基于改进的BA-BP的水稻产量预测方法技术

本申请是关于一种基于改进的BA

【技术实现步骤摘要】
基于改进的BA
‑
BP的水稻产量预测方法


[0001]本申请涉及水稻产量预测
，尤其涉及基于改进的BA
‑
BP的水稻产量预测方法。

技术介绍

[0002]水稻作为人类主要粮食之一，受众范围相当广泛，遍布亚欧非以及热带美洲，全球约一半的人口将稻米作为主食。中国作为水稻种植最悠久的国家，全国以大米作为主食的省份也非常多，水稻的产量关乎民生大计，此外，水稻产量会带来价格波动。
[0003]当前，针对水稻产量预测大多以统计学分析或机器学习居多，但多数使用的特征数较少，以及受方法模型的局限性影响，这种方法误差相对较大，且推广性、普适性较低，而基于神经网络模型的产量预测方法，缺乏群体智能算法(如BA)的优化，同时，采用随机函数进行初始化的方法使得BA算法收敛速度变慢，并可能找到的时局部最优解，使得模型的收敛效果不稳定。
[0004]因此，针对上述问题，研究一种基于改进的BA
‑
BP的水稻产量预测方法，该方法能够快速提升算法的运行效率，更快得到全局最优值，且使得模型的收敛效果稳定。

