农作物用水量预测及智能灌溉方法(13)

实际产量的数据按下述公式作标准化处理。

x ij = ETa ij / E Tm j i = 1, 2,… , N , j = 1, 2,… , 4 （4）

yi = Ya i /Ym i = 1, 2,… , N（5）

式中xij , yi——处理后的作为训练样本的输入和输出,均为比值,无量纲。

将非充分灌溉处理(处理1～11)下的各阶段实际腾发量和实际产量按式( 4)、( 5)作标准化处理,分别得到矩阵X 和Y。

X=0.7643

0.7265

0.9041

0.86400.73860.7517

0.78980.68080.7181

0.81400.85730.7864

0.8920

0.8656

0.8758

0.69680.75300.7271

0.88910.68400.8803

0.82740.57660.7763

0.9487

0.9136

0.7468

1.00980.87090.7673

0.99600.81560.7271

0.74510.76340.8087

0.86700.8086

0.87850.9177

0.66880.8233

0.75940.6868

Y=

0.8065

0.6411

0.8561

0.6382

0.7733

0.7466

0.8888

0.8462

0.7111

0.7111

利用标准化处理之后的样本，利用遗传程序设计进行模型的自动寻优，最终得到最优的函数表达式。

将标准化之后得到的样本数据作为训练样本进行训练，得到了如下所示的作物生产函数：

对函数表达式的精度测量可以通过以下误差函数来衡量：

E rr=E rr

i

N

i=1=

f X i∙Y m−y i∙Y m

y i∙Y m

N

i=1

=

f X i−y i

y i

N

i=1

式中，E rr为相对绝对误差和；E rr

i

为第i组样本的相对绝对误差；X i=(x i1,x i1,…,x i t,)为第i组输入样本的向量表示；f X i为由遗传程序计算的第i组实际输出值；y i为第i组理想输出值；Y m为作物潜在产量，kg/hm2。误差越小，拟合的精度越高。

将得到的模型和乘法模型以及加法模型都使用上式所示的误差函数来衡量模型的拟合程度，得到如下图所示的的误差情况：

从图中可以看出：遗传算法的误差不是很理想，虽然BP网络的误差最小，但这并不能说明这个算法最优，因为BP模型是使用前8条数据进行训练，所以误差最小。（这段里面关于BP网络的误差遗传模型的误差要改）