基于随机权重粒子群优化极限学习机的土壤湿度预测

发布时间：2024-02-29 03:02

　　土壤湿度的预测对农业生产和科学研究都有着重要的意义.针对极限学习机(ELM)回归模型预测结果受输入参数影响的问题,本文将随机权重的粒子群优化算法(RandWPSO)应用于ELM回归模型中,提出了一种基于随机惯性权重的粒子群优化极限学习机的土壤湿度预测方法.该方法是利用传感器测出的土壤温度和光照强度数据进行数据预处理,构建出训练样本集,并且建立ELM回归模型,利用随机权重的粒子群算法优化ELM中的输入权值和阈值,避免陷入局部最优,从而建立起基于RandWPSO-ELM土壤湿度预测模型.利用MATLAB仿真软件,构建随机权重的粒子群优化ELM的预测模型,并对呼兰地区大棚甜菜的土壤湿度进行实验.结果表明:该方法的精度高且稳定性好,能够为大棚甜菜的生长提供有效的参考依据.

【文章页数】：7 页

【部分图文】：

图1单隐含层前馈神经网络结构图

典型的单隐含层前馈神经网络结构图如图1所示．图中未知量表示如下：其中，Xq=[xq1,xq2,···,xqn]T,q=1,2,3,···,n为n个输入向量；g(x)为隐含层激励函数；{wij}n×l和{βjk}l×m分别为输入层到隐含层的权值矩阵和隐含层到输出层的权值矩阵；{bj....

图2RandWPSO-ELM算法流程图

在土壤水分预测模型中，数据是在一段时间内测量的气象因子，包括：土壤温度、光照强度和降雨量三种数据．数据预处理步骤：首先去除土壤温度、光照强度和降雨量数据中的最大值和最小值，并根据实际数据进行插值；然后，对三类处理后的数据进行归一化处理；最后，将处理后的数据合理分为训练组和测试组．....

图3RandWPSO-ELM的土壤预测模型框架图

图2RandWPSO-ELM算法流程图2.3评估标准

图4适应值变化迭代图

依据表1数据，MATLAB仿真适应值变化迭代如图4所示.图5测试数据预测结果图

本文编号：3914395