一种基于改进遗传算法优化BP神经网络的土壤湿度预测方法

技术领域

本发明属于土壤湿度预测技术领域，尤其涉及一种基于改进遗传算法优化BP神经网络的土壤湿度预测方法。

背景技术

随着传感器技术的不断发展，依靠传感器对农作物生长信息进行精准预测，从而实现农业生产万物互联的智慧农业营运而生。智慧农业主要通过传感器对农作物生产中的环境参数进行采集，之后通过互联网将数据传输到网络终端，最后对数据进行分析从而制定合理的农作物生产计划。在进行农作物生产环境监测的各项数据中，土壤湿度的预测及其重要，土壤的干湿程度关系到农作物的生产状况，只有合理的土壤湿度才能使作物正常生长。

目前，对土壤湿度的测量主要依靠土壤湿度传感器，而大量的传感器会破坏土壤的结构，对资源和能源也造成了巨大的浪费，因此依靠神经网络对土壤湿度进行预测有效的避免了传感器在测量过程中的弊端，也使得土壤湿度的预测更加可靠，使农业生产技术有了很大的提高。随着人工智能的不断发展，神经网络预测模型得到了广泛的应用，作为最成功的神经网络模型，BP神经网络在进行数据预测领域得到了广泛的应用，针对单独BP神经网络预测模型出现的预测误差大的问题，提出了应用改进遗传算法优化BP神经网络的土壤湿度预测方法。

发明内容

本发明用以解决土壤湿度预测的问题，由于单独的BP神经网络在进行预测时误差较大，从而提出了基于改进遗传算法优化BP神经网络的土壤湿度预测方法。

基于改进遗传算法优化BP神经网络的土壤湿度预测方法按照以下步骤实现：步骤1：输入数据，将收集到的数据分成两组，一组作为训练数据，另一组作为测试数据；步骤2：确定神经网络的拓扑结构，设置神经网络的各项参数包括输入层、隐含层和输出层神经元的个数；步骤3：对BP神经网络进行初始化，并且获得神经网络的初始权值和阈值；步骤4：对遗传算法进行初始化，并对初始的权值和阈值进行编码；步骤5：设置遗传算法的适应度函数，将BP神经网络训练得到的误差平方根倒数作为适应度函数值；步骤6：进行选择、交叉和变异操作；步骤7：计算适应度值，判断是否满足终止条件，如果满足终止条件，则确定最优权值和阈值，如果不满足终止条件，则执行步骤6；步骤8：确定获得最优的权值和阈值后，将最优权值和阈值赋给BP神经网络，通过训练数据对BP神经网络进行训练，从而得到准确的数据预测模型，完成对土壤湿度的准确预测。

进一步的，所述步骤1具体包括，数据分为训练集和测试集，训练集和测试集数据又包括输入数据和目标数据，其中输入数据包括空气温度、空气湿度、光照强度，目标数据为土壤湿度。

进一步的，所述步骤3中对BP神经网络进行初始化，并且获得神经网络的初始权值和阈值为设置遗传算法的染色体编码以及染色体数量和长度；设置染色体的选择操作、变异操作和交叉操作。

进一步的，所述步骤6包括以下步骤：步骤6.1：在选择操作时，将种群个体利用排序法进行重新排列，之后按照自适应函数概率进行选择；步骤6.2：在交叉操作时，交叉概率的计算方式利用自适应函数进行计算；步骤6.3：在变异操作时，变异概率的计算方式利用自适应函数进行计算。

进一步的，所述步骤7包括以下步骤：步骤7.1：计算每组染色体的适应度值，并通过适应度值判断是否获得最优的权值和阈值；步骤7.2：通过引入自适应选择概率，变异概率和交叉概率，从而获得最优的权值和阈值。

