發(fā)布時間：2024-02-29 03:02

　　土壤濕度的預(yù)測對農(nóng)業(yè)生產(chǎn)和科學(xué)研究都有著重要的意義.針對極限學(xué)習(xí)機(ELM)回歸模型預(yù)測結(jié)果受輸入?yún)?shù)影響的問題,本文將隨機權(quán)重的粒子群優(yōu)化算法(RandWPSO)應(yīng)用于ELM回歸模型中,提出了一種基于隨機慣性權(quán)重的粒子群優(yōu)化極限學(xué)習(xí)機的土壤濕度預(yù)測方法.該方法是利用傳感器測出的土壤溫度和光照強度數(shù)據(jù)進行數(shù)據(jù)預(yù)處理,構(gòu)建出訓(xùn)練樣本集,并且建立ELM回歸模型,利用隨機權(quán)重的粒子群算法優(yōu)化ELM中的輸入權(quán)值和閾值,避免陷入局部最優(yōu),從而建立起基于RandWPSO-ELM土壤濕度預(yù)測模型.利用MATLAB仿真軟件,構(gòu)建隨機權(quán)重的粒子群優(yōu)化ELM的預(yù)測模型,并對呼蘭地區(qū)大棚甜菜的土壤濕度進行實驗.結(jié)果表明:該方法的精度高且穩(wěn)定性好,能夠為大棚甜菜的生長提供有效的參考依據(jù).

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1單隱含層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

典型的單隱含層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示．圖中未知量表示如下：其中，Xq=[xq1,xq2,···,xqn]T,q=1,2,3,···,n為n個輸入向量；g(x)為隱含層激勵函數(shù)；{wij}n×l和{βjk}l×m分別為輸入層到隱含層的權(quán)值矩陣和隱含層到輸出層的權(quán)值矩陣；{bj....

圖2RandWPSO-ELM算法流程圖

在土壤水分預(yù)測模型中，數(shù)據(jù)是在一段時間內(nèi)測量的氣象因子，包括：土壤溫度、光照強度和降雨量三種數(shù)據(jù)．?dāng)?shù)據(jù)預(yù)處理步驟：首先去除土壤溫度、光照強度和降雨量數(shù)據(jù)中的最大值和最小值，并根據(jù)實際數(shù)據(jù)進行插值；然后，對三類處理后的數(shù)據(jù)進行歸一化處理；最后，將處理后的數(shù)據(jù)合理分為訓(xùn)練組和測試組．....

圖3RandWPSO-ELM的土壤預(yù)測模型框架圖

圖2RandWPSO-ELM算法流程圖2.3評估標(biāo)準(zhǔn)

圖4適應(yīng)值變化迭代圖

依據(jù)表1數(shù)據(jù)，MATLAB仿真適應(yīng)值變化迭代如圖4所示.圖5測試數(shù)據(jù)預(yù)測結(jié)果圖

本文編號：3914395