一种基于指标体系和深度神经网络的杨梅产量预测方法与流程

1.本发明涉及杨梅产量预测技术领域，具体为一种基于指标体系和深度神经网络的杨梅产量预测方法。


背景技术：

2.杨梅属于杨梅科杨梅属小乔木或灌木植物，该属有50多个种，具有很高的药用和食用价值。其果味酸甜适中，既可直接食用，又可加工成杨梅干、酱、蜜饯等，还可酿酒，有止渴、生津、助消化等功能。产量预测是在作物收获前采取一定方法预先测定的产量。
3.在杨梅产量预测领域，目前的预测方法参数过多，预测过程复杂，无法衡量种植过程中大量参数的重要性，影响杨梅产量预测的精确度，为此，我们提出一种基于指标体系和深度神经网络的杨梅产量预测方法。


技术实现要素：

4.针对现有技术的不足，本发明提供了一种基于指标体系和深度神经网络的杨梅产量预测方法，解决了上述背景技术中提出的问题。
5.为实现以上目的，本发明通过以下技术方案予以实现，一种基于指标体系和深度神经网络的杨梅产量预测方法，包括以下步骤：
6.(1)、数据采集
7.获取研究区杨梅种植生长结果时期的采样测量数据；
8.(2)、数据标准化
9.根据所述采样测量数据，确定标准化数据；
10.(3)、指标体系构建
11.根据所述标准化数据，构建杨梅生长指标体系；
12.(4)、权重计算
13.根据所述杨梅生长指标体系，采用组合赋权法确定各级指标对应权重；
14.(5)、一级指标计算
15.根据所述指标权重，确定杨梅生长一级指标指数；
16.(6)、深度神经网络模型建立
17.基于深度神经网络模型，建立杨梅生长指标与杨梅产量的关系模型；
18.(7)、产量预测
19.根据指标数据对杨梅产量进行预测。
20.可选的，所述步骤(1)的数据采集具体包括：
21.根据所述采样测量数据，确定种植土壤采样检测数据，所述土壤采样检测数据包括有机质、ph值、磷、硼、锌、锰、钙、镁、钾、氮；确定生长期叶片与花序抽样测量数据，所述生长期叶片与花序抽样测量数据包括：春梢长度、叶片长度、叶片宽度、叶片厚度、叶绿素相对含量、雌花序长度、雌花序粗度；确定生长期果实外观及品质采样测定数据，所述生长期果
实外观及品质采样测定数据包括单果质量、纵径、横径、果形指数＝纵径/横径、明度、红绿值、黄蓝值、硬度、柠檬酸、苹果酸、草酸、蔗糖、果糖。
22.可选的，所述步骤(2)的数据标准化具体包括：
23.所有数据采用公式确定标准化数据；其中x
i
为各检测指标，μ
i
、σ
i
为第i个指标对应的均值与方差，z
i
为第i个指标的标准化结果，x
i
为sigmoid函数标准化结果。
24.可选的，：所述步骤(3)的指标体系构建具体包括：
25.根据所述种植土壤采样标准化数据、生长期叶片与花序抽样标准化数据、生长期果实外观及品质采样标准化数据，确定杨梅生长指标体系二级指标；根据所述杨梅生长指标体系二级指标，确定土壤酸碱性、土壤微量元素含量、叶片生长状态、花序生长状态、果实生长尺寸、果实生长色泽、果实总酸含量、果实总糖量等8个指标为一级指标。
26.可选的，所述步骤(4)的权重计算具体包括：
27.根据所述杨梅生长指标体系采用主成分分析法确定各指标共同度g
i
；根据所述指标共同度采用归一化公式确定各指标客观权重；根据所述指标客观权重采用专家赋权法调整，确定指标权重w
ij
。
28.可选的，所述步骤(5)的一级指标计算具体包括：
29.根据所述指标权重采用公式y
i
＝∑w
ij
x
ij
，确定一级指标指数；其中w
ij
为二级指标权重，x
ij
为二级指标标准化数据，y
i
为一级指标数据。
30.可选的，所述步骤(6)的深度神经网络模型建立具体包括：
31.根据一级指标数据确定深度神经网络模型所需输入的参数值，所述参数值包括土壤酸碱性、土壤微量元素含量、叶片生长状态、花序生长状态、果实生长尺寸、果实生长色泽、果实总酸含量、果实总糖量；将所述参数值输入至所述深度神经网络模型，得到杨梅产量预测结果输出；根据所述杨梅产量预测结果输出，确定杨梅产量预测值，建立杨梅主要生长指标与杨梅产量的关系模型。
32.可选的，所述步骤(7)的产量预测具体包括：
33.确定总层数l和各层神经元个数i
l
、最低误差阈值e
min
；根据所述深度神经网络总层数和各层神经元个数采用多层前馈模型公式计算所述每一层的输入和输出，其中表示第l层第i个神经元的输出值，f表示神经元激活函数，表示第l层第i个神经元的激活值，表示从第l
