基于神經網絡的農田傳感器校正方法

文/付克蘭 張玲

中國是農業大國，隨著科技的高速發展，傳統農業已無法滿足智慧農業和現代農業的發展。傳感器是構成無線傳感網絡的基本單元，承擔著信息的采集與處理，其精度與穩定性直接影響著感知數據的準確度和可靠性，為了提高農田傳感器的測量精度，提高農業生產決策的準確性，研究神經網絡的農田傳感器校正方法，對發展現代農業和精準農業具有現實意義。

1 BP神經網絡

BP 神經網絡良好的逼近能力和成熟的訓練方法得到比較廣泛的應用，網絡要具有某種智能特性，必須有相應的學習方法與之結合，其最具吸引力的特點是它的學習能力，有導師訓練算法（圖1），采用Delta 規則：

wij(t+1)、wij(t)分別為不同時刻的強度，oj(t)、oj(t)為在時刻t 的輸出，η 表示給定的學習速率。

其中p 為輸入，t 為目標，e 為誤差。

神經元是神經網絡的基本處理單元，具有學習和記憶功能，BP 神經網絡由多個神經元組成，各神經網絡模型是由神經元之間不同的連接方式構成。三層BP 神經網絡模型的一般結構如圖2所示，由輸入層、隱含層、輸出層組成。

2 應用

本文以TZS-W 型便攜式土壤濕度測定儀所測的土壤濕度值為標準值，HL-TR 型土壤水分傳感器所測得的土壤含水率為測量值，選取16 組樣本數據作為BP 人工神經網絡的訓練集，網絡運用正向傳播對每層神經元單元進行處理，每次訓練中檢測實際輸出與標準值之間的誤差，運用反向傳播對隱層的各個神經元的權系數不斷進行修正，直至誤差達到要求為止，獲得BP 人工神經網絡的模型。選取5 組數據作為檢驗數據，檢測模型的性能，具體數值如表1、表2；訓練結果如圖3，校正結果如圖4。

表1：土壤濕度數據

表2：BP 網絡學習校正值

圖1：有導師學習方式

圖2：BP 神經網絡模型結構

圖3：訓練結果

圖4：校正結果

以上表明校正結果是準確、可靠的。

3 結語

隨著物聯網技術的高速發展，傳感器在農業中的應用越來越廣泛，人工智能神經網絡校正方法有助于提高農田信息采集的質量，有助于農業生產精準施策和管理，對提高農業智能化、發展精確農業有著重要意義，對提高經濟效益和社會效益具有現實意義。