本发明的有益效果是。

在进行农业生产过程中，通过应用神经网络对土壤湿度进行预测大大减少了土壤湿度传感器的数量，防止土壤结构被破坏，使农业生产技术得到了提高，土壤湿度的预测也更加便捷。基于BP神经网络的预测模型能够对土壤湿度进行有效的预测，为农作物生长环境的数据监测提供了便利，但单独的BP神经网络在预测过程中预测误差较大。基于改进遗传算法优化BP神经网络的土壤湿度预测方法能够有效地减少预测误差，遗传算法有很强的全局寻优能力，避免局部最优的现象的产生，大大地提高了BP神经网络的预测能力，从而使土壤湿度的预测更加精准。

附图说明

图1为本发明的流程示意图。

图2为本发明的系统框架图。

图3为本发明的预测值与真实值的对比图。

具体实施方式

下面将对本发明在实施过程中的技术流程进行详细、完整地展示。以下描述的实施过程包含部分实验示例，不包含本发明的全部示例。基于本发明在实施过程中的示例，在本领域普通技术人员在没有做出创造性劳动的情况下，对本发明在实施过程中的示例进行使用，都属于本发明的保护范围。

示例1。

步骤1：输入数据，将收集到的数据分成两组，一组作为训练数据，另一组作为测试数据。

步骤2：确定神经网络的拓扑结构，设置神经网络的各项参数包括输入层、隐含层和输出层神经元的个数。

步骤3：对BP神经网络进行初始化，并且获得神经网络的初始权值和阈值。

步骤4：对遗传算法进行初始化，并对初始的权值和阈值进行编码。

步骤5：设置遗传算法的适应度函数，将BP神经网络训练得到的误差平方根倒数作为适应度函数值。

步骤6：进行选择、交叉和变异操作。

步骤7：计算适应度值，判断是否满足终止条件，如果满足终止条件，则确定最优权值和阈值，如果不满足终止条件，则执行步骤6。

步骤8：确定获得最优的权值和阈值后，将最优权值和阈值赋给BP神经网络，通过训练数据对BP神经网络进行训练，从而得到准确的数据预测模型，完成对土壤湿度的准确预测。

进一步的，所述步骤1具体包括，数据分为训练集和测试集，训练集和测试集数据又包括输入数据和目标数据，其中输入数据包括空气温度、空气湿度、光照强度，目标数据为土壤湿度。

进一步的，所述步骤3中对BP神经网络进行初始化，并且获得神经网络的初始权值和阈值为设置遗传算法的染色体编码以及染色体数量和长度；设置染色体的选择操作、变异操作和交叉操作。

进一步的，所述步骤6包括以下步骤。

步骤6.1：在选择操作时，将种群个体利用排序法进行重新排列，之后按照自适应函数概率进行选择。

步骤6.2：在交叉操作时，交叉概率的计算方式利用自适应函数进行计算。

步骤6.3：在变异操作时，变异概率的计算方式利用自适应函数进行计算。

进一步的，所述步骤7包括以下步骤。

步骤7.1：计算每组染色体的适应度值，并通过适应度值判断是否获得最优的权值和阈值。

步骤7.2：通过引入自适应选择概率，变异概率和交叉概率，从而获得最优的权值和阈值。

本发明的有益效果是。

在进行农业生产过程中，通过应用神经网络对土壤湿度进行预测大大减少了土壤湿度传感器的数量，防止土壤结构被破坏，使农业生产技术得到了提高，土壤湿度的预测也更加便捷。基于BP神经网络的预测模型能够对土壤湿度进行有效的预测，为农作物生长环境的数据监测提供了便利，但单独的BP神经网络在预测过程中预测误差较大。基于改进遗传算法优化BP神经网络的土壤湿度预测方法能够有效地减少预测误差，遗传算法有很强的全局寻优能力，避免局部最优的现象的产生，大大地提高了BP神经网络的预测能力，从而使土壤湿度的预测更加精准。

示例2。

试验理论分析。

BP神经网络算法(Back Propagation)是一种典型的多层前馈神经网络，它通过误差逆向传播算法来进行学习训练，这种神经网络的运算特点是数据正向传播，误差反向传播。BP神经网络主要包含输入层、隐含层和输出层，在训练过程中，神经网络不断调整输入层与隐含层以及隐含层和输出层之间的权值和阈值，当神经网络输出值与目标值一致时训练停止，这种神经网络拥有很好的泛化能力。

