[发明专利]一种基于多参数融合的人工智能虫情预测的方法

权利要求书

1.一种基于多参数融合的人工智能虫情预测的方法，其特征在于，包括以下步骤：

步骤A，采集获得原始建模数据，选定检测到的害虫数量、检测的时间、所在地的经度、所在地的纬度、所在地的温度、所在地的湿度和所在地的大气压强的各项指标作为模型训练阶段的输入值，选定输入量所对应的那天害虫数量值作为模型训练阶段的期望输出值；

步骤B，根据所述选定输入量和期望输出量，构建BP神经网络模型，所述BP神经网络模型包括三层前馈神经网络结构，分别为输入层、隐含层和输出层，所述输入层的输入指标是所述选定输入量，所述输出层的输出指标为期望输出量；根据实际预测精度要求，设定期望误差E；

步骤C，用当前训练数据训练所述BP神经网络模型；

步骤D，根据当前测得的数据，模型应用，使用所述BP神经网络模型对虫情的发展情况进行预测。

2.如权利要求1所述的基于多参数融合的人工智能虫情预测的方法，其特征在于，所述输入层、隐含层和输出层均包括与与虫种类相对应的节点。

3.如权利要求2所述的基于多参数融合的人工智能虫情预测的方法，其特征在于，当所述虫种类有M种，所述输入层为M+7个节点，所述输出层M个节点，所述隐含层为M+50个节点。

4.如权利要求1所述的基于多参数融合的人工智能虫情预测的方法，其特征在于，所述隐藏层的激活函数采用Relu函数，所述输出层的激活函数采用线性函数。

5.如权利要求1所述的基于多参数融合的人工智能虫情预测的方法，其特征在于，所述步骤C包括步骤C1前向传输阶段和步骤C2后向传输阶段。

6.如权利要求5所述的基于多参数融合的人工智能虫情预测的方法，其特征在于，所述步骤C1包括：

步骤C11，从指标中取一个样本P_i、Q_j,将P_i输入网络；

步骤C12，计算出误差测度E_i和实际输出O_i；

步骤C13，重复调整权重，直到∑E_i＜ε。

7.如权利要求5所述的基于多参数融合的人工智能虫情预测的方法，其特征在于，所述步骤C2包括：

步骤C21，计算实际输出O_p与理想输出Q_i的差；

步骤C22，通过所述输出层的误差调整所述输出层权矩阵；

步骤C23，通过所述输出层的误差估计所述输出层的前导层的误差，以此获得其他各层的误差估计；

步骤C24，通过误差估计实现对权值矩阵的修改。

8.如权利要求6或权利要求7所述的基于多参数融合的人工智能虫情预测的方法，其特征在于，所述误差计算公式为

9.如权利要求7所述的基于多参数融合的人工智能虫情预测的方法，其特征在于，所述步骤C24包括形成将所述输出端的误差沿着与输出信号相反的方向逐级向所述输出端传递。