‑
1层第j个神经元连接到第l层第i个神经元的权重和偏置；根据所述计算结果采用梯度下降算法反复计算误差调整权重，误差小于所述最低误差阈值e
min
时停止训练，输出模型，其中η表示学习率，e表示误差。
34.本发明提供了一种基于指标体系和深度神经网络的杨梅产量预测方法，具备以下有益效果：该基于指标体系和深度神经网络的杨梅产量预测方法，通过获取研究区杨梅种
植生长结果时期的采样测量数据；根据所述采样测量数据，确定标准化数据；根据所述标准化数据，构建杨梅生长指标体系；根据所述指标体系采用组合赋权法，确定各级指标对应权重；根据所述指标权重，确定杨梅生长一级指标指数；基于深度神经网络模型，建立杨梅生长指标与杨梅产量的关系模型；将所述杨梅生长一级指标指数输入至所述关系模型中，求得杨梅产量预测值。本发明将指标体系与深度神经网络模型相结合，借助组合赋权法提高重要变量的比重，有效地解决了变量冗杂导致的回归精度低的问题，并对杨梅产量进行有效预测，计算方法简单，通过土壤酸碱性、土壤微量元素含量、叶片生长状态、花序生长状态、果实生长尺寸、果实生长色泽、果实总酸含量、果实总糖量对杨梅的产量进行预测，在杨梅种植领域具有较好的应用价值。
附图说明
35.图1为本发明一种基于指标体系和深度神经网络的杨梅产量预测方法的流程示意图。
具体实施方式
36.下面将结合本发明的具体实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
37.一种基于指标体系和深度神经网络的杨梅产量预测方法，包括以下步骤：
38.(1)、数据采集
39.获取研究区杨梅种植生长结果时期的采样测量数据；
40.(2)、数据标准化
41.根据所述采样测量数据，确定标准化数据；
42.(3)、指标体系构建
43.根据所述标准化数据，构建杨梅生长指标体系；
44.(4)、权重计算
45.根据所述杨梅生长指标体系，采用组合赋权法确定各级指标对应权重；
46.(5)、一级指标计算
47.根据所述指标权重，确定杨梅生长一级指标指数；
48.(6)、深度神经网络模型建立
49.基于深度神经网络模型，建立杨梅生长指标与杨梅产量的关系模型；
50.(7)、产量预测
51.根据指标数据对杨梅产量进行预测。
52.步骤(1)的数据采集具体包括：
53.根据采样测量数据，确定种植土壤采样检测数据，土壤采样检测数据包括有机质、ph值、磷、硼、锌、锰、钙、镁、钾、氮；确定生长期叶片与花序抽样测量数据，生长期叶片与花序抽样测量数据包括：春梢长度、叶片长度、叶片宽度、叶片厚度、叶绿素相对含量、雌花序长度、雌花序粗度；确定生长期果实外观及品质采样测定数据，生长期果实外观及品质采样测定数据包括单果质量、纵径、横径、果形指数＝纵径/横径、明度、红绿值、黄蓝值、硬度、柠檬酸、苹果酸、草酸、蔗糖、果糖。
54.步骤(2)的数据标准化具体包括：
55.所有数据采用公式确定标准化数据；其中x
i
为各检测指标，μ
i
、σ
i
为第i个指标对应的均值与方差，z
i
为第i个指标的标准化结果，x
i
为sigmoid函数标准化结果。
56.步骤(3)的指标体系构建具体包括：
57.根据种植土壤采样标准化数据、生长期叶片与花序抽样标准化数据、生长期果实外观及品质采样标准化数据，确定杨梅生长指标体系二级指标；根据杨梅生长指标体系二级指标，确定土壤酸碱性、土壤微量元素含量、叶片生长状态、花序生长状态、果实生长尺寸、果实生长色泽、果实总酸含量、果实总糖量等8个指标为一级指标。
58.步骤(4)的权重计算具体包括：
59.根据杨梅生长指标体系采用主成分分析法确定各指标共同度g
i
；根据指标共同度采用归一化公式确定各指标客观权重；根据指标客观权重采用专家赋权法调整，确定指标权重w
ij
。
60.步骤(5)的一级指标计算具体包括：
61.根据指标权重采用公式y
i
＝∑w
ij
x
ij
，确定一级指标指数；其中w
ij
为二级指标权重，x
ij
为二级指标标准化数据，y
i
为一级指标数据。
62.步骤(6)的深度神经网络模型建立具体包括：
63.根据一级指标数据确定深度神经网络模型所需输入的参数值，参数值包括土壤酸碱性、土壤微量元素含量、叶片生长状态、花序生长状态、果实生长尺寸、果实生长色泽、果实总酸含量、果实总糖量；将参数值输入至深度神经网络模型，得到杨梅产量预测结果输出；根据杨梅产量预测结果输出，确定杨梅产量预测值，建立杨梅主要生长指标与杨梅产量的关系模型。
