基于PCA-RBF神经网络的烟田土壤水分预测

《基于PCA-RBF神经网络的烟田土壤水分预测》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、万方数据第26卷2010釜第8期8月农业工程学报TransactionsoftheCSAE、，01．26No．8Aug．201085基于PCA．RBF神经网络的烟田土壤水分预测陈昌华1，谭俊2，尹健康3，张飞3，姚进1’2※(1．四川大学工商管理学院，成都610065：2．I四)EI大学制造科学与工程学院，成都610065；3．四川省凉山州烟草专卖局(公司)，西昌615000)摘要：为建立烟田土壤水分预测模型以利于烟区种植的规划和管理，该文提出了基于主元分析(PCA)与径向基函数(RBF)神经网络模型的烟田土壤水分预测方法。首先，利用FC

2、A消除原始输入层数据的相关性，以解决神经网络建模时输入变量过多、网络规模过大导致效率下降的问题：然后，以主元模型结果为输入建立土壤水分RBF神经网络预测模型。实例研究表明，烟田土壤水分PCA．RBF神经网络预测模型具有较好的预测效果，平均预测精度达到96．02％，与全要素误差反向传播(BP)神经网络和RBF神经网络相比，平均预测精度分别提高5．20％和6．06％，完全符合实际烟区种植规划的需求，为研究其他类型的土壤水分预测提供了参考。关键词：土壤水分，主元分析(PCA)，径向基函数网络，神经网络，模型，烟doi：10．3969／j．iss

3、n．1002—6819．2010．08．014中图分类号：S152．7文献标识码：A文章编号：1002—6819(2010)-08-0085-06陈昌华，谭俊，尹健康，等．基于PCA—RBF神经网络的烟田土壤水分预测[J]．农业工程学报，2010，26(8)：85--90．ChelaChanghua,TanJun，YinJiankang，eta1．PredictionforsoilmoistureintobaccofieldsbasedonPCAandRBFneuralnetwork[J]．TransactionsoftheCSAE，20

4、10，26(8)：85--90．(inChinesewithEnglishabstract)0引言烟田土壤水分的变化对烟叶的生长、产量和烟叶香气质、量以及肥料利用率、烟株根系生长、土传性病虫害等都有很大的影响I】】。因此，烟田土壤水分预测预报是烟草水土工程生产管理的重要依据，对烟区种植的规划尤其是确定施肥种类、数量以及烟草土传性病害预测预报具有重要的意义。土壤水分是一个复杂的非线性耦合系统，受外界环境等因素影响很大，在通常情况下，只有充分考虑影响其预测的各个因子，才能建立满足实际需要的预测模型【2】。常用的土壤墒情预测模型有经验公式’法【

5、M】、水量平衡法【7．s】、土壤水动力学法【9。01、时间序列模型法[11-12l等。这些方法在所需的边界条件都具备的情况下，大多数可以获得比较满意的结果，但在实际应用中存在以下问题：1)需要通过试验测定或通过统计分析得到符合条件的各种参数，由于自然条件千差万别，需要投入大量的人力物力，且建立的模型过于复杂，妨碍了模型的实际推广应用；2)传统水分预测模型需要输入的参数基本上是确定的，如果缺少其中的部分输入量，将严重影响模型的预测结果，而实际应用，多数参数很难获得，使模型难以应用。收稿日期：2009-01．18修订日期：2010-06-24

6、基金项目：国家烟草专卖局科技基金资助项目(110200801006)作者简介：陈昌华(1982一)，男。四川宜宾人，博士生，主要从事烟叶工业化生产的研究。成都四川大学工商管理学院，610065．Email：eeh_scu@yahoo．cn※通信作者：姚进(1958一)，男，四川犍为人，教授，博士生导师。主要从事机械制造及其自动化、工业工程方向的研究。成都四川大学制造科学与工程学院，610065。Email：iinya0163@163．coin近年来，为了建立理论基础坚实、形式相对简单、参数易于获得，并且能够满足实际需要的土壤墒情预测模型，

7、许多学者采用神经网络方法对土壤水分预测进行了研究，并且取得一定的成果[13-17】。由于神经网络不需要建立精确的数学模型，就能实现从输入端到输出端的非线性映射，因此在土壤水分预测中得到了广泛应用。目前，这些研究的特点与存在的问题有：1)大部分都是采用误差反向传播(backpropagation，BP)神经网络进行预测建模，而BP神经网络具有学习算法的收敛速度慢，模型的训练机时长，在训练过程中总体误差容易陷入局部极小等不足；2)影响土壤水分的因素种类众多且复杂多变，传统神经网络的预测方法是简单地把所有因素或人为地将部分主要因素作为神经网络的

8、输入。但是，由于各冈素之间具有较强的相关性，如果简单地将所有因素人为简化或合并，会造成大量有用信息的丢失或重叠，从而影响预测精度。针对上述现状，本文提出了基于主元分析与径向基函数(radial