[发明专利]基于BP神经网络的盐碱地稳定性预测方法及系统

权利要求书

1.基于BP神经网络的盐碱地稳定性预测方法，其特征是，包括：

步骤(1)：获取盐碱地稳定性分析的参数量；

步骤(2)：对参数量进行预处理；

步骤(3)：对预处理得到的数据进行归一化处理；

步骤(4)：计算影响蒸发能力的三个因素值：环境影响因素值、地理影响因素值和气候影响因素值；

步骤(5)：将环境影响因素值、地理影响因素值和气候影响因素值进行加权求和，得到的结果作为盐碱地蒸发能力值；

步骤(6)：搭建BP神经网络结构；

步骤(7)：利用已知的前四年盐碱地蒸发能力值作为BP神经网络的输入值，将已知的第五年盐碱地蒸发能力值作为BP神经网络的输出值，对BP神经网络进行训练；得到训练好的BP神经网络；

步骤(8)：将待预测年份的前四年的盐碱地蒸发能力值作为输入值，输入到训练好的BP神经网络中，输出待预测年份的盐碱地的蒸发能力值，从而实现对盐碱地稳定性的预测；

所述步骤(4)的步骤为：

对归一化处理后的盐碱地的日平均温度值和盐碱地的日平均湿度值加权求和，得到的结果作为环境影响因素值；

将盐碱地海拔高度作为地理影响因素值；

对归一化处理后的盐碱地上方的日平均风速、盐碱地的日平均日照时间长度、盐碱地日平均降水量和盐碱地日平均蒸发量作为气候影响因素值；

所述BP神经网络，包括：依次连接的输入层、隐含层和输出层；

隐含层神经元数目为11个，使用newff函数创建前向神经网络；输入层与隐含层之间的神经元采用logsig传递函数，隐含层与输出层之间的神经元模型采用purelin函数，运用trainlm算法进行仿真预测；

输入层、隐含层和输出层之间通过节点相连，节点的激励函数选取S型函数：

其中，Q为调整激励函数形式的sigmoid参数；运用S型函数实现网络节点的激励。

2.如权利要求1所述的基于BP神经网络的盐碱地稳定性预测方法，其特征是，所述步骤(1)中：

所述参数量，包括：盐碱地温度、盐碱地湿度、盐碱地风速、盐碱地日照时间长度、盐碱地海拔高度、盐碱地降水量和盐碱地蒸发量。

3.如权利要求1所述的基于BP神经网络的盐碱地稳定性预测方法，其特征是，

步骤(2)对参数量进行预处理得到：

盐碱地的日平均温度值、盐碱地的日平均湿度值、盐碱地上方的日平均风速、盐碱地的日平均日照时间长度、盐碱地海拔高度、盐碱地日平均降水量和盐碱地日平均蒸发量。

4.如权利要求1所述的基于BP神经网络的盐碱地稳定性预测方法，其特征是，

BP神经网络包括正向传播和反向传播，在正向传播过程中，输入信息从输入层经隐含层逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态；如果输出层的实际输出值与设置输出值存在的误差超过设定范围，则BP神经网络转入反向传播，将误差信号沿着原来的连接通道返回，通过修改各层神经元的权值，使误差最小；

所述隐含层为一层或多层，输入信号从输入层节点依次传过各隐含层点，然后传到输出节点，每一层节点的输出只影响下一层节点的输出。

5.如权利要求1所述的基于BP神经网络的盐碱地稳定性预测方法，其特征是，

对BP神经网络的网络参数进行设置，参数的设置遵循以下原则：

(1)网络节点的设置：在训练时，对不同的隐含层的四节点数、五节点数和六节点数分别进行比较，最后确定出最合理的网络结构；

(2)确定初始权值：初始权值不完全相等；

(3)最小训练速率：训练速率值取0.9；

(4)动态参数：动态系数的选择0.6～0.8；

(5)Sigmoid参数：用于调整神经元激励函数形式，取0.9～1.0。