农作物用水量预测及智能灌溉方法(9)

5.2.1 BP神经网络建模

(1)训练、测试样本、输入输出因子确定以及参数调整

首先确定训练样本和测试样本，同时，为了对神经网络模型的参数进行调优，还设计了用于参数调优的样本。因此将已知的12条样本分为三部分，其中前8条样本作为训练样本，第9条样本作为参数调优的样本，最后两条样本用来对模型进行测试，验证其适用性。

为了确定输入因子，将作物生长四个阶段的蒸发蒸腾量封装为四维向量，作为输入，将产量作为输出。

本文使用feedforwardnet建立神经网络，其中的参数值隐层节点的个数，隐层节点的选择是一个比较复杂的问题，通常根据设计者的经验和多次试验来确定，本文对隐层节点的选择采用的方法是：使用其中一个样本进行参数调优。

首先对前8条数据进行训练，得到一个BP模型存在net中，然后使用第8条数据通过多次试验对参数进行寻优，得到最优的隐层节点数为6,。

最后使用得到的模型对最后两条数据进行验证得到如下图所示的预测结果，左图为预测结果，有图为实际数据，可以看到，误差很小。

虽然可以看到误差不大，但是由于本问题中的已知样本只有12条，验证样本只有两条，并不能严谨的说明这个模型的精度，因此，我们后面讲采用另一种方法来建立一个优化的作物生产水分函数模型。