基于深度置信網(wǎng)絡(luò)模型的土壤墑情預(yù)測(cè)方法和系統(tǒng)的制作方法
【專利摘要】本發(fā)明涉及一種基于深度置信網(wǎng)絡(luò)模型的土壤墑情預(yù)測(cè)方法和系統(tǒng)，該方法包括：采集土壤墑情和環(huán)境氣候數(shù)據(jù)；篩選關(guān)鍵環(huán)境因素；構(gòu)建數(shù)據(jù)庫(kù)；建立深度置信網(wǎng)絡(luò)模型；對(duì)深度置信網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；利用深度置信網(wǎng)絡(luò)模型對(duì)土壤墑情進(jìn)行預(yù)測(cè)。本發(fā)明提供的預(yù)測(cè)方法，采用深度置信網(wǎng)絡(luò)模型對(duì)土壤墑情進(jìn)行預(yù)測(cè)，在實(shí)質(zhì)上考慮到了各影響因子之間的相互作用，且需要的參數(shù)及邊界條件少很多，可以得到推廣，還可以有更多的隱含層，因此不需要大量的節(jié)點(diǎn)就能達(dá)到一定的預(yù)測(cè)效果，且更適合挖掘輸入向量間的復(fù)雜線性關(guān)系。利用本發(fā)明提供的預(yù)測(cè)方法預(yù)測(cè)土壤的水分盈缺情況，便于及時(shí)進(jìn)行做出節(jié)水灌溉、施肥決策和排水措施等，使農(nóng)作物處于最優(yōu)生長(zhǎng)狀態(tài)。
【專利說(shuō)明】
基于深度置信網(wǎng)絡(luò)模型的±壤墻情預(yù)測(cè)方法和系統(tǒng)
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及±壤分析技術(shù)領(lǐng)域，尤其是設(shè)及一種基于深度置信網(wǎng)絡(luò)模型的±壤墻 情預(yù)測(cè)方法和系統(tǒng)。
【背景技術(shù)】
[0002] ±壤墻情，即作物根系層的±壤含水狀況。±壤墻情與作物的生長(zhǎng)過(guò)程密切相關(guān)， 且在不同的生長(zhǎng)階段，其變化規(guī)律是不同的，而且，±壤墻情受降雨量、地面溫度和平均風(fēng) 速等環(huán)境因素的影響較大。為了精準(zhǔn)預(yù)測(cè)±壤墻情，必須充分考慮環(huán)境因素的影響和作物 生長(zhǎng)狀態(tài)，W實(shí)現(xiàn)按需灌概。因此，快速、準(zhǔn)確地預(yù)測(cè)±壤墻情，對(duì)于探明作物生長(zhǎng)發(fā)育期內(nèi) 的±壤水分盈缺狀況，做出節(jié)水灌概、施肥決策和排水措施都有重要意義。
[0003] 目前的±壤墻情預(yù)測(cè)方法主要有經(jīng)驗(yàn)推斷法、基于±壤水分平衡模型的預(yù)測(cè)方 法、基于±壤水分動(dòng)力學(xué)模型的預(yù)測(cè)方法和基于BP(Back Propagation,多層前饋)神經(jīng)網(wǎng) 絡(luò)模型的預(yù)測(cè)方法。
[0004] 其中，經(jīng)驗(yàn)推斷方法主要是分析與±壤墻情有關(guān)的環(huán)境因素和氣象因素，求出它 們與±壤墻情之間的相關(guān)系數(shù)，選擇相關(guān)系數(shù)較大的關(guān)鍵因子，進(jìn)而建立關(guān)鍵因子與±壤 墻情的多元回歸模型。該方法的缺點(diǎn)是沒(méi)有考慮到各影響因子之間的相互作用。
[0005] 基于±壤水分平衡模型的預(yù)測(cè)方法是從±壤水分平衡的角度出發(fā)分析和推導(dǎo)未 來(lái)的墻情變化，基于上壤水分動(dòng)力學(xué)模型的預(yù)測(cè)方法是從上壤水分動(dòng)力學(xué)原理的角度出發(fā) 分析和推導(dǎo)未來(lái)的墻情變化。運(yùn)兩種方法的優(yōu)點(diǎn)是原理簡(jiǎn)單，缺點(diǎn)是模型所需的參數(shù)和邊 界條件較多，在實(shí)際情況下難W全部滿足，因此預(yù)測(cè)方法不能得到推廣。
[0006] 基于BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)方法中BP神經(jīng)網(wǎng)絡(luò)的隱含層個(gè)數(shù)和權(quán)重初始值會(huì)對(duì) 預(yù)測(cè)效果產(chǎn)生很大影響。當(dāng)隱含層數(shù)量增大時(shí)，BP算法的計(jì)算復(fù)雜度會(huì)很大，因此BP神經(jīng)網(wǎng) 絡(luò)模型的隱含層一般為1-2層，稱為淺層神經(jīng)網(wǎng)絡(luò)。由于±壤墻情是一個(gè)連續(xù)的時(shí)間序列， 屬于非穩(wěn)態(tài)時(shí)間序列，而該預(yù)測(cè)方法也適合對(duì)非線性時(shí)間序列進(jìn)行預(yù)測(cè)，但是運(yùn)種方法存 在的缺點(diǎn)是：當(dāng)神經(jīng)網(wǎng)絡(luò)的隱含層較少時(shí)就需要大量的隱含節(jié)點(diǎn)才能到達(dá)一定的預(yù)測(cè)效 果，運(yùn)就使得建模的復(fù)雜度增大。對(duì)于一些復(fù)雜問(wèn)題，淺層神經(jīng)網(wǎng)絡(luò)很難建立輸入向量間的 復(fù)雜非線性關(guān)系。

【發(fā)明內(nèi)容】

[0007] 針對(duì)W上缺陷，本發(fā)明提供一種基于深度置信網(wǎng)絡(luò)模型的±壤墻情預(yù)測(cè)方法和系 統(tǒng)，至少可W解決上述現(xiàn)有的預(yù)測(cè)方法中存在的部分缺陷。
[000引第一方面，本發(fā)明提供的基于深度置信網(wǎng)絡(luò)模型的±壤墻情預(yù)測(cè)方法包括：
