首页|基于RBF神经网络的大豆种植密度和施肥量优化

基于RBF神经网络的大豆种植密度和施肥量优化

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
为解决使用传统回归模型对大豆种植密度及施肥量进行优化时存在的拟合精度低、优化结果不准确等问题,提出一种基于RBF神经网络的优化方法.将大豆种植密度、N、P2O5、K2O施用量作为试验因素,产量作为影响指标,选取黑河43作为试验材料,进行四因素五水平的正交旋转试验,获得各处理下大豆产量数据.对种植密度、施肥量与产量关系构建RBF神经网络拟合模型,对模型进行优化,得到最优种植密度42.65×104株·hm-2、施N量61.82 kg·hm-2、施P2O5量106.05 kg·hm-2、施K2O量19.81 kg·hm-2,该配比下大豆产量为3 821.48 kg·hm-2.对优化结果进行试验验证,最优配比下大豆实际产量为3 742.29 kg·hm-2,与优化结果相对误差为-2.17％,表明该方法有效,且优化结果准确.
Optimization of Soybean Planting Density and Fertilizer Application Rate Based on RBF Neural Network

梁旭光、王福林、赵红磊、董志贵

展开 >

东北农业大学工程学院,黑龙江哈尔滨150030

辽宁科技学院创新创业学院,辽宁本溪117004

神经网络 回归 优化 大豆 种植密度 施肥量

国家重点研发计划公益性行业科研专项

2018YFD0300105201503116-04

2020

10.11861/j.issn.1000-9841.2020.03.0406

大豆科学
黑龙江省农业科学院

大豆科学

CSTPCDCSCD北大核心
影响因子：0.641
ISSN：1000-9841
年,卷(期)：2020.39(3)
  • 2
  • 15