在林業(yè)生產(chǎn)中,針對不同的林木種類、不同的土壤狀況,要求計(jì)算出氮、磷、鉀等肥的施肥用量,施肥預(yù)測模型作為杉木林精準(zhǔn)施肥實(shí)施的關(guān)鍵,已經(jīng)成為林業(yè)科學(xué)研究的一個熱點(diǎn)。但是采用傳統(tǒng)的基理施肥模型,有時往往不能得到令人滿意的精度和穩(wěn)定性。由于“互聯(lián)網(wǎng)+”應(yīng)用成熟廣泛,未來利用“互聯(lián)網(wǎng)+”助力發(fā)展智慧林業(yè)是一種不可阻擋的趨勢。本文以廣東省仁化縣國營林場和始興縣劉家山林場主導(dǎo)林業(yè)——杉木林產(chǎn)業(yè)為例,運(yùn)用灰色關(guān)聯(lián)度分析方法確定影響林木施肥量關(guān)鍵性因素,采用三種神經(jīng)網(wǎng)絡(luò)建立林木施肥預(yù)測模型,將灰色關(guān)聯(lián)度高的影響因素作為輸入變量,確定以立地指數(shù)、林齡、優(yōu)勢木相關(guān)養(yǎng)分含量等參數(shù)作為神經(jīng)網(wǎng)絡(luò)輸入,以實(shí)際施肥量作為輸出。在驗(yàn)證三種預(yù)測模型的有效性之后,對比三種預(yù)測模型,結(jié)果表明,GRA-PSO-BP神經(jīng)網(wǎng)絡(luò)施肥模型優(yōu)于GRA-Elman神經(jīng)網(wǎng)絡(luò)和GRA-LSTM算法施肥模型,預(yù)測施肥量與實(shí)際施肥量之間的誤差在5%之內(nèi),能有效地指導(dǎo)階段性精準(zhǔn)施肥。因此,選取了預(yù)測精度高、穩(wěn)定性好的GRA-PSO-BP神經(jīng)網(wǎng)絡(luò)作為林木施肥預(yù)測模型,最后完成基于Android平臺的林木階段性精準(zhǔn)施肥預(yù)測系統(tǒng)的設(shè)計(jì)與研究。以下是本研究... 

【文章來源】：北京林業(yè)大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【部分圖文】：

研究區(qū)域地理位置

數(shù)據(jù)來源與預(yù)測方法17根據(jù)給定的初始權(quán)值和閾值進(jìn)行計(jì)算，最后得到輸出數(shù)據(jù)。另一部分為計(jì)算實(shí)際輸出預(yù)測施肥量與期望值施肥量之間的誤差變化值δj(k)，然后轉(zhuǎn)向反向傳播，通過網(wǎng)絡(luò)將誤差信號δj(k)沿原來的連接通路反向傳播回來修改各層神經(jīng)元的權(quán)值ωij(jk)和閾值θj(k),直到達(dá)到目標(biāo)精度為止。BPNN的隱含層可以為一層或多層，理論證明，單個隱含層的神經(jīng)網(wǎng)絡(luò)可以以任意精度逼近非線性函數(shù)，使得模型可以實(shí)現(xiàn)輸入到輸出的非線性映射。隨著隱含層層數(shù)的增加，網(wǎng)絡(luò)的輸出誤差會變小(陳嘯等,2016)，所以隱含層層數(shù)的增加會提高網(wǎng)絡(luò)的精度，但是會使得網(wǎng)絡(luò)結(jié)構(gòu)變得復(fù)雜，運(yùn)行時間變長，甚至?xí)䦟?dǎo)致過擬合現(xiàn)象。BPNN具有處理非線性映射的能力，自適應(yīng)及良好的自學(xué)習(xí)能力，容錯性強(qiáng)等特點(diǎn)。在不建立數(shù)學(xué)模型的前提下，可以實(shí)現(xiàn)林木所需施肥量與影響施肥效果的各因素之間的非線性映射，通過學(xué)習(xí)訓(xùn)練輸入、輸出數(shù)據(jù)之間的關(guān)系，實(shí)際輸出值與預(yù)期值誤差很大時，不斷更新神經(jīng)網(wǎng)絡(luò)各層的權(quán)值和閾值，直至達(dá)到網(wǎng)絡(luò)誤差精度，更好地完善模型。圖2.2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2.2BPNNtopology式中i、j、k為各層神經(jīng)元數(shù)目；輸入層中xi為樣本p中的任一輸入信號，輸入層與隱含層的權(quán)值和閾值分別為ωij、θj，隱含層與輸出層權(quán)值和閾值分別為ωjk、θk；φ(·)、τ(·)分別表示隱含層和輸出層激活函數(shù)。BP神經(jīng)網(wǎng)絡(luò)算法中，隱含層神經(jīng)元在樣本p作用時輸入信號netj為