[0009] 采集預(yù)設(shè)采樣區(qū)的農(nóng)作物在第一預(yù)設(shè)時(shí)間段內(nèi)若干個(gè)第一時(shí)間點(diǎn)的±壤墻情及 所述預(yù)設(shè)采樣區(qū)在每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)，所述第一預(yù)設(shè)時(shí)間段在所述農(nóng)作物的 生長(zhǎng)周期內(nèi)；
[0010] 對(duì)每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)中各環(huán)境因素和該第一時(shí)間點(diǎn)的±壤墻情進(jìn) 行相關(guān)性分析，將相關(guān)性系數(shù)大于預(yù)設(shè)值的環(huán)境因素作為該第一時(shí)間點(diǎn)的±壤墻情的關(guān)鍵 環(huán)境因素；
[0011] 將每一第一時(shí)間點(diǎn)的±壤墻情、該±壤墻情的關(guān)鍵環(huán)境因素及該關(guān)鍵環(huán)境因素的 采集數(shù)據(jù)形成該第一時(shí)間點(diǎn)的數(shù)據(jù)集，將各個(gè)第一時(shí)間點(diǎn)的數(shù)據(jù)集形成數(shù)據(jù)庫(kù)；
[0012] 建立深度置信網(wǎng)絡(luò)模型，將所述數(shù)據(jù)庫(kù)中多個(gè)第一時(shí)間點(diǎn)的數(shù)據(jù)集輸入所述深度 置信網(wǎng)絡(luò)模型，并對(duì)所述深度置信網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；
[0013] 利用訓(xùn)練完成的深度置信網(wǎng)絡(luò)模型預(yù)測(cè)所述預(yù)設(shè)采樣區(qū)在第二預(yù)設(shè)時(shí)間段內(nèi)第 一時(shí)間點(diǎn)的±壤墻情，所述第二預(yù)設(shè)時(shí)間段與所述第一預(yù)設(shè)時(shí)間段在所述農(nóng)作物的同一生 長(zhǎng)周期內(nèi)。
[0014] 可選的，所述深度置信網(wǎng)絡(luò)模型包括一個(gè)輸入層、一個(gè)輸出層及設(shè)置在所述輸入 層和所述輸出層之間的多個(gè)隱含層，各個(gè)隱含層和所述輸入層中的任意兩相鄰層形成一個(gè) 受限玻爾茲曼機(jī)，所述輸出層與相鄰的隱含層形成一個(gè)BP神經(jīng)網(wǎng)絡(luò)模塊;每一層設(shè)置有預(yù) 設(shè)數(shù)量的節(jié)點(diǎn)，且相鄰層之間設(shè)置有連接權(quán)重矩陣。
[0015] 可選的，所述對(duì)所述深度置信網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，包括：
[0016] 在所述深度置信網(wǎng)絡(luò)模型的每一受限玻爾茲曼機(jī)中建立一訓(xùn)練目標(biāo)函數(shù)，所述訓(xùn) 練目標(biāo)函數(shù)的變量為該受限玻爾茲曼機(jī)中每一節(jié)點(diǎn)的狀態(tài)值、偏置值和該受限玻爾茲曼機(jī) 中兩層之間的連接權(quán)重矩陣，所述訓(xùn)練目標(biāo)函數(shù)的訓(xùn)練目標(biāo)是該受限玻爾茲曼機(jī)能量值最 ??；
[0017] 利用最大似然估計(jì)算法計(jì)算該受限玻爾茲曼機(jī)中的可選連接權(quán)重矩陣和每一節(jié) 點(diǎn)的可選偏置值；
[0018] 利用對(duì)比散列度算法進(jìn)行尋優(yōu)計(jì)算，在所述可選連接權(quán)重矩陣和每一節(jié)點(diǎn)的可選 偏置值篩選出最優(yōu)連接權(quán)重矩陣和每一節(jié)點(diǎn)的最優(yōu)偏置值。
[0019] 可選的，在所述利用訓(xùn)練完成的深度置信網(wǎng)絡(luò)模型預(yù)測(cè)所述預(yù)設(shè)采樣區(qū)的農(nóng)作物 在第二預(yù)設(shè)時(shí)間段內(nèi)每一第一時(shí)間點(diǎn)的±壤墻情之前，還包括：
[0020] 利用反向傳播算法計(jì)算所述深度置信網(wǎng)絡(luò)模型中每一節(jié)點(diǎn)的偏置值的誤差和每 一連接權(quán)重矩陣的誤差；
[0021] 利用得到的誤差對(duì)所述深度置信網(wǎng)絡(luò)模型每一節(jié)點(diǎn)的偏置值及每一連接權(quán)重矩 陣進(jìn)行修正。
[0022] 可選的，采用下式確定所述輸入層的節(jié)點(diǎn)數(shù)量：
[0023] Nl=ml*m2*m3
[0024] 其中，N1為輸入層的節(jié)點(diǎn)數(shù)量，ml為第一時(shí)間點(diǎn)的個(gè)數(shù)，m2為每一第一時(shí)間點(diǎn)的數(shù) 據(jù)集中±壤墻情與關(guān)鍵環(huán)境因素的個(gè)數(shù)之和，m3為每一第一時(shí)間點(diǎn)的數(shù)據(jù)集中關(guān)鍵環(huán)境因 素的采集數(shù)據(jù)和±壤墻情中每一數(shù)據(jù)的二進(jìn)制編碼平均位數(shù)。
[0025] 可選的，采用下式確定每一隱含層的節(jié)點(diǎn)數(shù)量：
[0026] N2=VNl+N3+al
[0027] 其中，N2為每一隱含層的節(jié)點(diǎn)數(shù)量，N1為所述輸入層的節(jié)點(diǎn)數(shù)量，N3為所述輸出層 的節(jié)點(diǎn)數(shù)量，al為大于等于0且小于等于10的整數(shù)。
[0028] 可選的，采用下式確定每一隱含層的節(jié)點(diǎn)數(shù)量；
[0029] 肥二巧 Nl±a2
[0030] 其中，N2為每一隱含層的節(jié)點(diǎn)數(shù)量，a2為大于等于ο且小于等于10的整數(shù)。
[0031] 可選的，采用下式確定所述輸出層的節(jié)點(diǎn)數(shù)量：
[0032] N3=ml*m4
