基于Android平台的林木阶段性精准施肥系统设计与研究
发布时间：2021-06-26 20:53
在林业生产中,针对不同的林木种类、不同的土壤状况,要求计算出氮、磷、钾等肥的施肥用量,施肥预测模型作为杉木林精准施肥实施的关键,已经成为林业科学研究的一个热点。但是采用传统的基理施肥模型,有时往往不能得到令人满意的精度和稳定性。由于“互联网+”应用成熟广泛,未来利用“互联网+”助力发展智慧林业是一种不可阻挡的趋势。本文以广东省仁化县国营林场和始兴县刘家山林场主导林业——杉木林产业为例,运用灰色关联度分析方法确定影响林木施肥量关键性因素,采用三种神经网络建立林木施肥预测模型,将灰色关联度高的影响因素作为输入变量,确定以立地指数、林龄、优势木相关养分含量等参数作为神经网络输入,以实际施肥量作为输出。在验证三种预测模型的有效性之后,对比三种预测模型,结果表明,GRA-PSO-BP神经网络施肥模型优于GRA-Elman神经网络和GRA-LSTM算法施肥模型,预测施肥量与实际施肥量之间的误差在5%之内,能有效地指导阶段性精准施肥。因此,选取了预测精度高、稳定性好的GRA-PSO-BP神经网络作为林木施肥预测模型,最后完成基于Android平台的林木阶段性精准施肥预测系统的设计与研究。以下是本研究...
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
研究区域地理位置
数据来源与预测方法17根据给定的初始权值和阈值进行计算，最后得到输出数据。另一部分为计算实际输出预测施肥量与期望值施肥量之间的误差变化值δj(k)，然后转向反向传播，通过网络将误差信号δj(k)沿原来的连接通路反向传播回来修改各层神经元的权值ωij(jk)和阈值θj(k),直到达到目标精度为止。BPNN的隐含层可以为一层或多层，理论证明，单个隐含层的神经网络可以以任意精度逼近非线性函数，使得模型可以实现输入到输出的非线性映射。随着隐含层层数的增加，网络的输出误差会变小(陈啸等,2016)，所以隐含层层数的增加会提高网络的精度，但是会使得网络结构变得复杂，运行时间变长，甚至会导致过拟合现象。BPNN具有处理非线性映射的能力，自适应及良好的自学习能力，容错性强等特点。在不建立数学模型的前提下，可以实现林木所需施肥量与影响施肥效果的各因素之间的非线性映射，通过学习训练输入、输出数据之间的关系，实际输出值与预期值误差很大时，不断更新神经网络各层的权值和阈值，直至达到网络误差精度，更好地完善模型。图2.2BP神经网络结构Fig.2.2BPNNtopology式中i、j、k为各层神经元数目；输入层中xi为样本p中的任一输入信号，输入层与隐含层的权值和阈值分别为ωij、θj，隐含层与输出层权值和阈值分别为ωjk、θk；φ(·)、τ(·)分别表示隐含层和输出层激活函数。BP神经网络算法中，隐含层神经元在样本p作用时输入信号netj为
网络的收敛速度比较慢，容易陷入局部最优化，甚至在训练样本较少时，可能产生过拟合问题。粒子群算法具有较好的全局寻优能力，因此提出粒子群算法优化BPNN模型。粒子群优化算法是一种群体智能优化算法(聂铭等，2014;魏津瑜等，2013)，用速度，适应度值，位置这3个指标来表示粒子的运动特性，初始化潜在最佳解粒子后，粒子的速度决定了粒子的搜索方向和距离，适应度的值决定粒子的好坏，当粒子在预设空间中运动时，位置根据个体最优解和全局最优解不断变化，通过更新其适应度值，最小适应度值的粒子对应的位置即为最优解。如图2.3所示为粒子群中粒子在搜索区域离开它当前位置的运动，这个粒子即将要更新的运动速度vi+1是各种因素的组合，包括vi、vp、vG，分别是当前的粒子速度值、个体粒子过去的最佳经验速度值和种群粒子的最佳经验速度值。图2.3粒子群运动Fig.2.3.ParticlemovementinaswarmBPNN中每一层的权值和阈值可以用粒子群中的个体来表示，粒子群个体利用位置向量进行编码，最优种群粒子通过PSO算法迭代计算获取，最终解码后得到BPNN模型的全局最优权值和阈值，建立PSO-BPNN算法模型。步骤1定义GRA-PSO-BPNN模型的输入输出利用灰色关联度分析,以立地指数、林龄、优势木相关养分含量、优势木生物量、平均木生物量、目标产量、肥料利用率作为网络输入,以实际施肥量作为输出,因此输入层神经元个数x为7,输出层神经元个数y为1,隐层神经元m运用经验公式计算为
