1.一种基于遗传算法的小波神经网络番茄产量预测模型，其特征在于，本模型的输入变量包括以下特征参数：环境温度；环境湿度；灌溉量；氮肥投入量；磷肥投入量；钾肥投入量；CO2浓度；光照强度；

该模型由以下步骤建立：

随机生成一个初始种群Xm×n：

n＝s1×s2+s2×s3+s2+s3       (1)其中：m为初始种群数量，n为个体长度，个体长度既代表每个个体的基因值数量，也代表一个神经网络的初始权值数量；s1为输入层节点数；s2为隐含层节点数；s3为输出层节点数；

遗传算法通过计算初始种群中每个个体的输出误差值Ei，适应度值fi，并根据个体适应度值的值进行评估，选择初始种群中适应度值在预设范围A内的个体进入子种群继续进行优化训练：在子种群中，第i个个体进行交叉或变异操作的概率为pi，根据交叉率pc和变异率pm自适应函数来判断该个体是否需要进行交叉或遗传操作：式中：kc、km均为小于1的实数，fi为个体适应值；fc为要交叉的个体适应度值，fm为要变异的个体适应度值，fmax、分别为种群中最大适应度值和平均适应度值， 为种群的收敛程度；

剔除输入变量中偏差超过其年平均值±10％的数据，应用遗传算法对数据优化，数据动态范围的绝对值位于5％以内视为处理效果较好，将经过筛选与优化处理后的数据作为小波神经网络的输入数据并进行后续运算；

将经过上述处理后的特征参数作为小波神经网络模型的输入，温室番茄产量作为输出，其中，包括如下步骤：该模型选用的母小波函数为：

2

g(x)＝cos(1.75x)exp(‑x/2)      (7)x为母小波函数的自变量，表示产量预测模型的输入变量；

将母小波函数进行尺度和平移变换构造小波基函数：

其中，aj、bj分别为第j个隐含层节点的尺度因子和平移因子；

yk为模型的输出：

其中，xi(i＝1，2，...，I)为输入层第i个节点的输入，yk(j＝1，2，...，k)为输出层第j个节点的输出；

根据公式(9)可得到产量预测值，并与实际生产值进行比较，从而计算网络的预测误差，定义误差函数E为：其中，yk为输出层第k个节点的实际输出，tk为输出层第k个节点的目标输出；

根据梯度下降法调整输入层到隐含层的权值Wji和隐含层到输出层的权值Wkj、尺度因子aj(n+1)、平移因子bj(n+1)，公式如下：其中，公式(11)‑(14)中Wkj(n+1)、Wji(n+1)表示当前时刻权值，Wkj(n)、Wji(n)表示上一时刻权值，学习速率：η(η＞0)，动量因子：μ(0＜μ＜1)。

2.如权利要求1所述的一种基于遗传算法的小波神经网络番茄产量预测方法，其特征在于，误差值以百分数表示，则适应度值处于0～1范围内，A＝fi＞0.667。