[0033] 其中，N3為輸出層的節(jié)點(diǎn)數(shù)量，ml為所述第一預(yù)設(shè)時(shí)間段內(nèi)第一時(shí)間點(diǎn)的個(gè)數(shù)，m4 為每一第一時(shí)間點(diǎn)的數(shù)據(jù)集中±壤墻情的二進(jìn)制編碼位數(shù)。
[0034] 可選的，該方法還包括：
[0035] 將所述數(shù)據(jù)庫(kù)中未參與模型訓(xùn)練的數(shù)據(jù)集輸入所述深度置信網(wǎng)絡(luò)模型，得到±壤 墻情的預(yù)測(cè)值；
[0036] 計(jì)算±壤墻情的預(yù)測(cè)值與所述未參與模型訓(xùn)練的數(shù)據(jù)集中的±壤墻情采集值之 間的誤差，并根據(jù)該誤差確定所述深度置信網(wǎng)絡(luò)模型的預(yù)測(cè)精度。
[0037] 第二方面，本發(fā)明提供的基于深度置信網(wǎng)絡(luò)模型的±壤墻情預(yù)測(cè)系統(tǒng)包括：
[0038] 數(shù)據(jù)采集模塊，用于采集預(yù)設(shè)采樣區(qū)的農(nóng)作物在第一預(yù)設(shè)時(shí)間段內(nèi)若干個(gè)第一時(shí) 間點(diǎn)的±壤墻情及所述預(yù)設(shè)采樣區(qū)在每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)，所述第一預(yù)設(shè)時(shí)間 段在所述農(nóng)作物的生長(zhǎng)周期內(nèi)；
[0039] 相關(guān)性分析模塊，用于對(duì)每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)中各環(huán)境因素和該第一 時(shí)間點(diǎn)的±壤墻情進(jìn)行相關(guān)性分析，將相關(guān)性系數(shù)大于預(yù)設(shè)值的環(huán)境因素作為該第一時(shí)間 點(diǎn)的±壤墻情的關(guān)鍵環(huán)境因素；
[0040] 數(shù)據(jù)庫(kù)形成模塊，用于將每一第一時(shí)間點(diǎn)的±壤墻情、該±壤墻情的關(guān)鍵環(huán)境因 素及該關(guān)鍵環(huán)境因素的采集數(shù)據(jù)形成該第一時(shí)間點(diǎn)的數(shù)據(jù)集，將各個(gè)第一時(shí)間點(diǎn)的數(shù)據(jù)集 形成數(shù)據(jù)庫(kù)；
[0041 ]模型建立模塊，用于建立深度置信網(wǎng)絡(luò)模型，將所述數(shù)據(jù)庫(kù)中多個(gè)第一時(shí)間點(diǎn)的 數(shù)據(jù)集輸入所述深度置信網(wǎng)絡(luò)模型，并對(duì)所述深度置信網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；
[0042] 墻情預(yù)測(cè)模塊，用于利用訓(xùn)練完成的深度置信網(wǎng)絡(luò)模型預(yù)測(cè)所述預(yù)設(shè)采樣區(qū)在第 二預(yù)設(shè)時(shí)間段內(nèi)每一第一時(shí)間點(diǎn)的±壤墻情，所述第二預(yù)設(shè)時(shí)間段與所述第一預(yù)設(shè)時(shí)間段 在所述農(nóng)作物的同一生長(zhǎng)周期內(nèi)。
[0043] 本發(fā)明提供的預(yù)測(cè)方法，采用深度置信網(wǎng)絡(luò)模型對(duì)±壤墻情進(jìn)行預(yù)測(cè)，相對(duì)于現(xiàn) 有的經(jīng)驗(yàn)推斷方法，本發(fā)明采用的深度置信網(wǎng)絡(luò)模型在實(shí)質(zhì)上考慮到了各影響因子之間的 相互作用，因此預(yù)測(cè)準(zhǔn)確度相對(duì)于經(jīng)驗(yàn)推斷方法得到提高。而且，相對(duì)于基于±壤水分平衡 模型的預(yù)測(cè)方法和基于±壤水分動(dòng)力學(xué)模型的預(yù)測(cè)方法，本發(fā)明需要的參數(shù)及邊界條件少 很多，因此可W得到推廣。還有，相對(duì)于淺層神經(jīng)網(wǎng)絡(luò)模型，可W有更多的隱含層，因此不需 要大量的節(jié)點(diǎn)就能達(dá)到一定的預(yù)測(cè)效果，且更適合挖掘輸入向量間的復(fù)雜線性關(guān)系。根據(jù) 本發(fā)明提供的預(yù)測(cè)方法可W預(yù)測(cè)±壤的水分盈缺情況，進(jìn)行做出節(jié)水灌概、施肥決策和排 水措施等，既節(jié)約水源，也能使農(nóng)作物處于最優(yōu)生長(zhǎng)狀態(tài)。
【附圖說(shuō)明】
[0044] 通過(guò)參考附圖會(huì)更加清楚的理解本發(fā)明的特征信息和優(yōu)點(diǎn)，附圖是示意性的而不 應(yīng)理解為對(duì)本發(fā)明進(jìn)行任何限制，在附圖中：
[0045] 圖1示出了根據(jù)本發(fā)明基于深度置信網(wǎng)絡(luò)模型的±壤墻情預(yù)測(cè)方法一實(shí)施例的流 程示意圖；
[0046] 圖2示出了一種深度置信網(wǎng)絡(luò)模型的結(jié)構(gòu)示意圖；
[0047] 圖3示出了根據(jù)本發(fā)明基于深度置信網(wǎng)絡(luò)模型的±壤墻情預(yù)測(cè)系統(tǒng)一實(shí)施例的結(jié) 構(gòu)框圖。
【具體實(shí)施方式】
[0048] 為了能夠更清楚地理解本發(fā)明的上述目的、特征和優(yōu)點(diǎn)，下面結(jié)合附圖和具體實(shí) 施方式對(duì)本發(fā)明進(jìn)行進(jìn)一步的詳細(xì)描述。需要說(shuō)明的是，在不沖突的情況下，本申請(qǐng)的實(shí)施 例及實(shí)施例中的特征可W相互組合。
[0049] 在下面的描述中闡述了很多具體細(xì)節(jié)W便于充分理解本發(fā)明，但是，本發(fā)明還可 W采用其他不同于在此描述的其他方式來(lái)實(shí)施，因此，本發(fā)明的保護(hù)范圍并不受下面公開 的具體實(shí)施例的限制。
