一种基于人工智能的中草药栽培及药性鉴定标准制定系统技术方案

本发明专利技术提供了一种基于人工智能的中草药栽培及药性鉴定标准制定系统，其特征在于，中草药种植于培养箱内；系统，包括监测端和服务器端；监测端设置于培养箱内；监测端，用于获取培养箱内的环境信息和中草药植物的生长信息，并将环境信息和生长信息向服务器端传输；服务器端，包括数据处理模块、模型构建模块和存储模块；数据处理模块，用于对环境信息和生长信息进行数值化处理，获取环境数据和生长数据；模型构建模块，用于根据环境数据和生长数据，获取中草药植物的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中至少一种，并向存储模块传输进行存储。

A System for Establishing Standards for Cultivation and Characterization of Chinese Herbal Medicine Based on Artificial Intelligence

【技术实现步骤摘要】
一种基于人工智能的中草药栽培及药性鉴定标准制定系统
本专利技术涉及栽培
，特别涉及一种基于人工智能的中草药栽培及药性鉴定标准制定系统。
技术介绍
中药主要由植物药(根、茎、叶、果)和矿物药组成。因植物药占中药的大多数，所以中药也称中草药。中国各地使用的中药已达5000种左右，把各种药材相配伍而形成的方剂，更是数不胜数。随着人类社会的不断发展，人们开始自己种植中草药；但由于中草药生长环境的差异，人工种植生长出来的中草药良莠不齐，从而使得人工种植的中草药产量较低、不易成活，难以培育。因此，急需一种基于人工智能的中草药栽培及药性鉴定标准制定系统。
技术实现思路
为解决上述技术问题，本专利技术提供一种基于人工智能的中草药栽培及药性鉴定标准制定系统，用以解决传统技术中人工种植中草药产量较低、不易成活的问题。本专利技术实施例中提供了一种基于人工智能的中草药栽培及药性鉴定标准制定系统，所述中草药种植于培养箱内；所述系统，包括监测端和服务器端；其中，所述监测端设置于培养箱内；所述监测端，用于获取所述培养箱内的环境信息和所述中草药植物的生长信息，并将所述环境信息和生长信息向所述服务器端传输；所述服务器端，包括数据处理模块、模型构建模块和存储模块；所述数据处理模块，用于对所述环境信息和生长信息进行数值化处理，获取环境数据和生长数据；所述模型构建模块，用于根据所述环境数据和生长数据，获取所述中草药植物的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中至少一种，并向所述存储模块传输进行存储。在一个实施例中，所述模型构建模块，包括有最优生长模型数据库、最优栽培环境模型数据库、中草药最优性状模型数据库、中草药鉴定模型数据库和学习中心；所述最优生长模型数据库中含有P1条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P1条记录和n个环境数据和生长数据组成生长信息矩阵B1,同时记录所述p1条记录对应的所需的生长操作，形成向量YY1；所述最优栽培环境模型数据库中含有P2条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P2条记录和n个环境数据和生长数据组成生长信息矩阵B1,同时记录所述p2条记录对应的所需的栽培操作，形成操作向量YY2；所述中草药最优性状模型数据库中含有P3条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P3条记录和n个环境数据和生长数据组成生长信息矩阵B3,同时记录所述3条记录对应的性状操作，形成操作向量YY3；所述中草药鉴定模型数据库中含有P4条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P4条记录和n个环境数据和生长数据组成生长信息矩阵B4,同时记录所述p4条记录对应的所需的鉴定操作，形成操作向量YY4；所述学习中心的具体步骤如下所述：S201根据所需获取的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