[发明专利]一种基于极限学习机的土壤湿度预测方法

说明书

本发明公开了一种基于极限学习机的土壤湿度预测方法，包括输入数据，对数据进行预处理，将数据集划分为训练集和测试集；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；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阈值；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；通过最小二乘法计算出隐含层和输出层间的连接权值；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，对模型的预测性能进行评价。本发明有效地预测土壤湿度，预测精度较高。

技术领域

本发明涉及土壤湿度预测技术领域，特别是涉及一种基于极限学习机的土壤湿度预测方法。

背景技术

随着我国智慧农业的发展，农作物的生产管理、农田节水灌溉、作物生长状态及物候监测等多领域应用需求，均需要高空间分辨率、高时间分辨率、高精度的土壤湿度信息。

传统的土壤湿度的可预测性通常源于其自身的持久性或其他外部强迫因素，因此土壤湿度预测具有很大的不确定性，且具有复杂的线性行为，使得对其进行精准的预测变得相当困难。虽然地面实测获取土壤湿度信息精度可靠，但采样成本高且时空尺度具有显著局限性，仅依靠地面采样实现“面”尺度连续监测并不现实。遥感传感器通过探测地表参量间接反演土壤湿度是目前获取“面”尺度的研究热点，但植被对土壤湿度变化的反应存在滞后性，且地表覆盖状况复杂，方法受到影响等局限性。

随着计算机技术及硬件的飞速发展，基于数据驱动的方法为加速和提高土壤湿度预测提供了新的视角，其中极限学习机(extreme learning machine)ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。2004年由南洋理工大学黄广斌副教授提出。传统的神经网络学习算法(如BP算法)需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。还有人工神经网络模型具有很强的自学习能力，能够适应复杂的预测任务，可以通过学习复杂的非线性函数将低级信息(原始输入)转化为更高级别的特征，从而增强原始输入的表示，这对计算机科学和地球科学都具有重要的意义。

为此，本发明拟借助人工神经网络良好的函数模拟能力，考虑与土壤湿度相关的气象因子，以数据驱动的方式构建函数数量关系，基于训练得到预测模型实现数据的高精度土壤湿度的预测。

发明内容

本发明的目的是提供一种基于极限学习机的土壤湿度预测方法，利用神经网络提高模型预测精度，更好的解决土壤湿度预测的问题。

为实现上述目的，本发明提供了如下方案：

一种基于极限学习机的土壤湿度预测方法，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；