[0050] 本發(fā)明提供一種基于深度置信網(wǎng)絡(luò)模型的±壤墻情預(yù)測(cè)方法，如圖1所示，該方法 包括：
[0051] S1、采集預(yù)設(shè)采樣區(qū)的農(nóng)作物在第一預(yù)設(shè)時(shí)間段內(nèi)若干個(gè)第一時(shí)間點(diǎn)的±壤墻情 及所述預(yù)設(shè)采樣區(qū)在每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)，所述第一預(yù)設(shè)時(shí)間段在所述農(nóng)作物 的生長(zhǎng)周期內(nèi)；
[0052] S2、對(duì)每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)中各環(huán)境因素和該第一時(shí)間點(diǎn)的±壤墻情 進(jìn)行相關(guān)性分析，將相關(guān)性系數(shù)大于預(yù)設(shè)值的環(huán)境因素作為該第一時(shí)間點(diǎn)的±壤墻情的關(guān) 鍵環(huán)境因素；
[0053] S3、將每一第一時(shí)間點(diǎn)的±壤墻情、該±壤墻情的關(guān)鍵環(huán)境因素及該關(guān)鍵環(huán)境因 素的采集數(shù)據(jù)形成該第一時(shí)間點(diǎn)的數(shù)據(jù)集，將各個(gè)第一時(shí)間點(diǎn)的數(shù)據(jù)集形成數(shù)據(jù)庫(kù)；
[0054] S4、建立深度置信網(wǎng)絡(luò)模型，將所述數(shù)據(jù)庫(kù)中多個(gè)第一時(shí)間點(diǎn)的數(shù)據(jù)集輸入所述 深度置信網(wǎng)絡(luò)模型，并對(duì)所述深度置信網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；
[0055] S5、利用訓(xùn)練完成的深度置信網(wǎng)絡(luò)模型預(yù)測(cè)所述預(yù)設(shè)采樣區(qū)在第二預(yù)設(shè)時(shí)間段內(nèi) 第一時(shí)間點(diǎn)的±壤墻情，所述第二預(yù)設(shè)時(shí)間段與所述第一預(yù)設(shè)時(shí)間段在所述農(nóng)作物的同一 生長(zhǎng)周期內(nèi)。
[0056] 本發(fā)明提供的預(yù)測(cè)方法，采用深度置信網(wǎng)絡(luò)模型對(duì)±壤墻情進(jìn)行預(yù)測(cè)，相對(duì)于現(xiàn) 有的經(jīng)驗(yàn)推斷方法，本發(fā)明采用的深度置信網(wǎng)絡(luò)模型在實(shí)質(zhì)上考慮到了各影響因子之間的 相互作用，因此預(yù)測(cè)準(zhǔn)確度相對(duì)于經(jīng)驗(yàn)推斷方法得到提高。而且，相對(duì)于基于±壤水分平衡 模型的預(yù)測(cè)方法和基于±壤水分動(dòng)力學(xué)模型的預(yù)測(cè)方法，本發(fā)明需要的參數(shù)及邊界條件少 很多，因此可W得到推廣。還有，相對(duì)于淺層神經(jīng)網(wǎng)絡(luò)模型，可W有更多的隱含層，因此不需 要大量的節(jié)點(diǎn)就能達(dá)到一定的預(yù)測(cè)效果，且更適合挖掘輸入向量間的復(fù)雜線性關(guān)系。根據(jù) 本發(fā)明提供的預(yù)測(cè)方法可W預(yù)測(cè)±壤的水分盈缺情況，進(jìn)行做出節(jié)水灌概、施肥決策和排 水措施等，既節(jié)約水源，也能使農(nóng)作物處于最優(yōu)生長(zhǎng)狀態(tài)。
[0057] 可W理解的是，所謂的生長(zhǎng)周期包括幼苗期、生長(zhǎng)期、抽穗期、成熟期。第一預(yù)設(shè)時(shí) 間段可W是生長(zhǎng)周期內(nèi)的一天或幾天，例如Ξ天、五天。第一預(yù)設(shè)時(shí)間段內(nèi)的多個(gè)第一時(shí)間 點(diǎn)，例如每天的8點(diǎn)、12點(diǎn)、16點(diǎn)、20點(diǎn)、0點(diǎn)、4點(diǎn)。第二預(yù)設(shè)時(shí)間段，例如第一時(shí)間段之后的一 天或幾天，當(dāng)然，第二時(shí)間段內(nèi)的第一時(shí)間點(diǎn)應(yīng)與第一時(shí)間段內(nèi)的第一時(shí)間點(diǎn)對(duì)應(yīng)，例如8 點(diǎn)、12點(diǎn)、16點(diǎn)、20點(diǎn)、0點(diǎn)、4點(diǎn)，在實(shí)際預(yù)測(cè)是，可W僅預(yù)測(cè)某一個(gè)或某幾個(gè)第一時(shí)間點(diǎn)的± 壤墻情。
[0058] 在具體實(shí)施時(shí)，步驟S1的具體采樣過(guò)程可W包括：
[0059] 在作為預(yù)設(shè)采樣區(qū)的試驗(yàn)田內(nèi)均勻選定61個(gè)±壤墻情采樣點(diǎn)，在相同的±壤深度 埋下相同型號(hào)的傳感器，并設(shè)置相同的采樣頻率，用于采樣±壤墻情;在該試驗(yàn)田中設(shè)置b2 個(gè)氣象站，各氣象站內(nèi)的傳感器的采樣頻率與采集±壤墻情的傳感器相同，用于收集該試 驗(yàn)田的環(huán)境氣候數(shù)據(jù)。為避免采集的個(gè)別數(shù)據(jù)誤差較大，在同一時(shí)間點(diǎn)采集到的61個(gè)±壤 墻情中去掉最大值和最小值，然后求平均，得到該時(shí)間點(diǎn)的±壤墻情。同樣，在同一時(shí)間點(diǎn) 采集到的b2個(gè)環(huán)境氣候數(shù)據(jù)也可采用上述方法獲得該時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)。由于用于采 樣±壤墻情的傳感器和氣象站內(nèi)的傳感器采樣頻率相同，因此可W采集到多個(gè)時(shí)間點(diǎn)的± 壤墻情和環(huán)境氣候數(shù)據(jù)。