【参考文献】：
期刊论文
[1]MySQL数据库常见问题分析与研究[J]. 胡强. 电脑编程技巧与维护. 2019(12)
[2]Android的系统及应用的架构[J]. 吴珊. 电子技术与软件工程. 2019(03)
[3]基于粒子群算法和BP神经网络的多因素林火等级预测模型[J]. 王磊,郝若颖,刘玮,温作民. 林业工程学报. 2019(03)
[4]Android开发中Activity的生命周期[J]. 冉瑜琳. 电脑迷. 2018(09)
[5]我国“互联网+林业”的技术—产业—运作三维发展路径[J]. 吴琳,张智光. 世界林业研究. 2018(04)
[6]基于Elman神经网络的战斗机空战轨迹预测[J]. 张涛,郭基联,徐西蒙,吴军. 飞行力学. 2018(05)
[7]Android的四大组件[J]. 陈伟杰. 电脑迷. 2018(03)
[8]贵阳市桃树“3414”肥效试验分析[J]. 陈开富,吴道明,陆海,高廷江,文美跃. 耕作与栽培. 2017(02)
[9]基于PSO-BP算法的油菜籽干燥工艺参数的优化[J]. 朱光耀,谢方平,陈凯乐,代振维. 湖南农业大学学报(自然科学版). 2017(02)
[10]试析MySQL数据库性能的调优[J]. 王晓华. 电脑编程技巧与维护. 2016(22)
博士论文
[1]精准农业生产中若干智能决策问题研究[D]. 于合龙.吉林大学 2010
硕士论文
[1]基于LSTM的结构病态问题预测方法研究[D]. 田甜.长安大学 2019
[2]基于Android的农业信息推广平台设计与实现[D]. 于海礁.东北农业大学 2018
[3]基于Android平台的农业信息系统APP的设计实现[D]. 熊建军.石河子大学 2018
[4]基于Android的猕猴桃施肥系统设计与实现[D]. 杨煜岑.西北大学 2018
[5]基于Android平台的农技员田间信息采集与交流软件设计及实现[D]. 曹敏志.中南林业科技大学 2018
[6]基于Android平台的植物叶片识别系统[D]. 孙洋.河北大学 2017
[7]基于ArcGIS for Android的移动施肥推介系统研究与实现[D]. 赵鹏飞.西北大学 2014
[8]基于Android的森林资源数据外业采集系统研建[D]. 朱煜.北京林业大学 2014
[9]Android的架构与应用[D]. 马越.中国地质大学（北京） 2008
本文编号：3252065
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：79 页
【学位级别】：硕士
【部分图文】：
研究区域地理位置
数据来源与预测方法17根据给定的初始权值和阈值进行计算，最后得到输出数据。另一部分为计算实际输出预测施肥量与期望值施肥量之间的误差变化值δj(k)，然后转向反向传播，通过网络将误差信号δj(k)沿原来的连接通路反向传播回来修改各层神经元的权值ωij(jk)和阈值θj(k),直到达到目标精度为止。BPNN的隐含层可以为一层或多层，理论证明，单个隐含层的神经网络可以以任意精度逼近非线性函数，使得模型可以实现输入到输出的非线性映射。随着隐含层层数的增加，网络的输出误差会变小(陈啸等,2016)，所以隐含层层数的增加会提高网络的精度，但是会使得网络结构变得复杂，运行时间变长，甚至会导致过拟合现象。BPNN具有处理非线性映射的能力，自适应及良好的自学习能力，容错性强等特点。在不建立数学模型的前提下，可以实现林木所需施肥量与影响施肥效果的各因素之间的非线性映射，通过学习训练输入、输出数据之间的关系，实际输出值与预期值误差很大时，不断更新神经网络各层的权值和阈值，直至达到网络误差精度，更好地完善模型。图2.2BP神经网络结构Fig.2.2BPNNtopology式中i、j、k为各层神经元数目；输入层中xi为样本p中的任一输入信号，输入层与隐含层的权值和阈值分别为ωij、θj，隐含层与输出层权值和阈值分别为ωjk、θk；φ(·)、τ(·)分别表示隐含层和输出层激活函数。BP神经网络算法中，隐含层神经元在样本p作用时输入信号netj为