64.步骤(7)的产量预测具体包括：
65.确定总层数l和各层神经元个数i
l
、最低误差阈值e
min
；根据深度神经网络总层数和各层神经元个数采用多层前馈模型公式计算每一层的输入和输出，其中表示第l层第i个神经元的输出值，f表示神经元激活函数，表示第l层第i个神经元的激活值，表示从第l
‑
1层第j个神经元连接到第l层第i个神经元的权重和偏置；根据计算结果采用梯度下降算法反复计算误差调整权重，误差小于最低误差阈值e
min
时停止训练，输出模型，其中η表示学习率，e表示误差。
66.综上所述，该基于指标体系和深度神经网络的杨梅产量预测方法，使用时基于指标体系和深度神经网络的杨梅产量预测方法包括以下具体步骤：
67.(1)、数据采集
68.获取研究区杨梅种植生长结果时期的采样测量数据。获取研究区种植土壤采样检
测数据，选择避开施肥带、堆肥点的种植区域，采集土壤样品，对土壤样品中的有机质、ph值、磷、硼、锌、锰、钙、镁、钾、氮等进行检测与记录；获取杨梅生长期叶片与花序抽样标准化数据，对研究区杨梅树的叶片与花序进行采样，测量并记录春梢长度、叶片长度、叶片宽度、叶片厚度、叶绿素相对含量、雌花序长度、雌花序粗度；获取生长期果实外观及品质采样检测数据，对研究区杨梅树的果实进行采样，测量并记录单果质量、纵径、横径、果形指数＝纵径/横径、明度、红绿值、黄蓝值、硬度、柠檬酸、苹果酸、草酸、葡萄糖、蔗糖、果糖。
69.(2)、数据标准化
70.根据所述采样测量数据，确定标准化数据。采用公式根据所述采样测量数据，确定标准化数据。采用公式确定标准化数据；其中x
i
为各检测指标，μ
i
、σ
i
为第i个指标对应的均值与方差，z
i
为第i个指标的标准化结果，x
i
为sigmoid函数标准化结果。
71.(3)、指标体系构建
72.根据所述标准化数据，构建杨梅生长指标体系。根据种植土壤采样标准化数据、生长期叶片与花序抽样标准化数据、生长期果实外观及品质采样标准化数据，确定杨梅生长指标体系二级指标；
73.根据杨梅生长指标体系二级指标，确定土壤酸碱性、土壤微量元素含量、叶片生长状态、花序生长状态、果实生长尺寸、果实生长色泽、果实总酸含量、果实总糖量等8个指标为一级指标。
74.(4)、权重计算
75.根据所述杨梅生长指标体系，采用组合赋权法确定各级指标对应权重。
76.根据杨梅生长指标体系采用主成分分析法确定各指标共同度g
i
；
77.根据指标共同度采用归一化公式确定各指标客观权重；
78.根据指标客观权重采用专家赋权法调整，确定指标权重w
ij
。
79.(5)、一级指标计算
80.根据所述指标权重，确定杨梅生长一级指标指数。根据指标权重采用公式y
i
＝∑w
ij
x
ij
，确定一级指标指数；其中w
ij
为二级指标权重，x
ij
为二级指标标准化数据，y
i
为一级指标数据。
81.(6)、深度神经网络模型建立
82.基于深度神经网络模型，建立杨梅生长指标与杨梅产量的关系模型。根据上一步骤一级指标数据确定深度神经网络模型所需输入的参数值，参数值包括土壤酸碱性、土壤微量元素含量、叶片生长状态、花序生长状态、果实生长尺寸、果实生长色泽、果实总酸含量、果实总糖量；
83.(7)、产量预测
84.根据指标数据对杨梅产量进行预测。根据深度神经网络模型，确定总层数l和各层神经元个数i
l
、最低误差阈值e
min
；
85.根据深度神经网络总层数和各层神经元个数采用多层前馈模型公式
计算每一层的输入和输出，其中表示第l层第i个神经元的输出值，f表示神经元激活函数，表示第l层第i个神经元的激活值，表示第l层第i个神经元的激活值，表示从第l
‑
1层第j个神经元连接到第l层第i个神经元的权重和偏置；
86.根据计算结果采用梯度下降算法反复计算误差调整权重，误差小于最低误差阈值e
min
时停止训练，输出模型，其中η表示学习率，e表示误差；
87.将参数值输入至深度神经网络模型，得到杨梅产量预测结果输出；
88.根据杨梅产量预测结果输出，确定杨梅预测产量值，建立杨梅主要生长指标与杨梅产量的关系模型。
89.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。