[0060] 可W理解的是，所謂的境氣候數(shù)據(jù)，是指降雨量、平均風(fēng)速、地面溫度、氣壓、最高 溫度等，有些因素對(duì)±壤墻情的影響較小，可W忽略，而有些因素對(duì)±壤墻情的影響較大， 必須要考慮。步驟S2可W采用軟件分析軟件對(duì)相關(guān)性進(jìn)行分析，得到在運(yùn)一時(shí)間點(diǎn)的±壤 墻情和各個(gè)環(huán)境因素之間的相關(guān)性系數(shù)。一般情況下，降雨量、地面溫度是比較關(guān)鍵的環(huán)境 因素。
[0061] 可W理解的是，一個(gè)數(shù)據(jù)集對(duì)應(yīng)一個(gè)時(shí)間點(diǎn)，例如在上午10點(diǎn)的±壤墻情為a、關(guān) 鍵環(huán)境因素為降雨量和地面溫度，關(guān)鍵環(huán)境因素的采集數(shù)據(jù)為在S1中采集到的數(shù)據(jù)，例如 降雨量為b、地面溫度為C。
[0062] 在具體實(shí)施時(shí)，S4中可W采用多種結(jié)構(gòu)的深度置信網(wǎng)絡(luò)模型，其中的一種結(jié)構(gòu)可 參考圖2，具體為:深度置信網(wǎng)絡(luò)模型包括一個(gè)輸入層、一個(gè)輸出層及設(shè)置在所述輸入層和 所述輸出層之間的多個(gè)隱含層，各個(gè)隱含層和所述輸入層中的任意兩相鄰層形成一個(gè)受限 玻爾茲曼機(jī)，所述輸出層與相鄰的隱含層形成一個(gè)BP神經(jīng)網(wǎng)絡(luò)模塊;每一層設(shè)置有預(yù)設(shè)數(shù) 量的節(jié)點(diǎn)，且相鄰層之間設(shè)置有連接權(quán)重矩陣。圖2中示出的隱含層為5,在圖2中共形成了 5 個(gè)受限玻爾茲曼機(jī)和1個(gè)BP神經(jīng)網(wǎng)絡(luò)模塊，圖中的W表示連接權(quán)重矩陣。
[0063] 在具體實(shí)施時(shí)，輸入層的節(jié)點(diǎn)數(shù)量可W有多種確定方法，例如采用下式確定輸入 層的節(jié)點(diǎn)數(shù)量：
[0064] Nl=ml*m2*m3
[0065] 其中，N1為輸入層的節(jié)點(diǎn)數(shù)量，ml為第一時(shí)間點(diǎn)的個(gè)數(shù)，m2為每一第一時(shí)間點(diǎn)的數(shù) 據(jù)集中±壤墻情與關(guān)鍵環(huán)境因素的個(gè)數(shù)之和，m3為每一第一時(shí)間點(diǎn)的數(shù)據(jù)集中關(guān)鍵環(huán)境因 素的采集數(shù)據(jù)和±壤墻情中每一數(shù)據(jù)的二進(jìn)制編碼平均位數(shù)。例如，關(guān)鍵環(huán)境因素為降雨 量、地面溫度，則m2為3。
[0066] 在具體實(shí)施時(shí)，每一隱含層的節(jié)點(diǎn)數(shù)量可W有多種確定方法，例如，采用下式確定 每一隱含層的節(jié)點(diǎn)數(shù)量：
[0067] N2=VNl+N3+al
[0068] 其中，N2為每一隱含層的節(jié)點(diǎn)數(shù)量，N1為所述輸入層的節(jié)點(diǎn)數(shù)量，N3為所述輸出層 的節(jié)點(diǎn)數(shù)量，al為大于等于0且小于等于10的整數(shù)。
[0069] 再例如，還可W采用下式確定每一隱含層的節(jié)點(diǎn)數(shù)量；
[0070] N2 = ^Nl±a2
[0071] 其中，N2為每一隱含層的節(jié)點(diǎn)數(shù)量，a2為大于等于0且小于等于10的整數(shù)。
[0072] 當(dāng)然，還可W采用輸入層節(jié)點(diǎn)數(shù)目的1.5倍、2倍、2.5倍等倍數(shù)關(guān)系確定每一隱含 層的節(jié)點(diǎn)數(shù)量。
[0073] 在具體實(shí)施時(shí)，輸出層的節(jié)點(diǎn)數(shù)量可W有多種確定方法，例如，采用下式確定輸出 層的節(jié)點(diǎn)數(shù)量：
[0074] N3=ml*m4
[0075] 其中，N3為輸出層的節(jié)點(diǎn)數(shù)量，ml為所述第一預(yù)設(shè)時(shí)間段內(nèi)第一時(shí)間點(diǎn)的個(gè)數(shù)，m4 為每一第一時(shí)間點(diǎn)的數(shù)據(jù)集中±壤墻情的二進(jìn)制編碼位數(shù)。
[0076] 在具體實(shí)施時(shí)，每一受限玻爾茲曼機(jī)的兩層之間可W采用Sigm激勵(lì)函數(shù)進(jìn)行激 活，而BP神經(jīng)網(wǎng)絡(luò)模塊的兩層之間可W采用線性函數(shù)進(jìn)行激活。
[0077] 在具體實(shí)施時(shí)，S4中所述深度置信網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程可W具體包括圖1中未示 出的：
[0078] S41、在所述深度置信網(wǎng)絡(luò)模型的每一受限玻爾茲曼機(jī)中建立一訓(xùn)練目標(biāo)函數(shù)，所 述訓(xùn)練目標(biāo)函數(shù)的變量為該受限玻爾茲曼機(jī)中每一節(jié)點(diǎn)的狀態(tài)值、偏置值和該受限玻爾茲 曼機(jī)中兩層之間的連接權(quán)重矩陣，所述訓(xùn)練目標(biāo)函數(shù)的訓(xùn)練目標(biāo)是該受限玻爾茲曼機(jī)能量 值最??；
[0079] S42、利用最大似然估計(jì)算法計(jì)算該受限玻爾茲曼機(jī)中的可選連接權(quán)重矩陣和每 一節(jié)點(diǎn)的可選偏置值；
