测方法和基于±壤水分动力学模型的预测方法，本发明需要的参数及边界条件少 很多，因此可W得到推广。还有，相对于浅层神经网络模型，可W有更多的隐含层，因此不需 要大量的节点就能达到一定的预测效果，且更适合挖掘输入向量间的复杂线性关系。根据 本发明提供的预测方法可W预测±壤的水分盈缺情况，进行做出节水灌概、施肥决策和排 水措施等，既节约水源，也能使农作物处于最优生长状态。
【附图说明】
[0044] 通过参考附图会更加清楚的理解本发明的特征信息和优点，附图是示意性的而不 应理解为对本发明进行任何限制，在附图中：
[0045] 图1示出了根据本发明基于深度置信网络模型的±壤墙情预测方法一实施例的流 程示意图；
[0046] 图2示出了一种深度置信网络模型的结构示意图；
[0047] 图3示出了根据本发明基于深度置信网络模型的±壤墙情预测系统一实施例的结 构框图。
【具体实施方式】
[0048] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实 施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施 例及实施例中的特征可W相互组合。
[0049] 在下面的描述中阐述了很多具体细节W便于充分理解本发明，但是，本发明还可 W采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开 的具体实施例的限制。
[0050] 本发明提供一种基于深度置信网络模型的±壤墙情预测方法，如图1所示，该方法 包括：
[0051] S1、采集预设采样区的农作物在第一预设时间段内若干个第一时间点的±壤墙情 及所述预设采样区在每一第一时间点的环境气候数据，所述第一预设时间段在所述农作物 的生长周期内；
[0052] S2、对每一第一时间点的环境气候数据中各环境因素和该第一时间点的±壤墙情 进行相关性分析，将相关性系数大于预设值的环境因素作为该第一时间点的±壤墙情的关 键环境因素；
[0053] S3、将每一第一时间点的±壤墙情、该±壤墙情的关键环境因素及该关键环境因 素的采集数据形成该第一时间点的数据集，将各个第一时间点的数据集形成数据库；
[0054] S4、建立深度置信网络模型，将所述数据库中多个第一时间点的数据集输入所述 深度置信网络模型，并对所述深度置信网络模型进行训练；
[0055] S5、利用训练完成的深度置信网络模型预测所述预设采样区在第二预设时间段内 第一时间点的±壤墙情，所述第二预设时间段与所述第一预设时间段在所述农作物的同一 生长周期内。
[0056] 本发明提供的预测方法，采用深度置信网络模型对±壤墙情进行预测，相对于现 有的经验推断方法，本发明采用的深度置信网络模型在实质上考虑到了各影响因子之间的 相互作用，因此预测准确度相对于经验推断方法得到提高。而且，相对于基于±壤水分平衡 模型的预测方法和基于±壤水分动力学模型的预测方法，本发明需要的参数及边界条件少 很多，因此可W得到推广。还有，相对于浅层神经网络模型，可W有更多的隐含层，因此不需 要大量的节点就能达到一定的预测效果，且更适合挖掘输入向量间的复杂线性关系。根据 本发明提供的预测方法可W预测±壤的水分盈缺情况，进行做出节水灌概、施肥决策和排 水措施等，既节约水源，也能使农作物处于最优生长状态。
[0057] 可W理解的是，所谓的生长周期包括幼苗期、生长期、抽穗期、成熟期。第一预设时 间段可W是生长周期内的一天或几天，例如Ξ天、五天。第一预设时间段内的多个第一时间 点，例如每天的8点、12点、16点、20点、0点、4点。第二预设时间段，例如第一时间段之后的一 天或几天，当然，第二时间段内的第一时间点应与第一时间段内的第一时间点对应，例如8 点、12点、16点、20点、0点、4点，在实际预测是，可W仅预测某一个或某几个第一时间点的± 壤墙情。
[0058] 在具体实施时，步骤S1的具体采样过程可W包括：
[0059] 在作为预设采样区的试验田内均匀选定61个±壤墙情采样点，在相同的±壤深度 埋下相同型号的传感器，并设置相同的采样频率，用于采样±壤墙情;在该试验田中设置b2 个气象站，各气象站内的传感器的采样频率与采集±壤墙情的传感器相同，用于收集该试 验田的环境气候数据。为避免采集的个别数据误差较大，在同一时间点采集到的61个±壤 墙情中去掉最大值和最小值，然后求平均，得到该时间点的±壤墙情。同样，在同一时间点 采集到的b2个环境气候数据也可采用上述方法获得该时间点的环境气候数据。由于用于采 样±壤墙情的传感器和气象站内的传感器采样频率相同，因此可W采集到多个时间点的± 壤墙情和环境气候数据。
