基于L-M优化算法的BP神经网络的作物需水量预测模型.PDFVIP

第 20 卷 第 6 期 农 业 工 程 学 报 V o l. 20　N o. 6 2004 年 11 月 T ransactions of the CSA E N ov. 　2004 73 基于 - 优化算法的 神经网络的作物需水量预测模型 L M B P 张　兵, 袁寿其, 成　立, 袁建平, 从小青 (江苏大学流体机械工程技术研究中心, 镇江 212013) ( ) 摘　要: 应用 - 优化算法 神经网络, 通过多维气象数据 太阳辐射、空气温度、湿度 与作物需水量的相关分析, 来 L M BP 确定网络的拓扑结构, 建立作物需水量的人工神经网络模型。用美国田纳西州大学高原实验室所测的 100 d 气象数据为输 入、作物需水量为输出来训练建立好的BP 神经网络, 仿真表明该神经网络能很好地解决需水量多影响因素之间的不确定 性和非线性, 模型的预测精度较高, 同时通过一组非样本天气环境参数和作物需水量来验证该神经网络, 也得到了较好的 预测结果, 能够满足灌溉的精度要求。 关键词: BP 神经网络; 作物需水量; L - M 优化算法; 预测模型 中图分类号: S274. 1　　　　文献标识码: A 　　　　文章编号:(2004) 层之间的连接权值分别为 和 。连接权的大小体 0　引　言 1kj 2kj 现神经元之间的连接强度。 中国是一个农业大国, 也是贫水大国, 人均水资源 3 1. 2　 网络的训练方法 占有量约2300 m , 约为世界人均水平 14, 而中国农业 BP 对网络进行训练是利用ANN 解决实际问题的前 又是用水大户, 农业用水占总供水的 80% 左右, 其中又 以农业灌溉为主。因此随着农业现代化进程的加快和工 提, 目的是由已知样本求得网络的连接权值。对于已训 业用水的不断增加, 中国农业必须走节水之路[ 1, 2 ]。 练好的网络, 若输入不在训练样本的一组数据时, BP 网 在节水农业中对作物需水量的计算极其重要, 通常 络利用训练过程得到的一组连接权值计算相应的响应 输出, 得到要解决实际问题的解答。 网络的训练方法 采用修正的 , 或者采用直接相关法, 即通 BP Penm an FAO 过长期观测, 利用气象数据, 选取其中的一个或多个因 为BP 算法, 其属于监督式算法。其主要思想是: