[发明专利]一种基于改进极限学习机的作物蒸腾量预测方法

摘要

本发明涉及一种基于改进极限学习机的作物蒸腾量预测方法，首先采集农田的土壤环境数据和气象数据并进行归一化得到训练集，然后采用训练集训练极限学习机网络并改进极限学习机，最后将再次采集的归一化后的数据输入到改进极限学习机中，由改进极限学习机输出预测得到的作物蒸腾量，改进极限学习机主要包括(1)采用基于波形叠加的函数作为极限学习机隐含层的激活函数；(2)采用粒子群优化算法优化极限学习机网络输入层与隐含层之间的输入权值和阈值。本发明的预测方法不仅提高了作物蒸腾量的预测精度，减少了预测时间损耗，同时还改善了传统极限学习机网络的泛化性能和预测稳定性能。

主权项

一种基于改进极限学习机的作物蒸腾量预测方法，其特征是，所述作物蒸腾量预测方法是基于改进极限学习机的作物蒸腾量预测方法，具体预测步骤如下：1)采集农田的土壤环境数据和气象数据；2)对步骤1)中采集的所有数据进行归一化得到训练集；3)采用训练集训练极限学习机网络并改进极限学习机，所述改进极限学习机是指采用基于波形叠加的函数作为极限学习机隐含层的激活函数，同时采用粒子群优化算法优化极限学习机网络输入层与隐含层之间的输入权值和阈值；4)再次采集农田的土壤环境数据和气象数据，并对采集的所有数据进行归一化，将归一化后的数据输入到改进极限学习机中，由改进极限学习机输出预测得到的作物蒸腾量；所述极限学习机的改进步骤如下：(1)初始化极限学习机网络结构输入参数，设置隐含层的激活函数g(x)，所述极限学习机网络的输入层为土壤环境数据和气象数据，输出层为作物蒸腾量，所述极限学习机网络的输入参数包括输入层数、隐含层节点和输出层数，所述输入层数由土壤环境数据和气象数据确定，所述隐含层节点为随机输入，所述输出层数为1，所述激活函数g(x)用于计算隐含层与输出层之间的输出权值，所述激活函数g(x)的方程式如下：g(x)=1π4ejw0xe-x2+arcsinh(x)≈cos(w0x)e-x2+arcsinh(x);]]>式中，w0为频率，w0＝1，j为虚数，x为归一化后的数据；(2)初始化粒子群参数，以极限学习机网络输入层与隐含层之间的输入权值和阈值为粒子，所有的输入权值和阈值组成粒子群，极限学习机网络的输入参数初始化后极限学习机网络输入层与隐含层之间的输入权值和阈值个数确定，根据极限学习机网络输入层与隐含层之间的输入权值和阈值个数随机初始化粒子向量维数和范围，粒子的初始化范围为[‑0.5,0.5]，所述粒子群参数包括种群的最大迭代次数kmax、种群大小popsize、粒子速度更新参数c1和c2，每个粒子的速度的取值范围为[‑0.5,0.5]，位置的取值范围为[‑0.5,0.5]；(3)以训练集作为输入数据训练极限学习机网络并根据粒子群优化算法中的适应度函数计算粒子的适应度，适应度函数RMSE的具体公式为：RMSE=Σi=1N(ET0-PM56(i)-ET0-predicted(i))2N;]]>式中，ET0‑PM56(i)为通过FAO‑56PM方程对第i粒子作物蒸腾量的计算值，单位为mm·day‑1，ET0‑predicted(i)为极限学习机对第i粒子作物蒸腾量的训练预测值，单位为mm·day‑1，N为输入样本的组数；(4)根据粒子群中粒子的适应度大小，得到粒子的个体最优位置Pid和全局最优位置Pgd，个体最优位置Pid和全局最优位置Pgd的更新准则为：Pid={Pi(RMSE(Pid)>RMSE(Pi))Pidelse;]]>Pgd={Pi(RMSE(Pgd)>RMSE(Pi))Pgdelse;]]>式中，Pi为第i粒子的位置信息，RMSE(Pi)为第i粒子适应度值，RMSE(Pgd)为全局最优粒子的适应度值，RMSE(Pid)为个体最优粒子适应度值；(5)根据粒子群优化算法动态跟踪个体最优位置Pid和全局最优位置Pgd来进行不断更新所有粒子的速度和位置，并根据适应度函数重新计算粒子适应度，更新个体最优位置Pid和全局最优位置Pgd；每次迭代过程中，粒子通过以下两个公式来更新自己本身的速度和位置：vidk+1=ωvidk+c1·r1·(pidk-xidk)+c2·r2·(pgdk-xidk);]]>xidk+1=xidk+vidk+1;]]>式中，ω为惯性权重，c1、c2是两个非负常数，定义为加速度因子，r1、r2是两个随机数，取值范围为[0,1]，k为当前的迭代次数，vid为第i粒子第d维的速度，d＝1,2,...,D，xid为第i粒子第d维的位置，个体最优位置Pid＝(pi1,pi2,...,piD)T，全局最优位置Pgd＝(pg1,pg2,...,pgD)T，vidk+1为第k+1次迭代第i粒子第d维的速度，vidk为第k次迭代第i粒子第d维的速度，Pidk为第k次迭代个体最优位置，xidk+1为第k+1次迭代第i粒子第d维的位置，Pgdk为第k次迭代全局最优位置，xidk为第k次迭代第i粒子第d维的位置；(6)判断粒子群优化算法是否达到最大迭代次数kmax，如果是则保存当前迭代的粒子群，当前迭代的粒子群即为粒子群优化算法优化的极限学习机网络输入层与隐含层之间的输入权值和阈值，否则步骤(5)继续迭代；(7)根据极限学习机网络隐含层的激活函数g(x)计算隐含层输出矩阵H，具体为：在极限学习机网络中给定N组样本{(Xs,ts)}，s＝1,...N，隐含层节点为则极限学习机网络结构如下：Σv=1N~βVg(WV·XS+bV)=tS]]>式中，Xs＝[Xs1,Xs2,...,Xsn]T∈Rn，ts＝[ts1,ts2,...,tsm]T∈Rm，Xs和ts分别代表输入变量和对应的输出变量，Wv＝[Wv1,Wv2,...,Wvn]T是连接第v隐含层节点与n个输入层之间的输入权值向量，bv是第v隐含层的阈值向量，βv＝[βv1,βv2,...,βvm]T是连接第v隐含层节点与m个输出层之间的权值向量，Wv·Xs表示求内积；上述方程变换得到：Hβ＝T；式中，H为隐含层输出矩阵，β为输出权值矩阵，T为期望输出矩阵，T中的元素为由FAO‑56PM方程计算得到的作物蒸腾量值，其中：H(W1,...,WN~,b1,...,bN~,X1,...,XN)=g(W1·X1+b1)...g(WN~·X1+bN~)···...···g(W1·XN+b1)...g(WN~·XN+bN~)N*N~,β=β1Tβ2T···βN~TN~*m,T=t1Tt2T···tLTN*m;]]>由于粒子群优化算法优化的输入层与隐含层之间的输入权值和阈值为确定值，则Wv和bv取值确定，可以计算出隐含层输出矩阵H；(8)计算极限学习机输出权值矩阵β，由输入隐含层节点激活函数g(x)、粒子群优化算法优化的极限学习机网络输入层与隐含层之间的输入权值和阈值、隐含层输出矩阵H和输出权值矩阵β得到改进极限学习机，保存改进极限学习机，所述计算极限学习机输出权值矩阵β的公式如下：式中，表示求矩阵H的Moore‑Penrose广义逆。