[0060] 可W理解的是，所谓的境气候数据，是指降雨量、平均风速、地面溫度、气压、最高 溫度等，有些因素对±壤墙情的影响较小，可W忽略，而有些因素对±壤墙情的影响较大， 必须要考虑。步骤S2可W采用软件分析软件对相关性进行分析，得到在运一时间点的±壤 墙情和各个环境因素之间的相关性系数。一般情况下，降雨量、地面溫度是比较关键的环境 因素。
[0061] 可W理解的是，一个数据集对应一个时间点，例如在上午10点的±壤墙情为a、关 键环境因素为降雨量和地面溫度，关键环境因素的采集数据为在S1中采集到的数据，例如 降雨量为b、地面溫度为C。
[0062] 在具体实施时，S4中可W采用多种结构的深度置信网络模型，其中的一种结构可 参考图2，具体为:深度置信网络模型包括一个输入层、一个输出层及设置在所述输入层和 所述输出层之间的多个隐含层，各个隐含层和所述输入层中的任意两相邻层形成一个受限 玻尔兹曼机，所述输出层与相邻的隐含层形成一个BP神经网络模块;每一层设置有预设数 量的节点，且相邻层之间设置有连接权重矩阵。图2中示出的隐含层为5,在图2中共形成了 5 个受限玻尔兹曼机和1个BP神经网络模块，图中的W表示连接权重矩阵。
[0063] 在具体实施时，输入层的节点数量可W有多种确定方法，例如采用下式确定输入 层的节点数量：
[0064] Nl=ml*m2*m3
[0065] 其中，N1为输入层的节点数量，ml为第一时间点的个数，m2为每一第一时间点的数 据集中±壤墙情与关键环境因素的个数之和，m3为每一第一时间点的数据集中关键环境因 素的采集数据和±壤墙情中每一数据的二进制编码平均位数。例如，关键环境因素为降雨 量、地面溫度，则m2为3。
[0066] 在具体实施时，每一隐含层的节点数量可W有多种确定方法，例如，采用下式确定 每一隐含层的节点数量：
[0067] N2=VNl+N3+al
[0068] 其中，N2为每一隐含层的节点数量，N1为所述输入层的节点数量，N3为所述输出层 的节点数量，al为大于等于0且小于等于10的整数。
[0069] 再例如，还可W采用下式确定每一隐含层的节点数量；
[0070] N2 = ^Nl±a2
[0071] 其中，N2为每一隐含层的节点数量，a2为大于等于0且小于等于10的整数。
[0072] 当然，还可W采用输入层节点数目的1.5倍、2倍、2.5倍等倍数关系确定每一隐含 层的节点数量。
[0073] 在具体实施时，输出层的节点数量可W有多种确定方法，例如，采用下式确定输出 层的节点数量：
[0074] N3=ml*m4
[0075] 其中，N3为输出层的节点数量，ml为所述第一预设时间段内第一时间点的个数，m4 为每一第一时间点的数据集中±壤墙情的二进制编码位数。
[0076] 在具体实施时，每一受限玻尔兹曼机的两层之间可W采用Sigm激励函数进行激 活，而BP神经网络模块的两层之间可W采用线性函数进行激活。
[0077] 在具体实施时，S4中所述深度置信网络模型的训练过程可W具体包括图1中未示 出的：
[0078] S41、在所述深度置信网络模型的每一受限玻尔兹曼机中建立一训练目标函数，所 述训练目标函数的变量为该受限玻尔兹曼机中每一节点的状态值、偏置值和该受限玻尔兹 曼机中两层之间的连接权重矩阵，所述训练目标函数的训练目标是该受限玻尔兹曼机能量 值最小；
[0079] S42、利用最大似然估计算法计算该受限玻尔兹曼机中的可选连接权重矩阵和每 一节点的可选偏置值；
[0080] S43、利用对比散列度算法进行寻优计算，在所述可选连接权重矩阵和每一节点的 可选偏置值中筛选出最优连接权重矩阵和每一节点的最优偏置值。
[0081] 例如，在输入侧的第一个受限玻尔兹曼机中建立的目标训练函数为：
[0082] E(v,h) = - Σ ivi*bi- Σ jhj*cj- Σ uvi*hi*wi j
[0083] 其中，E(v，h)为该受限玻尔兹曼机的能量，Vi为该受限玻尔兹曼机为输入层第i个 节点的状态值，hj为与输入层相邻的隐含层中第j个节点的状态值，bi为输入层第i个节点 的偏置值，cj为与输入层相邻的隐含层中第j个节点的偏置值，wij为输入层与该相邻隐含 层之间的连接权重矩阵。上述的状态值为0或1，1代表激活态，0代表非激活态。