[0080] S43、利用對(duì)比散列度算法進(jìn)行尋優(yōu)計(jì)算，在所述可選連接權(quán)重矩陣和每一節(jié)點(diǎn)的 可選偏置值中篩選出最優(yōu)連接權(quán)重矩陣和每一節(jié)點(diǎn)的最優(yōu)偏置值。
[0081] 例如，在輸入側(cè)的第一個(gè)受限玻爾茲曼機(jī)中建立的目標(biāo)訓(xùn)練函數(shù)為：
[0082] E(v,h) = - Σ ivi*bi- Σ jhj*cj- Σ uvi*hi*wi j
[0083] 其中，E(v，h)為該受限玻爾茲曼機(jī)的能量，Vi為該受限玻爾茲曼機(jī)為輸入層第i個(gè) 節(jié)點(diǎn)的狀態(tài)值，hj為與輸入層相鄰的隱含層中第j個(gè)節(jié)點(diǎn)的狀態(tài)值，bi為輸入層第i個(gè)節(jié)點(diǎn) 的偏置值，cj為與輸入層相鄰的隱含層中第j個(gè)節(jié)點(diǎn)的偏置值，wij為輸入層與該相鄰隱含 層之間的連接權(quán)重矩陣。上述的狀態(tài)值為0或1，1代表激活態(tài)，0代表非激活態(tài)。
[0084] 由于受限玻爾茲曼機(jī)中各節(jié)點(diǎn)狀態(tài)值的聯(lián)合概率分布P(v，h)服從玻爾茲曼分布：
[0085]
[0086] 進(jìn)而，輸入層的邊緣概率分布：
[0087]
[0088] 為使E(v，h)最小，即使p(v)最大，即受限玻爾茲曼機(jī)能量值最小。
[0089] 由于S42中利用最大似然估計(jì)算法進(jìn)行計(jì)算時(shí)，參數(shù)值可W有多種情況，因此S43 中采用對(duì)比散列度算法進(jìn)行求解，從中選擇出最優(yōu)的參數(shù)值。實(shí)驗(yàn)證明，W訓(xùn)練樣本為起 點(diǎn)，經(jīng)過(guò)一次狀態(tài)轉(zhuǎn)移就可W抵達(dá)玻爾茲曼分布，因此采用狀態(tài)轉(zhuǎn)移次數(shù)為1的對(duì)比散列度 算法即可。
[0090] 在BP神經(jīng)網(wǎng)絡(luò)模塊的具體訓(xùn)練時(shí)，可W采用kcr"+m線性函數(shù)計(jì)算輸出層中每一節(jié) 點(diǎn)的狀態(tài)值。
[0091 ]在具體實(shí)施時(shí)，本發(fā)明在進(jìn)行預(yù)測(cè)之前還可包括圖中未示出的：
[0092] 利用反向傳播算法計(jì)算所述深度置信網(wǎng)絡(luò)模型中每一節(jié)點(diǎn)的偏置值的誤差和每 一連接權(quán)重矩陣的誤差；
[0093] 利用得到的誤差對(duì)所述深度置信網(wǎng)絡(luò)模型每一節(jié)點(diǎn)的偏置值及每一連接權(quán)重矩 陣進(jìn)行修正。
[0094] 可W理解的是，所謂的反向傳播算法即BP算法。
[00M]運(yùn)樣做的好處是:通過(guò)反向微調(diào)的方式進(jìn)一步提高預(yù)測(cè)的精度。
[0096] 在具體實(shí)施時(shí)，本發(fā)明提供的預(yù)測(cè)方法還可W包括：
[0097] 將所述數(shù)據(jù)庫(kù)中未參與模型訓(xùn)練的數(shù)據(jù)集輸入所述深度置信網(wǎng)絡(luò)模型，得到±壤 墻情的預(yù)測(cè)值；
[0098] 計(jì)算±壤墻情的預(yù)測(cè)值與所述未參與模型訓(xùn)練的數(shù)據(jù)集中的±壤墻情采集值之 間的誤差，并根據(jù)該誤差確定所述深度置信網(wǎng)絡(luò)模型的預(yù)測(cè)精度。
[0099] 運(yùn)里的誤差可W為均方誤差，也可W為平均絕對(duì)值誤差。假如采用2Λ個(gè)時(shí)間點(diǎn)的 數(shù)據(jù)集進(jìn)行訓(xùn)練，則運(yùn)里可^采用剩余1/^3時(shí)間點(diǎn)的數(shù)據(jù)集的全部或部分進(jìn)行精確度計(jì)算。
[0100] 運(yùn)里，通過(guò)數(shù)據(jù)庫(kù)中未參與模型訓(xùn)練的數(shù)據(jù)輸入到深度置信網(wǎng)絡(luò)模型中，然后根 據(jù)預(yù)測(cè)的±壤墻情和實(shí)際采集到的±壤墻情確定深度置信網(wǎng)絡(luò)模型預(yù)測(cè)的精確度，通過(guò)深 度置信網(wǎng)絡(luò)模型預(yù)測(cè)的精確度與傳統(tǒng)預(yù)測(cè)方法的精確度進(jìn)行對(duì)比，實(shí)現(xiàn)對(duì)深度置信網(wǎng)絡(luò)模 型的驗(yàn)證。
[0101] 基于相同的發(fā)明構(gòu)思，本發(fā)明還提供一種基于深度置信網(wǎng)絡(luò)模型的±壤墻情預(yù)測(cè) 系統(tǒng)100，如圖3所不，該系統(tǒng)包括：
[0102] 數(shù)據(jù)采集模塊，用于采集預(yù)設(shè)采樣區(qū)的農(nóng)作物在第一預(yù)設(shè)時(shí)間段內(nèi)若干個(gè)第一時(shí) 間點(diǎn)的±壤墻情及所述預(yù)設(shè)采樣區(qū)在每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)，所述第一預(yù)設(shè)時(shí)間 段在所述農(nóng)作物的生長(zhǎng)周期內(nèi)；
[0103] 相關(guān)性分析模塊，用于對(duì)每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)中各環(huán)境因素和該第一 時(shí)間點(diǎn)的±壤墻情進(jìn)行相關(guān)性分析，將相關(guān)性系數(shù)大于預(yù)設(shè)值的環(huán)境因素作為該第一時(shí)間 點(diǎn)的±壤墻情的關(guān)鍵環(huán)境因素；
