基于随机权重粒子群优化极限学习机的土壤湿度预测

土壤湿度的预测对农业生产和科学研究都有着重要的意义.针对极限学习机(ELM)回归模型预测结果受输入参数影响的问题,本文将随机权重的粒子群优化算法(RandWPSO)应用于ELM回归模型中,提出了一种基于随机惯性权重的粒子群优化极限学习机的土壤湿度预测方法.该方法是利用传感器测出的土壤温度和光照强度数据进行数据预处理,构建出训练样本集,并且建立ELM回归模型,利用随机权重的粒子群算法优化ELM中的输入权值和阈值,避免陷入局部最优,从而建立起基于RandWPSO-ELM土壤湿度预测模型.利用MATLAB仿真软件,构建随机权重的粒子群优化ELM的预测模型,并对呼兰地区大棚甜菜的土壤湿度进行实验.结果表明:该方法的精度高且稳定性好,能够为大棚甜菜的生长提供有效的参考依据.

粒子群优化BP算法在温室农作物所需空气湿度中的应用

人工智能化的推进,精准农业这个时代的代名词已经走进大众的视野。针对农作物不同生长时期对于空气湿度的不同需求,提出了粒子群算法优化的BP神经网络关于农作物空气湿度的预测研究算法。选择BP算法网络拓扑结构为2-5-1,改进PSO算法惯性权值,提出非线性惯性权值递减策略w=ws-(ws-we)f1tT,用改进的PSO算法训练BP算法,具有不使用梯度信息、跳出局部极值、降低算法的迭代次数和加快神经网络的训练速度等优势。根据MATLAB仿真的实验结果,提出的训练算法相对误差最低为0.0134。