网络的收敛速度比较慢，容易陷入局部最优化，甚至在训练样本较少时，可能产生过拟合问题。粒子群算法具有较好的全局寻优能力，因此提出粒子群算法优化BPNN模型。粒子群优化算法是一种群体智能优化算法(聂铭等，2014;魏津瑜等，2013)，用速度，适应度值，位置这3个指标来表示粒子的运动特性，初始化潜在最佳解粒子后，粒子的速度决定了粒子的搜索方向和距离，适应度的值决定粒子的好坏，当粒子在预设空间中运动时，位置根据个体最优解和全局最优解不断变化，通过更新其适应度值，最小适应度值的粒子对应的位置即为最优解。如图2.3所示为粒子群中粒子在搜索区域离开它当前位置的运动，这个粒子即将要更新的运动速度vi+1是各种因素的组合，包括vi、vp、vG，分别是当前的粒子速度值、个体粒子过去的最佳经验速度值和种群粒子的最佳经验速度值。图2.3粒子群运动Fig.2.3.ParticlemovementinaswarmBPNN中每一层的权值和阈值可以用粒子群中的个体来表示，粒子群个体利用位置向量进行编码，最优种群粒子通过PSO算法迭代计算获取，最终解码后得到BPNN模型的全局最优权值和阈值，建立PSO-BPNN算法模型。步骤1定义GRA-PSO-BPNN模型的输入输出利用灰色关联度分析,以立地指数、林龄、优势木相关养分含量、优势木生物量、平均木生物量、目标产量、肥料利用率作为网络输入,以实际施肥量作为输出,因此输入层神经元个数x为7,输出层神经元个数y为1,隐层神经元m运用经验公式计算为
【参考文献】：
期刊论文
[1]MySQL数据库常见问题分析与研究[J]. 胡强. 电脑编程技巧与维护. 2019(12)
[2]Android的系统及应用的架构[J]. 吴珊. 电子技术与软件工程. 2019(03)
[3]基于粒子群算法和BP神经网络的多因素林火等级预测模型[J]. 王磊,郝若颖,刘玮,温作民. 林业工程学报. 2019(03)
[4]Android开发中Activity的生命周期[J]. 冉瑜琳. 电脑迷. 2018(09)
[5]我国“互联网+林业”的技术—产业—运作三维发展路径[J]. 吴琳,张智光. 世界林业研究. 2018(04)
[6]基于Elman神经网络的战斗机空战轨迹预测[J]. 张涛,郭基联,徐西蒙,吴军. 飞行力学. 2018(05)
[7]Android的四大组件[J]. 陈伟杰. 电脑迷. 2018(03)
[8]贵阳市桃树“3414”肥效试验分析[J]. 陈开富,吴道明,陆海,高廷江,文美跃. 耕作与栽培. 2017(02)
[9]基于PSO-BP算法的油菜籽干燥工艺参数的优化[J]. 朱光耀,谢方平,陈凯乐,代振维. 湖南农业大学学报(自然科学版). 2017(02)
[10]试析MySQL数据库性能的调优[J]. 王晓华. 电脑编程技巧与维护. 2016(22)
博士论文
[1]精准农业生产中若干智能决策问题研究[D]. 于合龙.吉林大学 2010
硕士论文
[1]基于LSTM的结构病态问题预测方法研究[D]. 田甜.长安大学 2019
[2]基于Android的农业信息推广平台设计与实现[D]. 于海礁.东北农业大学 2018
[3]基于Android平台的农业信息系统APP的设计实现[D]. 熊建军.石河子大学 2018
[4]基于Android的猕猴桃施肥系统设计与实现[D]. 杨煜岑.西北大学 2018
[5]基于Android平台的农技员田间信息采集与交流软件设计及实现[D]. 曹敏志.中南林业科技大学 2018
[6]基于Android平台的植物叶片识别系统[D]. 孙洋.河北大学 2017
[7]基于ArcGIS for Android的移动施肥推介系统研究与实现[D]. 赵鹏飞.西北大学 2014
[8]基于Android的森林资源数据外业采集系统研建[D]. 朱煜.北京林业大学 2014
[9]Android的架构与应用[D]. 马越.中国地质大学（北京） 2008
本文编号：3252065
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3252065.html