[0084] 由于受限玻尔兹曼机中各节点状态值的联合概率分布P(v，h)服从玻尔兹曼分布：
[0085]
[0086] 进而，输入层的边缘概率分布：
[0087]
[0088] 为使E(v，h)最小，即使p(v)最大，即受限玻尔兹曼机能量值最小。
[0089] 由于S42中利用最大似然估计算法进行计算时，参数值可W有多种情况，因此S43 中采用对比散列度算法进行求解，从中选择出最优的参数值。实验证明，W训练样本为起 点，经过一次状态转移就可W抵达玻尔兹曼分布，因此采用状态转移次数为1的对比散列度 算法即可。
[0090] 在BP神经网络模块的具体训练时，可W采用kcr"+m线性函数计算输出层中每一节 点的状态值。
[0091 ]在具体实施时，本发明在进行预测之前还可包括图中未示出的：
[0092] 利用反向传播算法计算所述深度置信网络模型中每一节点的偏置值的误差和每 一连接权重矩阵的误差；
[0093] 利用得到的误差对所述深度置信网络模型每一节点的偏置值及每一连接权重矩 阵进行修正。
[0094] 可W理解的是，所谓的反向传播算法即BP算法。
[00M]运样做的好处是:通过反向微调的方式进一步提高预测的精度。
[0096] 在具体实施时，本发明提供的预测方法还可W包括：
[0097] 将所述数据库中未参与模型训练的数据集输入所述深度置信网络模型，得到±壤 墙情的预测值；
[0098] 计算±壤墙情的预测值与所述未参与模型训练的数据集中的±壤墙情采集值之 间的误差，并根据该误差确定所述深度置信网络模型的预测精度。
[0099] 运里的误差可W为均方误差，也可W为平均绝对值误差。假如采用2Λ个时间点的 数据集进行训练，则运里可^采用剩余1/^3时间点的数据集的全部或部分进行精确度计算。
[0100] 运里，通过数据库中未参与模型训练的数据输入到深度置信网络模型中，然后根 据预测的±壤墙情和实际采集到的±壤墙情确定深度置信网络模型预测的精确度，通过深 度置信网络模型预测的精确度与传统预测方法的精确度进行对比，实现对深度置信网络模 型的验证。
[0101] 基于相同的发明构思，本发明还提供一种基于深度置信网络模型的±壤墙情预测 系统100，如图3所不，该系统包括：
[0102] 数据采集模块，用于采集预设采样区的农作物在第一预设时间段内若干个第一时 间点的±壤墙情及所述预设采样区在每一第一时间点的环境气候数据，所述第一预设时间 段在所述农作物的生长周期内；
[0103] 相关性分析模块，用于对每一第一时间点的环境气候数据中各环境因素和该第一 时间点的±壤墙情进行相关性分析，将相关性系数大于预设值的环境因素作为该第一时间 点的±壤墙情的关键环境因素；
[0104] 数据库形成模块，用于将每一第一时间点的±壤墙情、该±壤墙情的关键环境因 素及该关键环境因素的采集数据形成该第一时间点的数据集，将各个第一时间点的数据集 形成数据库；
[0105] 模型建立模块，用于建立深度置信网络模型，将所述数据库中多个第一时间点的 数据集输入所述深度置信网络模型，并对所述深度置信网络模型进行训练；
[0106] 墙情预测模块，用于利用训练完成的深度置信网络模型预测所述预设采样区在第 二预设时间段内每一第一时间点的±壤墙情，所述第二预设时间段与所述第一预设时间段 在所述农作物的同一生长周期内。
[0107] 在本发明中，术语"第一"仅用于描述目的，而不能理解为指示或暗示相对重要性。 术语"多个"指两个或两个W上，除非另有明确的限定。
[0108] 虽然结合附图描述了本发明的实施方式，但是本领域技术人员可W在不脱离本发 明的精神和范围的情况下做出各种修改和变型，运样的修改和变型均落入由所附权利要求 所限定的范围之内。
【主权项】
1. 一种基于深度置信网络模型的土壤墒情预测方法，其特征在于，包括： 采集预设采样区的农作物在第一预设时间段内若干个第一时间点的土壤墒情及所述 预设采样区在每一第一时间点的环境气候数据，所述第一预设时间段在所述农作物的生长 周期内； 对每一第一时间点的环境气候数据中各环境因素和该第一时间点的土壤墒情进行相 关性分析，将相关性系数大于预设值的环境因素作为该第一时间点的土壤墒情的关键环境 因素； 将每一第一时间点的土壤墒情、该土壤墒情的关键环境因素及该关键环境因素的采集 数据形成该第一时间点的数据集，将各个第一时间点的数据集形成数据库； 建立深度置信网络模型，将所述数据库中多个第一时间点的数据集输入所述深度置信 网络模型，并对所述深度置信网络模型进行训练； 利用训练完成的深度置信网络模型预测所述预设采样区在第二预设时间段内第一时 间点的土壤墒情，所述第二预设时间段与所述第一预设时间段在所述农作物的同一生长周 期内。