網(wǎng)絡(luò)的收斂速度比較慢，容易陷入局部最優(yōu)化，甚至在訓(xùn)練樣本較少時，可能產(chǎn)生過擬合問題。粒子群算法具有較好的全局尋優(yōu)能力，因此提出粒子群算法優(yōu)化BPNN模型。粒子群優(yōu)化算法是一種群體智能優(yōu)化算法(聶銘等，2014;魏津瑜等，2013)，用速度，適應(yīng)度值，位置這3個指標(biāo)來表示粒子的運(yùn)動特性，初始化潛在最佳解粒子后，粒子的速度決定了粒子的搜索方向和距離，適應(yīng)度的值決定粒子的好壞，當(dāng)粒子在預(yù)設(shè)空間中運(yùn)動時，位置根據(jù)個體最優(yōu)解和全局最優(yōu)解不斷變化，通過更新其適應(yīng)度值，最小適應(yīng)度值的粒子對應(yīng)的位置即為最優(yōu)解。如圖2.3所示為粒子群中粒子在搜索區(qū)域離開它當(dāng)前位置的運(yùn)動，這個粒子即將要更新的運(yùn)動速度vi+1是各種因素的組合，包括vi、vp、vG，分別是當(dāng)前的粒子速度值、個體粒子過去的最佳經(jīng)驗(yàn)速度值和種群粒子的最佳經(jīng)驗(yàn)速度值。圖2.3粒子群運(yùn)動Fig.2.3.ParticlemovementinaswarmBPNN中每一層的權(quán)值和閾值可以用粒子群中的個體來表示，粒子群個體利用位置向量進(jìn)行編碼，最優(yōu)種群粒子通過PSO算法迭代計(jì)算獲取，最終解碼后得到BPNN模型的全局最優(yōu)權(quán)值和閾值，建立PSO-BPNN算法模型。步驟1定義GRA-PSO-BPNN模型的輸入輸出利用灰色關(guān)聯(lián)度分析,以立地指數(shù)、林齡、優(yōu)勢木相關(guān)養(yǎng)分含量、優(yōu)勢木生物量、平均木生物量、目標(biāo)產(chǎn)量、肥料利用率作為網(wǎng)絡(luò)輸入,以實(shí)際施肥量作為輸出,因此輸入層神經(jīng)元個數(shù)x為7,輸出層神經(jīng)元個數(shù)y為1,隱層神經(jīng)元m運(yùn)用經(jīng)驗(yàn)公式計(jì)算為

【參考文獻(xiàn)】：
期刊論文
[1]MySQL數(shù)據(jù)庫常見問題分析與研究[J]. 胡強(qiáng).  電腦編程技巧與維護(hù). 2019(12)
[2]Android的系統(tǒng)及應(yīng)用的架構(gòu)[J]. 吳珊.  電子技術(shù)與軟件工程. 2019(03)
[3]基于粒子群算法和BP神經(jīng)網(wǎng)絡(luò)的多因素林火等級預(yù)測模型[J]. 王磊,郝若穎,劉瑋,溫作民.  林業(yè)工程學(xué)報(bào). 2019(03)
[4]Android開發(fā)中Activity的生命周期[J]. 冉瑜琳.  電腦迷. 2018(09)
[5]我國“互聯(lián)網(wǎng)+林業(yè)”的技術(shù)—產(chǎn)業(yè)—運(yùn)作三維發(fā)展路徑[J]. 吳琳,張智光.  世界林業(yè)研究. 2018(04)
[6]基于Elman神經(jīng)網(wǎng)絡(luò)的戰(zhàn)斗機(jī)空戰(zhàn)軌跡預(yù)測[J]. 張濤,郭基聯(lián),徐西蒙,吳軍.  飛行力學(xué). 2018(05)
[7]Android的四大組件[J]. 陳偉杰.  電腦迷. 2018(03)
[8]貴陽市桃樹“3414”肥效試驗(yàn)分析[J]. 陳開富,吳道明,陸海,高廷江,文美躍.  耕作與栽培. 2017(02)
[9]基于PSO-BP算法的油菜籽干燥工藝參數(shù)的優(yōu)化[J]. 朱光耀,謝方平,陳凱樂,代振維.  湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(02)
[10]試析MySQL數(shù)據(jù)庫性能的調(diào)優(yōu)[J]. 王曉華.  電腦編程技巧與維護(hù). 2016(22)

博士論文
[1]精準(zhǔn)農(nóng)業(yè)生產(chǎn)中若干智能決策問題研究[D]. 于合龍.吉林大學(xué) 2010

碩士論文
[1]基于LSTM的結(jié)構(gòu)病態(tài)問題預(yù)測方法研究[D]. 田甜.長安大學(xué) 2019
[2]基于Android的農(nóng)業(yè)信息推廣平臺設(shè)計(jì)與實(shí)現(xiàn)[D]. 于海礁.東北農(nóng)業(yè)大學(xué) 2018
[3]基于Android平臺的農(nóng)業(yè)信息系統(tǒng)APP的設(shè)計(jì)實(shí)現(xiàn)[D]. 熊建軍.石河子大學(xué) 2018
[4]基于Android的獼猴桃施肥系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D]. 楊煜岑.西北大學(xué) 2018
[5]基于Android平臺的農(nóng)技員田間信息采集與交流軟件設(shè)計(jì)及實(shí)現(xiàn)[D]. 曹敏志.中南林業(yè)科技大學(xué) 2018
[6]基于Android平臺的植物葉片識別系統(tǒng)[D]. 孫洋.河北大學(xué) 2017
[7]基于ArcGIS for Android的移動施肥推介系統(tǒng)研究與實(shí)現(xiàn)[D]. 趙鵬飛.西北大學(xué) 2014
[8]基于Android的森林資源數(shù)據(jù)外業(yè)采集系統(tǒng)研建[D]. 朱煜.北京林業(yè)大學(xué) 2014
[9]Android的架構(gòu)與應(yīng)用[D]. 馬越.中國地質(zhì)大學(xué)（北京） 2008



本文編號：3252065