[发明专利]基于农业物联网和深度信念网络的大棚冬枣病害预测模型

权利要求书

1.基于农业物联网和深度信念网络的大棚冬枣病害预测模型，其特征在于，包括以下步骤：

1)冬枣生长的环境信息采集和预处理：利用农业物联网传感器采集大棚冬枣生长的环境信息，环境信息包括季节、大棚内温度、大棚内湿度、大棚外温度、大棚外湿度、光照强度、光照时数、光合有效辐射、阴雨天数、降雨量、气压、风速、风向、CO2浓度和土壤的温度、土壤相对湿度、土壤水分、土壤盐分和土壤PH值以及冬枣的农药使用情况，共20个环境信息数据；根据往年病害发生的历史数据将采集到的季节、风向和农药使用情况划分为0、1、2、3四个等级，再分别对这划分为等级后的信息数据和其他的17类信息数据进行归一化，得到20个环境信息特征；

2)冬枣病害视频彩色图像采集和特征提取：利用农业物联网视频监控设备实时采集大棚冬枣视频彩色图像，然后提取图像的H、S、V三个分量的均值、偏差和三阶矩，再进行归一化处理，得到9个颜色特征；

3)将步骤1)和步骤2)得到的20个环境信息特征和9个颜色特征组成维数为29的冬枣病害的联合特征向量；

4)根据大棚冬枣病害发生规律，并结合冬枣病害发生的历史数据，建立大棚冬枣病害的联合特征向量数据库；

5)构建基于DBN的冬枣病害预测模型，预测模型包括一个输入层、三个RBM和一个BP网络，每个RBM都由一个可视层和一个隐层组成；BP网络设置在模型的最后一层，BP网络由输入层、隐层和输出层神经元组成。在模型中，上一个RBM经过学习得到的特征输出作为下一个RBM的输入；使每层能抽象出上一层的特征，逐层提取高层数据特征，各层独立地对参数进行学习；将第三个RBM输出的特征向量作为BP网络的输入数据，有监督地训练BP网络，进行冬枣病害预测；第一层RBM可视层节点数为29，各个隐层的节点数由实际训练结果确定，最后输出结点数为冬枣病害的预测等级；

6)利用非监督贪婪逐层方法和数据库中的联合特征向量预训练预测模型，获得最佳参数值；

7)由第三个RBM的输出作为BP网络的输入，BP网络的输出为冬枣病害预测等级；

8)预测模型测试，将待测试的数据库中的联合特征向量输入到训练好的预测模型中，计算冬枣病害的预测结果；将预测结果与实际病害发生结果进行比较，若预测结果没有达到要求，返回步骤6)，重复设置模型结构和参数，反复训练预测模型；

9)病害预测，在病害预测过程中，首先将农业物联网实际采集到的冬枣生长的环境信息和冬枣视频图像进行归一化预处理，再组成联合特征向量，最后将联合特征向量输入到训练好的预测模型，由BP网络输出病害发生的预测等级。

2.根据权利要求1所述的基于农业物联网和深度信念网络的大棚冬枣病害预测模型，其特征在于：所述的步骤6)练预测模型的训练步骤如下：

6.1)固定第一个RBM的权重和偏移量，把数据库中的联合特征向量输入第一个RBM的可视层，训练RBM；

6.2)将第一个RBM的输出作为第二个RBM的输入，训练第二个RBM；

6.3)将第二个RBM的输出作为第三个RBM的输入，训练第三个RBM；

6.4)重复执行步骤6.1)、步骤6.2)和步骤6.3)任意多次，训练所有的RBM，通过非监督贪婪逐层方法获得冬枣病害预测模型参数，实现模型参数的初始化；每一个RBM只能确保自身层内的权值对该层特征向量映射达到最优；

6.5)确定预测模型参数后，将第三个RBM的输出作为BP网络的输入，BP网络通过一个自下而上反馈学习方法将错误信息自顶向下传播至每层RBM，微调整个病害预测模型；

6.6)为了加速训练，计算实际输出和目标输出的误差，采用与模型参数相关的函数表示这个误差；再利用共轭梯度算法调整参数；最后得到误差函数达到最小的模型参数值。