[0104] 數(shù)據(jù)庫(kù)形成模塊，用于將每一第一時(shí)間點(diǎn)的±壤墻情、該±壤墻情的關(guān)鍵環(huán)境因 素及該關(guān)鍵環(huán)境因素的采集數(shù)據(jù)形成該第一時(shí)間點(diǎn)的數(shù)據(jù)集，將各個(gè)第一時(shí)間點(diǎn)的數(shù)據(jù)集 形成數(shù)據(jù)庫(kù)；
[0105] 模型建立模塊，用于建立深度置信網(wǎng)絡(luò)模型，將所述數(shù)據(jù)庫(kù)中多個(gè)第一時(shí)間點(diǎn)的 數(shù)據(jù)集輸入所述深度置信網(wǎng)絡(luò)模型，并對(duì)所述深度置信網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；
[0106] 墻情預(yù)測(cè)模塊，用于利用訓(xùn)練完成的深度置信網(wǎng)絡(luò)模型預(yù)測(cè)所述預(yù)設(shè)采樣區(qū)在第 二預(yù)設(shè)時(shí)間段內(nèi)每一第一時(shí)間點(diǎn)的±壤墻情，所述第二預(yù)設(shè)時(shí)間段與所述第一預(yù)設(shè)時(shí)間段 在所述農(nóng)作物的同一生長(zhǎng)周期內(nèi)。
[0107] 在本發(fā)明中，術(shù)語(yǔ)"第一"僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性。 術(shù)語(yǔ)"多個(gè)"指兩個(gè)或兩個(gè)W上，除非另有明確的限定。
[0108] 雖然結(jié)合附圖描述了本發(fā)明的實(shí)施方式，但是本領(lǐng)域技術(shù)人員可W在不脫離本發(fā) 明的精神和范圍的情況下做出各種修改和變型，運(yùn)樣的修改和變型均落入由所附權(quán)利要求 所限定的范圍之內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于深度置信網(wǎng)絡(luò)模型的土壤墑情預(yù)測(cè)方法，其特征在于，包括： 采集預(yù)設(shè)采樣區(qū)的農(nóng)作物在第一預(yù)設(shè)時(shí)間段內(nèi)若干個(gè)第一時(shí)間點(diǎn)的土壤墑情及所述 預(yù)設(shè)采樣區(qū)在每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)，所述第一預(yù)設(shè)時(shí)間段在所述農(nóng)作物的生長(zhǎng) 周期內(nèi)； 對(duì)每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)中各環(huán)境因素和該第一時(shí)間點(diǎn)的土壤墑情進(jìn)行相 關(guān)性分析，將相關(guān)性系數(shù)大于預(yù)設(shè)值的環(huán)境因素作為該第一時(shí)間點(diǎn)的土壤墑情的關(guān)鍵環(huán)境 因素； 將每一第一時(shí)間點(diǎn)的土壤墑情、該土壤墑情的關(guān)鍵環(huán)境因素及該關(guān)鍵環(huán)境因素的采集 數(shù)據(jù)形成該第一時(shí)間點(diǎn)的數(shù)據(jù)集，將各個(gè)第一時(shí)間點(diǎn)的數(shù)據(jù)集形成數(shù)據(jù)庫(kù)； 建立深度置信網(wǎng)絡(luò)模型，將所述數(shù)據(jù)庫(kù)中多個(gè)第一時(shí)間點(diǎn)的數(shù)據(jù)集輸入所述深度置信 網(wǎng)絡(luò)模型，并對(duì)所述深度置信網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練； 利用訓(xùn)練完成的深度置信網(wǎng)絡(luò)模型預(yù)測(cè)所述預(yù)設(shè)采樣區(qū)在第二預(yù)設(shè)時(shí)間段內(nèi)第一時(shí) 間點(diǎn)的土壤墑情，所述第二預(yù)設(shè)時(shí)間段與所述第一預(yù)設(shè)時(shí)間段在所述農(nóng)作物的同一生長(zhǎng)周 期內(nèi)。2. 根據(jù)權(quán)利要求1所述的預(yù)測(cè)方法，其特征在于，所述深度置信網(wǎng)絡(luò)模型包括一個(gè)輸入 層、一個(gè)輸出層及設(shè)置在所述輸入層和所述輸出層之間的多個(gè)隱含層，各個(gè)隱含層和所述 輸入層中的任意兩相鄰層形成一個(gè)受限玻爾茲曼機(jī)，所述輸出層與相鄰的隱含層形成一個(gè) BP神經(jīng)網(wǎng)絡(luò)模塊;每一層設(shè)置有預(yù)設(shè)數(shù)量的節(jié)點(diǎn)，且相鄰層之間設(shè)置有連接權(quán)重矩陣。3. 根據(jù)權(quán)利要求2所述的預(yù)測(cè)方法，其特征在于，所述對(duì)所述深度置信網(wǎng)絡(luò)模型進(jìn)行訓(xùn) 練，包括： 在所述深度置信網(wǎng)絡(luò)模型的每一受限玻爾茲曼機(jī)中建立一訓(xùn)練目標(biāo)函數(shù)，所述訓(xùn)練目 標(biāo)函數(shù)的變量為該受限玻爾茲曼機(jī)中每一節(jié)點(diǎn)的狀態(tài)值、偏置值和該受限玻爾茲曼機(jī)中兩 層之間的連接權(quán)重矩陣，所述訓(xùn)練目標(biāo)函數(shù)的訓(xùn)練目標(biāo)是該受限玻爾茲曼機(jī)能量值最?。? 利用最大似然估計(jì)算法計(jì)算該受限玻爾茲曼機(jī)中的可選連接權(quán)重矩陣和每一節(jié)點(diǎn)的 可選偏置值； 利用對(duì)比散列度算法進(jìn)行尋優(yōu)計(jì)算，在所述可選連接權(quán)重矩陣和每一節(jié)點(diǎn)的可選偏置 值中篩選出最優(yōu)連接權(quán)重矩陣和每一節(jié)點(diǎn)的最優(yōu)偏置值。4. 