[发明专利]一种基于极限学习机的土壤湿度预测方法

权利要求书

1.一种基于极限学习机的土壤湿度预测方法，其特征在于，所述预测方法包括以下步骤：

步骤1：输入数据，对数据进行预处理，将数据集划分为两部分，一部分为训练集，另一部分为测试集；

步骤2：确定极限学习机神经网络的拓扑结构为层次型，层次型模型将神经网络分为输入层、隐含层和输出层，各层顺序连接，分别设置输入层、隐含层和输出层神经元的个数；

步骤3：对极限学习机神经网络进行初始化，随机产生输入层与隐含层间的连接权值及隐含层神经元的偏差，权值代表神经元之间的连接强度，利用偏差可以更好地实现预测结果与数据的拟合；

步骤4：选择一个无限可微的函数作为隐含层的激活函数，计算得到隐含层输出矩阵；

步骤5：通过最小二乘法计算出隐含层和输出层间的连接权值；

步骤6：将获得的参数和测试数据样本输入极限学习机预测模型得到预测结果，并选取土壤湿度预测中常用的两种评价指标：均方误差MSE和决定系数R²，对模型的预测性能进行评价，从而完成对土壤湿度的精准预测。

2.根据权利要求1所述的一种基于极限学习机的土壤湿度预测方法，其特征在于，所述步骤1具体包括，将数据分为训练集和测试集，训练集和测试集包括输入数据和目标数据，其中输入数据包括降水量、蒸发量、温度、风速、地表温度、气压、土壤湿度，目标数据为土壤湿度。

3.根据权利要求2所述的一种基于极限学习机的土壤湿度预测方法，其特征在于，所述步骤3具体包括，随机产生输入权重w和隐层偏差b，且在训练过程中不需要重复迭代无需进行调整。

4.根据权利要求3所述一种基于极限学习机的土壤湿度预测方法，其特征在于，所述步骤4具体包括，计算隐含层输出矩阵H＝g(x*w+b)。

5.根据权利要求4所述一种基于极限学习机的土壤湿度预测方法，其特征在于，所述步骤5具体包括，计算输出层权重β＝H⁺T，H为隐含层的输出矩阵，H⁺为隐含层输出矩阵H的摩尔彭罗斯广义逆，T为训练数据的目标矩阵。

6.根据权利要求5所述一种基于极限学习机的土壤湿度预测方法，其特征在于，所述步骤6具体包括，计算模型评价指标均方误差决定系数其中y_i为土壤湿度预测值，t_i为真实值，为土壤湿度真实数据的平均值。