欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023113937717
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 控制;调节
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于玉米按需施肥的控制系统的土壤氮含量软测量方法,其特征在于,包括下列步骤:

1)设置玉米按需施肥的控制系统

玉米按需施肥的控制系统由控制单元(1)、电磁阀组(2)、施肥流量传感器组(3)、土壤PH传感器(4)、土壤湿度传感器(5)和无线数据传输单元(6)组成,其中电磁阀组(2)由12‑24个电磁阀组成,施肥流量传感器组(3)由12‑24个施肥流量传感器组成;控制单元(1)固接于施肥机机架(a)的上端;电磁阀组(2)的每个电磁阀固接于喷头(b)与施肥管(c)的输出孔之间;施肥流量传感器组(3)的每个施肥流量传感器固接于施肥管(c)上,且位于施肥管(c)的每个输出孔的右边;喷头(b)位于玉米苗(d)的正上方;土壤PH传感器(4)和土壤湿度传感器(5)与无线数据传输单元(6)连接,并置于土壤(e)中;电磁阀组(2)的12‑24个电磁阀和无线数据传输单元(6)由控制单元(1)控制;

2)对玉米不同施肥量的土壤进行采样,获取其施肥量数据,测量土壤PH值、土壤湿度、全氮含量、速效氮、水解氮,其中施肥量、土壤PH值、土壤湿度为模型的输入,全氮含量、速效氮、水解氮为模型的输出,构建土壤氮含量软测量模型训练数据集;

3)对步骤2)获得的数据进行归一化处理,其处理方式如下:

其中:y表示归一化处理后的参数数据;ymax表示归一化预期范围最大值;ymin表示归一化预期范围最小值;xmax表示每一行参数数据中的最大值;xmin表示每一行参数数据中的最小值;V表示实际参数值;

4)建立基于优化自适应变异‑优化惯性权重‑改进鲸鱼灰狼优化‑正弦余弦量子粒子群优化算法优化BP神经网络的土壤氮含量软测量模型,进行土壤氮含量软测量:

4.1建立3层BP神经网络拓扑结构,3层为输入层、隐含层和输出层,输入层的节点数目为3,隐含层的节点数目为H,输出层的节点数目为3,向输入层中输入训练数据集样本中的施肥量、土壤PH值、土壤湿度数据,最终对应有相应的期望输出和实际输出;初始化BP神经网络的各层节点数、权值、阈值;

4.2利用优化自适应变异‑优化惯性权重‑改进鲸鱼灰狼优化‑正弦余弦量子粒子群优化算法对BP神经网络进行优化,包括下列步骤:

4.2.1确定优化自适应变异‑优化惯性权重‑改进鲸鱼灰狼优化‑正弦余弦量子粒子群优化算法中的粒子维度Pd,其计算方式为:其中:in为BP神经网络输入层神经元数目;out为BP神经网络输出层神经元数目;

4.2.2确定粒子适应度函数,计算每个粒子的适应度,粒子适应度函数计算方式为:其中:Yj示第j个粒子期望输出;yj示第j个粒子实际输出;

4.2.3根据适应度大小划分优化自适应变异‑优化惯性权重‑改进鲸鱼灰狼优化‑正弦余弦量子粒子群优化算法α、β、δ个体;

4.2.4根据WGWO算法,在α、β、δ个体引导作用下更新粒子位置,粒子位置更新的方式如下:(1)接近最优解

每个粒子以下列方式接近最优解:

其中,D为粒子与最优解间的欧几里得距离;x(p(t))为最优解的位置;xt为接近最优解过程开始前的粒子位置;xt+1为接近最优解过程结束后的粒子位置;A、C为变量系数;p为收缩因子,从2线性递减至0;r1、r2为2个不相同的[0,1]间随机数;

(2)搜索最优解

每个粒子以下列方式实现搜索最优解:

其中:q取α,β,δ;Dq为q粒子到每个粒子间的欧几里得距离;xl为每个粒子向q粒子移动的距离;x1为每个粒子向α粒子移动的距离;x2为每个粒子向β粒子移动的距离;x3为每个粒子向δ粒子移动的距离;b为对数螺旋形状常数;R为[‑1,1]间随机数;r3、r4为[0,1]间随机数;rand[0,t]为区间[0,t]内产生的随机数;rand[0,T]为区间[0,T]内产生的随机数;

为搜索最优解后的粒子位置;变量系数的Al、Cl确定方式同A、C;

4.2.5再次计算粒子适应度;

4.2.6根据适应度大小,对粒子进行速度更新及位置的二次更新:

对粒子群算法惯性权重进行优化,并将优化后的惯性权值引入WGWO算法,优化惯性权重的更新公式如下:其中: 表示递减惯性权值; 表示递增惯性权值; 表示最大惯性权重; 表示最小惯性权重; 表示迭代次数;表示第 次迭代;

在灰狼算法追捕猎物公式、粒子群算法粒子速度更新公式、粒子群算法粒子位置更新公式均引入优化惯性权重来对粒子进行迭代更新;

4.2.7对粒子位置进行三次更新:

当区间[0,t]内产生的随机数满足变异条件,即满足rand[0,t]>rand[0,T]时,基于改进自适应变异算法,对粒子位置进行三次更新,更新公式如下:其中:r7表示在区间[0,1]内产生的随机数; 表示更新后粒子的位置;

4.2.8将粒子更新三次结果赋值给BP神经网络的权值和阈值;当前粒子群迭代更新产生的适应度值小于上一代粒子群迭代更新产生的适应度值时,更新个体极值与群体极值,反之则进入终止条件的判断;

粒子群更新迭代数满足终止条件则停止更新,BP神经网络获取到最优的权值和阈值;

反之则返回步骤4.2继续对BP神经网络的权值和阈值进行更新;

5)将采集的实时施肥量、土壤PH值、土壤湿度数据输入步骤4)建立的土壤氮含量软测量模型中,输出土壤的全氮含量、速效氮、水解氮含量。

2.根据权利要求1所述的土壤氮含量软测量方法,其特征在于,所述的步骤4.1中,参数H的选取规则如下:其中:σ为 1~10 间的整数,a、b、c取正整数;据此确定H取值范围;以训练集数据分别训练不同H取值时的BP神经网络,得出相应的网络训练精度误差,最终取网络训练精度误差最低相对的H。

3.根据权利要求1所述的土壤氮含量软测量方法,其特征在于,所述的步骤4.2.6中的粒子速度更新方式如下:其中:vt+1为更新后的粒子移动速度;c1为个体学习因子;c2为社会学习因子;rand1、rand2为两个互不相同的[0,1]间的随机数;pbest为粒子目前的个体最优解;gbest为粒子目前的全局最优解。

4.根据权利要求1所述的土壤氮含量软测量方法,其特征在于,所述的步骤4.2.6中的粒子位置更新方式如下:其中: 表示更新后从群中粒子的位置;pibest表示从群中第i个粒子的个体最优位置;r5、r6为[0,1]间随机数;N表示粒子总数;u表示区间[0,1]内的随机数;pbest(t)表示当前粒子到目前为止出现的最优位置;gbest(t)表示所有粒子到目前为止出现的最优位置。