2. 根据权利要求1所述的预测方法，其特征在于，所述深度置信网络模型包括一个输入 层、一个输出层及设置在所述输入层和所述输出层之间的多个隐含层，各个隐含层和所述 输入层中的任意两相邻层形成一个受限玻尔兹曼机，所述输出层与相邻的隐含层形成一个 BP神经网络模块;每一层设置有预设数量的节点，且相邻层之间设置有连接权重矩阵。3. 根据权利要求2所述的预测方法，其特征在于，所述对所述深度置信网络模型进行训 练，包括： 在所述深度置信网络模型的每一受限玻尔兹曼机中建立一训练目标函数，所述训练目 标函数的变量为该受限玻尔兹曼机中每一节点的状态值、偏置值和该受限玻尔兹曼机中两 层之间的连接权重矩阵，所述训练目标函数的训练目标是该受限玻尔兹曼机能量值最小； 利用最大似然估计算法计算该受限玻尔兹曼机中的可选连接权重矩阵和每一节点的 可选偏置值； 利用对比散列度算法进行寻优计算，在所述可选连接权重矩阵和每一节点的可选偏置 值中筛选出最优连接权重矩阵和每一节点的最优偏置值。4. 根据权利要求2所述的预测方法，其特征在于，在所述利用训练完成的深度置信网络 模型预测所述预设采样区的农作物在第二预设时间段内每一第一时间点的土壤墒情之前， 还包括： 利用反向传播算法计算所述深度置信网络模型中每一节点的偏置值的误差和每一连 接权重矩阵的误差； 利用得到的误差对所述深度置信网络模型每一节点的偏置值及每一连接权重矩阵进 行修正。5. 根据权利要求2所述的预测方法，其特征在于，采用下式确定所述输入层的节点数 量： Nl=ml*m2*m3 其中，N1为输入层的节点数量，ml为第一时间点的个数，m2为每一第一时间点的数据集 中土壤墒情与关键环境因素的个数之和，m3为每一第一时间点的数据集中关键环境因素的 采集数据和土壤墒情中每一数据的二进制编码平均位数。6. 根据权利要求2所述的预测方法，其特征在于，采用下式确定每一隐含层的节点数 量：其中，N2为每一隐含层的节点数量，N1为所述输入层的节点数量，N3为所述输出层的节 点数量，al为大于等于0且小于等于10的整数。7. 根据权利要求2所述的预测方法，其特征在于，采用下式确定每一隐含层的节点数 量； N2 = 2*N1 土 a2 其中，N2为每一隐含层的节点数量，a2为大于等于0且小于等于10的整数。8. 根据权利要求2所述的预测方法，其特征在于，采用下式确定所述输出层的节点数 量： N3=ml*m4 其中，N3为输出层的节点数量，ml为所述第一预设时间段内第一时间点的个数，m4为每 一第一时间点的数据集中土壤墒情的二进制编码位数。9. 根据权利要求1所述的预测方法，其特征在于，还包括： 将所述数据库中未参与模型训练的数据集中的关键环境因素和关键环境因素的采集 数据输入所述深度置信网络模型，得到土壤墒情的预测值； 计算土壤墒情的预测值与所述未参与模型训练的数据集中的土壤墒情采集值之间的 误差，并根据该误差确定所述深度置信网络模型的预测精度。10. -种基于深度置信网络模型的土壤墒情预测系统，其特征在于，包括： 数据采集模块，用于采集预设采样区的农作物在第一预设时间段内若干个第一时间点 的土壤墒情及所述预设采样区在每一第一时间点的环境气候数据，所述第一预设时间段在 所述农作物的生长周期内； 相关性分析模块，用于对每一第一时间点的环境气候数据中各环境因素和该第一时间 点的土壤墒情进行相关性分析，将相关性系数大于预设值的环境因素作为该第一时间点的 土壤墒情的关键环境因素； 数据库形成模块，用于将每一第一时间点的土壤墒情、该土壤墒情的关键环境因素及 该关键环境因素的采集数据形成该第一时间点的数据集，将各个第一时间点的数据集形成 数据库； 模型建立模块，用于建立深度置信网络模型，将所述数据库中多个第一时间点的数据 集输入所述深度置信网络模型，并对所述深度置信网络模型进行训练； 墒情预测模块，用于利用训练完成的深度置信网络模型预测所述预设采样区在第二预 设时间段内每一第一时间点的土壤墒情，所述第二预设时间段与所述第一预设时间段在所 述农作物的同一生长周期内。
【文档编号】G06N3/08GK105825230SQ201610146190
【公开日】2016年8月3日
【申请日】2016年3月15日
【发明人】冀荣华, 张舒蕾, 高万林, 祁力钧, 李鑫
【申请人】中国农业大学