中的至少一种，首先提取所需获取模型的第一种模型为学习模型；S202构建学习数据库，将所述学习模型对应的生长信息矩阵定义为矩阵B，所述矩阵B为S行N列，同时提取对应的操作向量形成向量Y1，将所述向量Y1去掉重复值后形成向量Y；S203利用公式(1)进行脉络学习C1:W1＝rand(D,S)W2＝rand(D,S)C2:f＝W2*max(zero(D,1),W1x)C3:其中，rand(D,S)为生成一个D行S列的矩阵，且矩阵中每个元素的值都为0到1的随机值，W1,W2均为调节系数，D为向量Y的值的个数，C2为X和W1,W2的f映射为W2*max(zero(D,1),W1x)，max(),为括号中的每行的值的最大值组成的向量，zero(D,1)为生成D行1列的全0矩阵，L为激活函数，Xi为矩阵X的第i列的值，为Xi与W1,W2进行f映射后形成的向量后的第j个值，其中j＝1、2、3……Y1i-1、Y1i+1……D，Y1i+1为向量Y1中的第i个值对应的在向量Y中的值的位置，Wii,k,t为矩阵Wii的第k行t列的值，i＝1、2、3……N,ii＝1,2；S203利用公式(2)对调节系数进行调整；为L对Wii,k,t求偏导，WSii,k,t为求偏导后得到的值，K＝1、2、3……D,t＝1、2、3……S,对矩阵W1,W2中所有元素都调整后，则能得到新的矩阵W1,W2；S204将新的调节系数W1,W2带入方程公式(1)中的C2和C3，得到新的激活函数；S205将新的激活函数带入公式(2)，判断WSii,k,t是否全为0，若是，则输出对应的调节系数，若不是，则重复步骤S203到205，直至重复次数达到十万次后输出相应的调节系数W1,W2；S206将所述调节系数W1,W2带入公式(1)中的C2得到的公式则为所述学习模型；S207获取所述获取的中草药植物的n个环境数据和生长数据的值形成向量A，带入公式(3)，则能得到各种操作概率向量P其中，At为向量A的第t个值，Pk为求解的P向量的第k个值，K＝1、2、3……D,t＝1、2、3……S,寻找出向量P中的最大值Pz所对应的位置z,z小于等于D，则所述向量Y对应的第z个操作则为获取的中草药植物的环境数据和生长数据在所述学习模型下对应的操作，并将所述获取的中草药植物的环境数据和生长数据作为一条记录添加到所述对应的数据库的生长信息矩阵中，并在相应的操作向量中对应的位置添加得到的所述操作，从而达到对数据库的更新的效果；S208判断所述学习模型是否为最后一个所需获取模型，若是则模型构建块构建模型完成，若不是则获取下一中所需获取的模型为所述学习模型，重复步骤S202-S208。在一个实施例中，所述监测端，包括环境监测模块；所述环境监测模块，包括光照监测单元、土壤监测单元和温度湿度监测单元；所述光照监测单元，用于获取所述中草药植物生长环境的光照信息；所述土壤监测单元，用于获取所述中草药植物生长环境的土壤信息；所述温度湿度监测单元，用于获取所述中草药植物生长环境的温度信息和湿度信息；所述环境监测模块，用于将所述环境信息向所述服务器端传输；所述环境信息，包括光照信息、土壤信息、温度信息和湿度信息。在一个实施例中，所述系统，还包括环境控制端；所述环境控制端，设置于所述培养箱内；所述环境控制端，用于获取所述服务器端的存储模块中最优栽培环境模型所获取的最优栽培环境信息；所述环境控制端，包括温度控制模块、湿度控制模块和施肥模块；所述温度控制模块，用于根据所述最优栽培环境信息中的最优温度信息，调整所述培养箱内的温度；所述湿度控制模块，用于根据所述最优栽培环境信息中的最优湿度信息，调整所述培养箱内的湿度；所述施肥模块，用于根据所述最优栽培环境信息中的最优施肥信息，对所述培养箱内的中草药植物进行施肥。在一个实施例中，所述服务器端，还包括交流模块；所述系统，还包括客户端；所述客户端，用于用户输入所述中草药植物的相关信息，并向所述交流模块传输；所述交流模块，用于将用户输入的所述中草药植物的相关信息展示。在一个实施例中，所述客户端，包括具有通讯功能的智能手机、个人电脑或者掌上电脑中的一种或多种。在一个实施例中，所述监测端，还用于获取所述中草药植物的成品数量信息和所述中草药植物的原材料数量信本文档来自技高网...

【技术保护点】
1.一种基于人工智能的中草药栽培及药性鉴定标准制定系统，其特征在于，所述中草药种植于培养箱内；所述系统，包括监测端和服务器端；其中，所述监测端设置于培养箱内；所述监测端，用于获取所述培养箱内的环境信息和所述中草药植物的生长信息，并将所述环境信息和生长信息向所述服务器端传输；所述服务器端，包括数据处理模块、模型构建模块和存储模块；所述数据处理模块，用于对所述环境信息和生长信息进行数值化处理，获取环境数据和生长数据；所述模型构建模块，用于根据所述环境数据和生长数据，获取所述中草药植物的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中至少一种，并向所述存储模块传输进行存储。

【技术特征摘要】
1.一种基于人工智能的中草药栽培及药性鉴定标准制定系统，其特征在于，所述中草药种植于培养箱内；所述系统，包括监测端和服务器端；其中，所述监测端设置于培养箱内；所述监测端，用于获取所述培养箱内的环境信息和所述中草药植物的生长信息，并将所述环境信息和生长信息向所述服务器端传输；所述服务器端，包括数据处理模块、模型构建模块和存储模块；所述数据处理模块，用于对所述环境信息和生长信息进行数值化处理，获取环境数据和生长数据；所述模型构建模块，用于根据所述环境数据和生长数据，获取所述中草药植物的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中至少一种，并向所述存储模块传输进行存储。2.如权利要求1所述的系统，其特征在于，所述模型构建模块，包括有最优生长模型数据库、最优栽培环境模型数据库、中草药最优性状模型数据库、中草药鉴定模型数据库和学习中心；所述最优生长模型数据库中含有P1条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P1条记录和n个环境数据和生长数据组成生长信息矩阵B1,同时记录所述p1条记录对应的所需的生长操作，形成向量YY1；所述最优栽培环境模型数据库中含有P2条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P2条记录和n个环境数据和生长数据组成生长信息矩阵B1,同时记录所述p2条记录对应的所需的栽培操作，形成操作向量YY2；所述中草药最优性状模型数据库中含有P3条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P3条记录和n个环境数据和生长数据组成生长信息矩阵B3,同时记录所述3条记录对应的性状操作，形成操作向量YY3；所述中草药鉴定模型数据库中含有P4条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P4条记录和n个环境数据和生长数据组成生长信息矩阵B4,同时记录所述p4条记录对应的所需的鉴定操作，形成操作向量YY4；所述学习中心的具体步骤如下所述：S201根据所需获取的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中的至少一种，首先提取所需获取模型的第一种模型为学习模型；S202构建学习数据库，将所述学习模型对应的生长信息矩阵定义为矩阵B，所述矩阵B为S行N列，同时提取对应的操作向量形成向量Y1，将所述向量Y1去掉重复值后形成向量Y；S203利用公式(1)进行脉络学习C1:W1＝rand(D,S)W2＝rand(D,S)C2:f＝W2*max(zero(D,1),W1x)C3:其中，rand(D,S)为生成一个D行S列的矩阵，且矩阵中每个元素的值都为0到1的随机值，W1,W2均为调节系数，D为向量Y的值的个数，C2为X和W1,W2的f映射为W2*max(zero(D,1),W1x)，max(),为括号中的每行的值的最大值组成的向量，zero(D,1)为生成D行1列的全0矩阵，L为激活函数，Xi为矩阵X的第i列的值，为Xi与W1,W2进行f映射后形成的向量后的第j个值，其中j＝1、2、3……Y1i-1、Y1i+1……D，Y1i+1为向量Y1中的第i个值对应的在向量Y中的值的位置，Wii,k,t为矩阵Wii的第k行t列的值，i＝1、2、3……N,ii＝1,2；S203利用公式(2)对调节系数进行调整；为L对Wii,k,t求偏导，WSii,k,t为求偏导后得到的值，K＝1、2、3……D,t＝1、2、3……S,对矩阵W1,W2中所有元素都调整后，则能得到新的矩阵W1,W2；S204将新的调节系数W1,W2带入方程公式(1)中的C2和C3，得到新的激活函数；S205将新的激活函数带入公式(2)，判断WSii,k,t是否全为0，若是，则输出对应的调节...

【专利技术属性】
技术研发人员：孙艺，王天棋，王耘，王梓，马李骏，娄成成，刘世泽，
申请(专利权)人：孙艺，
类型：发明
国别省市：山东,37