BP神经网络的计算公式如下所示。

BP神经网络的工作过程是先将输入数据从输入层到隐含层经过加权求和再与阈值相减，之后通过Sigmoid函数进行映射获得隐含层输出数据，最后隐含层输出数据从隐含层到输出层再经过加权求和再与阈值相减，然后通过Sigmoid函数进行映射获得输出层的数据。常规的BP神经网络主要采用数据正向传播，误差反向传播的方式，根据误差值采用梯度下降的方法对网络的权值和阈值进行修正，从而不断使误差下降到预期数值，权值和阈值的修正公式如下所示。

改进遗传算法。

遗传算法（Genetic Algorithm，GA）最早是由美国的 John holland于20世纪70年代提出，该算法是根据大自然中生物体进化规律而设计提出的。传统遗传算法的工作原理是首先对输入数据进行编码，之后通过一定的概率进行选择交叉和变异运算直到选择出适应度最大的个体作为目标值输出，之后停止运算。

适应度函数的选择。

适应度函数是衡量种群中个体能力大小的标准，一般情况下会将目标函数选作遗传算法的适应度函数，本算法中采用误差平方的倒数作为适应度函数，公式如下所示。

选择算子的改进。

传统的遗传算法在工作过程中经常采用“轮盘赌”的方式，种群中个体被选中的概率是随机的，这种选择方式很有可能丢掉最优个体，在实际的运算过程中会产生较大的误差。因此，本文对选择算子进行改进，首先将种群个体利用排序法进行重新排列，重新排序之后每个个体被选择的概率公式如下所示。

交叉算子的改进。

传统的遗传算法在工作过程中一般会将交叉概率设为0.3-0.8之间的一个常数。在运算过程中，交叉概率设置过高会提高遗传算法的全局搜索能力，但染色体的适应能力会有所下降，而交叉概率设置的过低会降低遗传算法的全局搜索能力和收敛速度。本文对交叉算子进行改进，在算法迭代过程中会根据适应度的变化来调整交叉概率的变化，改进的交叉概率公式如下所示。

变异算子的改进。

传统的遗传算法在工作过程中一般会将变异概率设为0.001-0.1之间的一个常数。在遗传算法运算初期，种群个体的适应度相对平均适应度较低，所以需要将变异的概率设为较小的值，从而保留染色体中基因优良的个体。在遗传算法的后期，种群个体的适应度相对高于平均适应度，因此需要将变异的概率设为较大的值来提高遗传算法的局部搜索能力。本文对变异算子进行改进，在算法迭代过程中会根据适应度的变化来调整变异概率的变化，改进的变异概率公式如下所示。

试验结果分析。

在本次试验中，通过传感器采集空气温度、空气湿度和光照强度三种数据，一共1000组数据，将数据分成训练组和测试组队测试模型进行训练和测试。

随机分成两组数据，选取980组数据作为训练数据，选取20组数据作为测试数据，将980组数据输入预测模型中对模型进行训练后，将测试数据输入预测模型对模型进行检测，根据误差结果对预测模型进行评估。

表1 模型预测误差。

由表1中的数据中可知，IGA-BP模型的平均绝对误差、平均绝对百分率误差和均方根误差分别为0.0142、0.0004和0.0634，与BP模型相比，各项指标分别提高了0.0313、0.0011和0.1402，与GA-BP模型相比，各项指标分别提高了0.0255、0.0009和0.114。通过分析数据可知IGA-BP模型的预测效果更好。

本发明公开了一种基于改进遗传算法优化BP神经网络的土壤湿度预测方法。

遗传算法进行优化，对遗传算法的选择算子、交叉算子和变异算子的概率进行优化，从而提高遗传算法的优化性能；将改进的遗传算法用于优化BP神经网络，建立基于改进遗传算法优化BP神经网络的土壤湿度预测模型；通过对测试数据的分析表明，改进遗传算法优化BP神经网络具有更好的预测效果。