[发明专利]基于神经网络模型的农业精准施肥系统及施肥方法

权利要求书

1.一种基于神经网络模型的农业精准施肥系统，其特征在于：包括用于采集农田土壤参数的传感器数据采集模块，其输出端依次通过网关、数据传输模块与和中央处理器相连的数据库相连，中央处理器的输入输出端分别与RS遥感模块、GPS定位模块、GIS地理信息模块、DSS作物生长决策支持模块的输入输出端相连。

2.根据权利要求1所述的基于神经网络模型的农业精准施肥系统，其特征在于：所述传感器数据采集模块由土壤温度传感器、土壤水分测量传感器和用于测量土壤中氮、磷、钾含量的土壤营养元素测定传感器组成。

3.根据权利要求1所述的基于神经网络模型的农业精准施肥系统，其特征在于：所述传感器数据采集模块、RS遥感模块、GPS定位模块共同绑定在移动农田作业机械上。

4.根据权利要求1所述的基于神经网络模型的农业精准施肥系统，其特征在于：所述数据传输模块采用GPRS无线网络模块。

5.根据权利要求1所述的基于神经网络模型的农业精准施肥系统，其特征在于：所述中央处理器为后台计算机。

6.根据权利要求1至5中任一项所述系统的施肥方法，该方法包括下列顺序的步骤：

（1）由传感器数据采集模块采集待检测农田土壤的土壤参数，并通过网关、数据传输模块发送至数据库；

（2）中央处理器调用数据库中存储的土壤参数进行运算，先构建神经元结构模型，再选择激活函数，最后进行后向传播学习，得到训练目标，训练所获得的样本数据，得出基于后向传播学习的神经网络模型；

（3）在神经网络模型的基础上，运用GIS地理信息模块，并结合DSS作物生长决策支持模块提供的精准施肥决策，给出精准农业施肥方法。

7.根据权利要求6所述的施肥方法，其特征在于：在步骤（2）中，所述构建神经元结构模型是指，神经元i的输出yi为：

yi=F(Σj=1nwjxj-θi),i≠j]]>

其中，y_i是神经元i的输出，它与其它多个神经元通过权连接起来；x_j是网络输入，j=1,2,…,n；w_j为输入权重，j=1,2,…n；θ_i是神经元i的阀值，F为激活函数。

8.根据权利要求6所述的施肥方法，其特征在于：在步骤（2）中，所述选择激活函数是指，选用激活函数Sigmoid函数：

F(x)=11+e-ax]]>

α是函数斜率，e是欧拉常数,x是自变量。

9.根据权利要求6所述的施肥方法，其特征在于：在步骤（2）中，所述后向传播学习是指，设神经网络模型结构输入层神经元数量为N、P、K、Yield四个，即土壤养分的氮、磷、钾含量和目标产量，模型输出层神经元数量为三个，分别是施肥的氮、磷、钾用量，隐含层神经元数量t根据经验公式:

m为输出神经元数，n为输入单元数，a在1至10之间选择为5个，进行如下的神经网络后向传播学习：

a，数据归一化处理：首先对通过传感器数据采集模块采集的土壤养分含量和目标产量数据进行归一化处理，将收集到的数据分布到[-1,1]之间，归一化公式为：

Pn=2×P-minPmaxP-minP-1]]>

其中，P为初始输入数据，maxP和minP分别为P中的最大值和最小值，P_n为归一化后的输入数据；

b，随机初始化网络权和阀值，设定终止条件为神经网络的输出值和实际输出值的均方误差小于某一阈值，当终止条件不满足时，重复如下步骤：

正向计算每一个训练样本中隐藏或输出层每个单元j的输入和输出，对于第j个单元输入Ij=ΣiwijOi+θj,]]>输出Oj=11+e-Ij]]>

其中，e是自然对数，θ_j是用于改变神经元的活性的每个神经元的阈值，w_ij是表示前一层神经元和后一层神经元之间的权值，即是由上一层的单元i到单元j的连接的权,O_i是上一层的单元i的输出；

然后，计算输出层每个单元j的误差：

Err_j=O_j(1-O_j)(T_j-O_j)

其中，T_j是j基于给定训练样本的已知类标号的真正输出；

由最后一个到第一个隐藏层，对于隐藏层每个单元j,

Err_j=O_j(1-O_j)Σ_kErr_kw_kj

其中，w_kj是由下一较高层中单元k到单元j的连接权，而Err_k是单元k的误差；

之后，更新网络中w_ij权值，方法为：

Δw_ij=(l)Err_jO_i

其中，l是学习率，更新后权值为

w_ij=w_ij+Δw_ij

对于网络中每个偏差θ_j，增值为

Δθ_j=(l)Err_j

更新后偏差为θ_j＝θ_j+Δθ_j;

随机初始化网络权值和神经元的阈值，前向传播一层一层的计算隐层神经元和输出层神经元的输入和输出，后向传播修正权值和阈值，直到终止条件满足。