买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：一种基于磷虾群算法改进BP神经网络模型的非饱和土壤水力参数预测方法，将磷虾群算法引入到BP神经网络中，利用磷虾群的寻优机理对BP神经网络模型的网络权重和阈值进行优化，对影响因素进行相关性分析，筛选出输入输出指标，构建非饱和土壤水力参数预测模型，利用经过归一化处理的模型进行学习和训练，完成对非饱和土壤水力参数的预测。本发明解决了因土壤环境和大气降水等影响因素对土壤水力参数的综合影响以及非饱和土壤水力参数本身存在区域变异性而导致的非饱和土壤水力参数难以精准预测的问题，并且能够有效地建立各因素与非饱和土壤水力参数间的函数映射关系，实现对不同空间范围非饱和土壤水力参数的精准预测提供理论支撑与模型参考。

主权项：1.一种基于磷虾群算法改进BP神经网络模型的非饱和土壤水力参数预测方法，其特征在于，包括以下步骤：步骤S1：获取土壤理化性质和年均降雨量数据，对数据进行预处理，包括归一化处理、相关性分析；步骤S2：利用磷虾群算法的寻优机理对BP神经网络模型的网络权重和阈值进行优化，构建KHA-BP神经网络模型；步骤S2.1，采用磷虾群优化算法寻找最优的迭代权重和阈值参数，根据迭代权重和阈值参数的范围初始化种群X＝{X1，X2，X3…Xn}，计算均方误差作为每个种群的适应度K＝{K1，K2，K3…Kn}；种群速度的更新公式为： 式中，Ni为邻居磷虾的诱导运动，Fi为磷虾群体的觅食运动，Di为磷虾群体的物理扩散；磷虾种群个体根据种群的速度移动到下一个位置，完成一次位置更新；诱导运动是邻居种群对于当前种群的影响，其表达式为： 式中，αi为诱导方向，由邻居位置和最优适应度个体位置决定；wn为惯性权重在[0,1]范围之内；为先前诱导运动；Nmax为最大的诱导速度；觅食运动是寻找食物的中心位置，即最佳权重和阈值参数的位置对于种群的吸引，其表达式为： 式中，Vf为觅食速度；Bi为觅食方向，由食物和最优适应度个体位置决定；为先前觅食运动；wf为惯性权重在[0,1]范围之内；物理扩散为种群随机行为，随迭代次数的增加而减少； 式中，I为迭代次数；δ为随机方向矢量，在[-1,1]之间；Dmax为最大扰动速度；Imax为迭代总数；完成位置更新之后，采用基因繁殖机制，使用交叉操作对种族进行更新，然后继续下一次迭代；迭代完成后，获得最优适应度的种群位置，即为最优磷虾种群；步骤S2.2，利用最优磷虾种群对BP神经网络模型中的权重和阈值进行优化；步骤S3：在KHA-BP神经网络模型的基础上，选取输入输出指标，构建基于KHA-BP的非饱和土壤水力参数预测模型；步骤S3.1，输入输出指标的选择：选取经步骤S1相关性分析筛选出的与土壤水力参数相关的土壤理化性质和年均降雨量数据作为输入变量，选取土壤水分特征曲线的VanGenuchten模型参数和土壤非饱和导水率K作为输出变量，则非饱和土壤水力参数预测模型的输入输出变量为：输入变量：x1＝粘粒含量，x2＝粉粒含量，x3＝砂粒含量，x4＝土壤容重，x5＝有机质含量，x6＝土壤孔隙度，x7＝pH，x8＝年均降雨量；输出变量：y1＝土壤残余含水率，y2＝土壤饱和含水率、y3＝尺度参数，y4＝形状参数，y5＝土壤非饱和导水率；其中，土壤水分特征曲线的VanGenuchten模型参数包括土壤饱和含水率θs、土壤残余含水率θr、尺度参数a和形状参数n；步骤S3.2，根据步骤S3.1得到的输入输出变量建立基于KHA-BP的非饱和土壤水力参数预测模型的样本数据集，并使用mapminmax归一化函数对数据集中的数据进行归一化处理，过程为： 式中，Xi为样本数据集X的环境数据；ximin和ximax分别为归一化之前的最小值和最大值，完成对样本数据集归一化操作，归一化后数据样本集X′＝{x′1，x′2，x′3，x′4，x′5，x′6，x′7，x′8}，直接用于非饱和土壤水力参数预测模型建立所需要的输入输出变量；步骤S3.3，根据步骤S3.1中选取的输入输出变量，确定网络结构的输入层、输出层及隐含层的层数，非饱和土壤水力参数预测模型的输入层的节点数m＝8，输出层节点数n＝5，其中隐含层神经元的个数通过下式确定 式中，S为隐含层节点数目，m为输入层节点数目，n为输出层节点数目，a为1～10之间的调节常数；步骤S3.4，激活函数的选取，输入层采用tansig激活函数，输出层采用purelin激活函数，选取trainlm函数作为非饱和土壤水力参数预测模型的训练函数；步骤S3.5，采用RSME和数据统计指标决定系数R2来对非饱和土壤水力参数预测模型的预测结果进行评估；决定系数R2的数学形式如下： 式中，yi是实际值，fi是预测值，是实际值的平均值，i为样本数据集中数据序号；当预测值越接近于实际值，即拟合程度越高，两者之间的残差就会越小，残差平方和∑iyi-fi2就会相应减少；均方根误差的计算方式如下所示： 式中，t为数据集中数据个数；RMSE是均方误差的平方根，均方误差是预测值与真实值偏差的平方与观测次数的比值，有效衡量观测值同真值之间的偏差；RMSE越大，说明偏差越大，模型拟合程度越低；步骤S4：利用经过归一化处理的数据集对步骤S3中建立的基于KHA-BP的非饱和土壤水力参数预测模型进行学习和训练，最终完成对土壤水力参数的预测；步骤S4.1，训练数据集的选择策略，利用步骤S3.2中经过归一化处理的数据集，从中选择70％的数据集作为训练数据集，剩余30％的数据集作为测试数据集；步骤S4.2，磷虾群算法中关键参数的设置，磷虾的种群数量popsize＝30，磷虾群的决策变量上界值为ub＝3，磷虾群的决策变量下界值lb＝-3，最大迭代次数maxgen＝50，其中变量的维数D＝89，在步骤S3.3的基础上通过如下公式计算：D＝m×s+s+s×n+n9式中，m，n，s分别为网络的输入层神经元、输出层神经元以及隐藏层神经元的个数；步骤S4.3，在步骤S4.2中磷虾群算法参数设置的基础上，使用步骤S4.1中选择的训练数据集对基于KHA-BP的非饱和土壤水力参数预测模型进行训练，在网络训练过程中相关的参数设置：学习速率为0.01，训练次数为1000，最小训练误差为0.00001；步骤S4.4，通过步骤S4.1～S4.3训练得到了基于KHA-BP的非饱和土壤水力参数预测模型，使用步骤S4.1中选择的测试数据集，对模型的预测效果进行测试统计分析和实验仿真。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于磷虾群算法改进BP神经网络模型的非饱和土壤水力参数预测方法