[发明专利]基于神经元网络的农作物预测方法与装置

权利要求书

1.一种基于神经元网络的农作物预测方法，其特征在于，包括：

根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型；

设置样本函数学习参数；

初始化神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值；

根据样本函数和所建立的神经元网络模型计算神经元网络的输出误差；

根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束；

如果未结束，则修正神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值，并继续计算神经元网络的输出误差，直至满足根据样本函数学习参数所设置的结束条件；

如果结束，则输出对样本函数的学习结果，并根据学习结果对农作物的产量进行预测。

2.根据权利要求1所述的基于神经元网络的农作物预测方法，其特征在于，所述影响农作物产量的生长因素包括农作物生长期间的平均温度、最高温度、最低温度、相对湿度、降雨量、总日照量、二氧化碳浓度、土壤条件和施肥量。

3.根据权利要求1所述的基于神经元网络的农作物预测方法，其特征在于，所述根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型的步骤包括：

根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层中各节点的激励阈值、过程神经元激励函数以及神经元网络的输入计算神经元网络的隐层输出；

根据神经元网络的隐层输出、神经元网络隐层到神经元网络输出层的连接权值、输出神经元的激励阈值以及输出神经元激励函数计算神经元网络的输出。

4.根据权利要求1所述的基于神经元网络的农作物预测方法，其特征在于，所设置的样本函数学习参数包括误差精度和最大学习迭代次数。

5.根据权利要求4所述的基于神经元网络的农作物预测方法，其特征在于，所述根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束的步骤包括：

将计算出的输出误差与误差精度进行比较；

将当前学习迭代次数与最大学习迭代次数进行比较；

如果计算出的输出误差小于误差精度或当前学习迭代次数大于最大学习迭代次数，则学习过程结束，否则，继续学习并更新当前学习迭代次数。

6.一种基于神经元网络的农作物预测装置，其特征在于，包括：

模型建立单元，用于根据影响农作物产量的生长因素、神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值、神经元网络隐层中各节点的激励阈值、输出神经元的激励阈值、过程神经元激励函数以及输出神经元激励函数建立神经元网络模型；

参数设置单元，用于设置样本函数学习参数；

参数初始化单元，用于初始化神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值；

误差计算单元，用于根据样本函数和所建立的神经元网络模型计算神经元网络的输出误差；

判断单元，用于根据计算出的输出误差与所设置的样本函数学习参数判断学习过程是否结束；

迭代处理单元，用于如果未结束，则修正神经元网络输入层到神经元网络隐层的连接权值、神经元网络隐层到神经元网络输出层的连接权值以及神经元网络隐层中各节点的激励阈值，并继续计算神经元网络的输出误差，直至满足根据样本函数学习参数所设置的结束条件；

预测单元，用于如果结束，则输出对样本函数的学习结果，并根据学习结果对农作物的产量进行预测。

7.根据权利要求6所述的基于神经元网络的农作物预测装置，其特征在于，所述影响农作物产量的生长因素包括农作物生长期间的平均温度、最高温度、最低温度、相对湿度、降雨量、总日照量、二氧化碳浓度、土壤条件和施肥量。