根據(jù)權(quán)利要求2所述的預(yù)測(cè)方法，其特征在于，在所述利用訓(xùn)練完成的深度置信網(wǎng)絡(luò) 模型預(yù)測(cè)所述預(yù)設(shè)采樣區(qū)的農(nóng)作物在第二預(yù)設(shè)時(shí)間段內(nèi)每一第一時(shí)間點(diǎn)的土壤墑情之前， 還包括： 利用反向傳播算法計(jì)算所述深度置信網(wǎng)絡(luò)模型中每一節(jié)點(diǎn)的偏置值的誤差和每一連 接權(quán)重矩陣的誤差； 利用得到的誤差對(duì)所述深度置信網(wǎng)絡(luò)模型每一節(jié)點(diǎn)的偏置值及每一連接權(quán)重矩陣進(jìn) 行修正。5. 根據(jù)權(quán)利要求2所述的預(yù)測(cè)方法，其特征在于，采用下式確定所述輸入層的節(jié)點(diǎn)數(shù) 量： Nl=ml*m2*m3 其中，N1為輸入層的節(jié)點(diǎn)數(shù)量，ml為第一時(shí)間點(diǎn)的個(gè)數(shù)，m2為每一第一時(shí)間點(diǎn)的數(shù)據(jù)集 中土壤墑情與關(guān)鍵環(huán)境因素的個(gè)數(shù)之和，m3為每一第一時(shí)間點(diǎn)的數(shù)據(jù)集中關(guān)鍵環(huán)境因素的 采集數(shù)據(jù)和土壤墑情中每一數(shù)據(jù)的二進(jìn)制編碼平均位數(shù)。6. 根據(jù)權(quán)利要求2所述的預(yù)測(cè)方法，其特征在于，采用下式確定每一隱含層的節(jié)點(diǎn)數(shù) 量：其中，N2為每一隱含層的節(jié)點(diǎn)數(shù)量，N1為所述輸入層的節(jié)點(diǎn)數(shù)量，N3為所述輸出層的節(jié) 點(diǎn)數(shù)量，al為大于等于0且小于等于10的整數(shù)。7. 根據(jù)權(quán)利要求2所述的預(yù)測(cè)方法，其特征在于，采用下式確定每一隱含層的節(jié)點(diǎn)數(shù) 量； N2 = 2*N1 土 a2 其中，N2為每一隱含層的節(jié)點(diǎn)數(shù)量，a2為大于等于0且小于等于10的整數(shù)。8. 根據(jù)權(quán)利要求2所述的預(yù)測(cè)方法，其特征在于，采用下式確定所述輸出層的節(jié)點(diǎn)數(shù) 量： N3=ml*m4 其中，N3為輸出層的節(jié)點(diǎn)數(shù)量，ml為所述第一預(yù)設(shè)時(shí)間段內(nèi)第一時(shí)間點(diǎn)的個(gè)數(shù)，m4為每 一第一時(shí)間點(diǎn)的數(shù)據(jù)集中土壤墑情的二進(jìn)制編碼位數(shù)。9. 根據(jù)權(quán)利要求1所述的預(yù)測(cè)方法，其特征在于，還包括： 將所述數(shù)據(jù)庫(kù)中未參與模型訓(xùn)練的數(shù)據(jù)集中的關(guān)鍵環(huán)境因素和關(guān)鍵環(huán)境因素的采集 數(shù)據(jù)輸入所述深度置信網(wǎng)絡(luò)模型，得到土壤墑情的預(yù)測(cè)值； 計(jì)算土壤墑情的預(yù)測(cè)值與所述未參與模型訓(xùn)練的數(shù)據(jù)集中的土壤墑情采集值之間的 誤差，并根據(jù)該誤差確定所述深度置信網(wǎng)絡(luò)模型的預(yù)測(cè)精度。10. -種基于深度置信網(wǎng)絡(luò)模型的土壤墑情預(yù)測(cè)系統(tǒng)，其特征在于，包括： 數(shù)據(jù)采集模塊，用于采集預(yù)設(shè)采樣區(qū)的農(nóng)作物在第一預(yù)設(shè)時(shí)間段內(nèi)若干個(gè)第一時(shí)間點(diǎn) 的土壤墑情及所述預(yù)設(shè)采樣區(qū)在每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)，所述第一預(yù)設(shè)時(shí)間段在 所述農(nóng)作物的生長(zhǎng)周期內(nèi)； 相關(guān)性分析模塊，用于對(duì)每一第一時(shí)間點(diǎn)的環(huán)境氣候數(shù)據(jù)中各環(huán)境因素和該第一時(shí)間 點(diǎn)的土壤墑情進(jìn)行相關(guān)性分析，將相關(guān)性系數(shù)大于預(yù)設(shè)值的環(huán)境因素作為該第一時(shí)間點(diǎn)的 土壤墑情的關(guān)鍵環(huán)境因素； 數(shù)據(jù)庫(kù)形成模塊，用于將每一第一時(shí)間點(diǎn)的土壤墑情、該土壤墑情的關(guān)鍵環(huán)境因素及 該關(guān)鍵環(huán)境因素的采集數(shù)據(jù)形成該第一時(shí)間點(diǎn)的數(shù)據(jù)集，將各個(gè)第一時(shí)間點(diǎn)的數(shù)據(jù)集形成 數(shù)據(jù)庫(kù)； 模型建立模塊，用于建立深度置信網(wǎng)絡(luò)模型，將所述數(shù)據(jù)庫(kù)中多個(gè)第一時(shí)間點(diǎn)的數(shù)據(jù) 集輸入所述深度置信網(wǎng)絡(luò)模型，并對(duì)所述深度置信網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練； 墑情預(yù)測(cè)模塊，用于利用訓(xùn)練完成的深度置信網(wǎng)絡(luò)模型預(yù)測(cè)所述預(yù)設(shè)采樣區(qū)在第二預(yù) 設(shè)時(shí)間段內(nèi)每一第一時(shí)間點(diǎn)的土壤墑情，所述第二預(yù)設(shè)時(shí)間段與所述第一預(yù)設(shè)時(shí)間段在所 述農(nóng)作物的同一生長(zhǎng)周期內(nèi)。
【文檔編號(hào)】G06N3/08GK105825230SQ201610146190
【公開日】2016年8月3日
【申請(qǐng)日】2016年3月15日
【發(fā)明人】冀榮華, 張舒蕾, 高萬(wàn)林, 祁力鈞, 李鑫
【申請(qǐng)人】中國(guó)農(nóng)業(yè)大學(xué)