通过传感器采集到的作物数据进行统一管理建立作物灾情数据集群池,Map-Reduce模型映射归类预处理后,再利用BP网络动态训练,最后利用权重归总输出预测结果。充分利用云计算技术优势在网络训练时动态调整计算资源,有效缩短训练周期,优化调整改进BP网络结构,从而提高系统的整体运行效率并且达到作物准确预警的目的。实践表明该模型收敛速度快,稳定性好,能够解决作物病情灾害预警问题,是作物综合防治的有效模型。 的数据信息未臻充分客观，导致智能算法模型预测存在准确性差、偏差大的问题，通过传感器采集作物生长的信息，包括作物生长环境的温湿度和土壤情况、预警模型的构建-电动折弯机数控滚圆机滚弧机缩管机张家港液压滚圆机滚弧机平均风速、光照强度、降雨量等，通过有针对性地采集存储影响作物生长的有关信息，在此基础上设计建立作物灾情数据集群池。面向集群池中大样本本文由公司网站张家港缩管机网站采集转载中国知网整理!  http://www.suoguanji.cn/、大数据处理，传统BP网络在计算资源的动态使用情况、训练周期长短等方面将面临严峻挑战，为了提高作物预警的准确度，本文对收集的大数据样本在加工经过了必要的数据预处理后，再利用BP网络进行动态训练，优化结构，算法流程如图1所示。图1算法流程Fig模型对作物灾情数据资源池进行数据映射归类预处理，研究给出的运作机制过程如图2所示。本文即是利用该运作机制处理海量作物灾情数据，满足网络训练对数据的处理要求。图2Map-Ｒeduce运作机制模型总体结构为了解析得到一个具备适应作物灾情海量数据处理能力的BP神经网络结构，本文采取在传统BP结构的基础上匹配指定一个数据处理模块和结果归总模块，前者是建立在海量数据并行处理上的，采用Google提出的分布式并行编程模型组织集群处理大规模数据集，即Map－Ｒeduce模型，后者是建立在动态调整加权归总输出的基础上。至此，本文则基于开源Hadoop云计算支撑平台，研究设计BP算法的Map－Ｒeduce并行海量数据处理作物预警模型。模型总体结构如图3所示。图3模型总体结构由图3可见，这里将给出模型总体结构中各个关键模块的技术功能展示，可做如下论述。1)数据处理模块。采用Map－Ｒeduce模型处理机制，作物灾情数据经过设定操作后分割转换为互不相交、最小分解预警模型的构建-电动折弯机数控滚圆机滚弧机缩管机张家港液压滚圆机滚弧机本文由公司网站张家港缩管机网站采集转载中国知网整理!  http://www.suoguanji.cn/