技术实现思路

[0005]为克服相关技术中存在的问题，本申请提供一种基于改进的BA
‑
BP的水稻产量预测方法，该方法能够快速提升算法的运行效率，更快得到全局最优值，且使得模型的收敛效果稳定。
[0006]本申请第一方面提供一种基于改进的BA
‑
BP的水稻产量预测方法，包括以下步骤：
[0007]待预测地历史气象数据获取与处理；
[0008]所述待预测地的水稻历史产量数据获取；
[0009]建立样本数据；
[0010]构建BP神经网络模型及对所述BP神经网络模型进行预训练，通过所述预训练获得所述BP神经网络模型的初始目标网络权值和初始目标偏置值；
[0011]依据所述初始目标网络权值和所述初始目标偏置值，对BA算法的蝙蝠的初始化位置，当前最佳位置及群体最佳位置进行设置；得到改进的BA算法；
[0012]所述改进的BA算法对所述BP神经网络模型进行优化，获取最优网络权值和最优偏置值，得到改进的BA
‑
BP神经网络模型；
[0013]通过所述改进的BA
‑
BP神经网络模型对测试集进行水稻产量预测
[0014]在一种实施方式中，所述待预测地历史气象数据获取与处理包括：
[0015]确定水稻产量待预测地的坐标，通过多线程的方式获取水稻产量待预测地的历史时间段的气象数据，得到历史气象数据。
[0016]在一种实施方式中，所述历史时间段至少为20年。
[0017]在一种实施方式中，所述待预测地的水稻历史产量数据获取包括：
[0018]获取水稻产量待预测地的所述历史时间段统计年鉴，获取所述统计年鉴水稻历史产量数据。
[0019]在一种实施方式中，所述确定水稻产量待预测地的坐标，通过多线程的方式获取水稻产量预测所在地的历史时间段的气象数据，得到历史气象数据之后包括：
[0020]通过python语言对所述历史气象数据进行读取，提取相应的气象特征参数，提取的气象特征参数包括气温，土温，降水，最高温度以及最低温度。
[0021]在一种实施方式中，所述建立样本数据包括：
[0022]合并所述气象特征参数与所述水稻历史产量数据，得到样本数据。
[0023]在一种实施方式中，所述构建BP神经网络模型及对所述BP神经网络模型进行预训练，通过所述预训练获得所述BP神经网络模型的初始目标网络权值和初始目标偏置值包括：
[0024]采用深层的BP神经网络模型结构，构建隐藏层为11层的BP神经网络模型，产量与气象特征构建的函数具体如下：
[0025]输入层：即特征值X
j
(j＝1,2,...,104)。
[0026]输出层：F＝w
11j
*f
11j
+b，，F为产量，w
11
为第11层隐藏层权值，f
11
为第11层隐藏层的神经元，其中j＝1，2，3，4，j表示该层的第j个神经元；b为偏置值；
[0027]隐藏层：f
ij
＝w
(i
‑
1)j
f
(i
‑
1)j
+b
(i
‑
1)j
，其中f
ij
表示第i层的第j个神经元的输出值，w
(i
‑
1)j
表示第(i
‑
1)层的第j个神经元的权值，f
(i
‑
1)j
表示第(i
‑
1)层的第j个神经元的输出值，b
(i
‑
1)j
表示第(i
‑
1)层的第j个神经元的偏置值，i＝1,2,...,11，j表示为该层的第j个神经元；
[0028]设置所述BP神经网络模型的学习率，对所述样本数据进行归一化处理，计算公式为：其中MIN、MAX分别为所述样本数据集中所有元素的最小值和最大值，X为样本数据当前元素，X
′
为X归一化后的值，X
min
与X
max
为X当前所在列的最小值与最大值；
[0029]所述样本数据归一化处理后切分训练集与测试集，并对所述BP神经网络模型进行预训练，对所述测试集进行初步预测，得到所述BP神经网络模型预训练的初始目标网络权值和初始目标偏置值。
[0030]在一种实施方式中，所述依据所述初始目标网络权值和所述初始目标偏置值，对BA算法的蝙蝠进行初始化位置，当前最佳位置及群体最佳位置进行设置；得到改进的BA算法包括：
[0031]通过python语言编写BA算法，对蝙蝠数量，迭代次数，蝙蝠速度边界，蝙蝠位置边界，蝙蝠脉冲波长，频率，响度以及将BP神经网络的MAPE作为适应度函数的返回值，将所述初始目标网络权值和所述初始目标偏置值对BA算法的蝙蝠进行初始化位置、当前最佳位置、群体最佳位置进行设置，得到改进的BA算法。
[0032]在一种实施方式中，所述所述改进的BA算法对所述BP神经网络模型进行优化，获取最优网络权值和最优偏置值，得到改进的BA
‑
BP神经网络模型包括：
[0033]通过所述改进的BA算法对所述BP神经网络模型的权值、偏置值进行调优，以所述BP神经网络模型的所述测试集预测结果的MAPE作为适应度函数的返回值，获取最优网络权
值和最优偏置值，得到改进的BA
‑
BP神经网络模型。
[0034]本申请第二方面提供一种电子设备，包括存储介质、CPU处理器及存储在所述存储介质上并能够在CPU处理器上运行的计算机应用程序，其特征在于，所述CPU处理器执行所述计算机应用程序时实现如权利要求1至9任一项所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进的BA
‑
BP的水稻产量预测方法，其特征在于，包括以下步骤：待预测地历史气象数据获取与处理；所述待预测地的水稻历史产量数据获取；建立样本数据；构建BP神经网络模型及对所述BP神经网络模型进行预训练，通过所述预训练获得所述BP神经网络模型的初始目标网络权值和初始目标偏置值；依据所述初始目标网络权值和所述初始目标偏置值，对BA算法的蝙蝠的初始化位置，当前最佳位置及群体最佳位置进行设置；得到改进的BA算法；所述改进的BA算法对所述BP神经网络模型进行优化，获取最优网络权值和最优偏置值，得到改进的BA
‑
BP神经网络模型；通过所述改进的BA
‑
BP神经网络模型对测试集进行水稻产量预测。2.根据权利要求1所述的基于改进的BA
‑
BP的水稻产量预测方法，其特征在于：所述待预测地历史气象数据获取与处理包括：确定水稻产量待预测地的坐标，通过多线程的方式获取水稻产量待预测地的历史时间段的气象数据，得到历史气象数据。3.根据权利要求2所述的基于改进的BA
‑
BP的水稻产量预测方法，其特征在于：所述历史时间段至少为20年。4.根据权利要求2所述的基于改进的BA
‑
BP的水稻产量预测方法，其特征在于：所述待预测地的水稻历史产量数据获取包括：获取水稻产量待预测地的所述历史时间段统计年鉴，获取所述统计年鉴水稻历史产量数据。5.根据权利要求2所述的基于改进的BA
‑
BP的水稻产量预测方法，其特征在于：所述确定水稻产量待预测地的坐标，通过多线程的方式获取水稻产量预测所在地的历史时间段的气象数据，得到历史气象数据之后包括：通过python语言对所述历史气象数据进行读取，提取相应的气象特征参数，提取的气象特征参数包括气温，土温，降水，最高温度以及最低温度。6.根据权利要求5所述的基于改进的BA
‑
BP的水稻产量预测方法，其特征在于：所述建立样本数据包括：合并所述气象特征参数与所述水稻历史产量数据，得到样本数据。7.根据权利要求1所述的基于改进的BA
‑
BP的水稻产量预测方法，其特征在于：所述构建BP神经网络模型及对所述BP神经网络模型进行预训练，通过所述预训练获得所述BP神经网络模型的初始目标网络权值和初始目标偏置值包括：采用深层的BP神经网络模型结构，构建隐藏层为11层的BP神经网络模型，产量与气象特征构建的函数具体如下：输入层：即特征值X
j
(j＝1,2,...,104)。输出层：F＝w
11j
*f
11j
+b，，F为产量，w
11
为第11层隐藏层权值，f
11
为第11层隐藏层的神经元，其中j＝1，2，3，4，j表示该层的第j个神经元；b为偏置值；隐藏层：f
ij

【专利技术属性】
技术研发人员：王建华，陈志浩，龙拥兵，肖方军，肖艺铭，熊弘依，周明，施震渺，刘军和，梁俊涛，兰玉彬，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：