基于深度学习的茶园异常数据校正方法、系统和存储介质技术方案

本发明专利技术公开了一种基于深度学习的茶园异常数据校正方法、系统和存储介质，该校正方法包括：采集目标茶园的环境数据并对此预处理，将预处理后的目标茶园的环境数据作为输入数据输入到卷积神经网络‑支持向量机CNN‑SVM中，对数据进行异常检测，同时还输入到长短期记忆神经网络LSTM中，对环境数据进行预测；当CNN‑SVM模型检测数据为异常数据时，提取出由CNN‑SVM模型检测出异常数据的时间特征，并在LSTM模型预测的数据中选取具有相同时间特征的数据进行校正，然后输出到茶园数据集中。本发明专利技术不仅能够校正异常数据，还能根据异常数据判断传感器故障具体地点，具有较高的校正准确率、特异度和泛化能力。

【技术实现步骤摘要】
基于深度学习的茶园异常数据校正方法、系统和存储介质
本专利技术涉及一种基于深度学习的茶园异常数据校正方法，属于茶园物联网数据识别领域。
技术介绍
物联网技术的应用使得农业生产领域产生和积累了大量的数据，为农业智能管理和决策提供了丰富的数据来源。然而，由于受复杂的农业生产环境和农业成产成本等因素的影响，数据中也含有大量的异常数据，影响了数据的可用性。因此，异常数据的校正是农业数据处理过程中首先要解决的问题。但目前大部分研究人员是对异常数据检测进行研究，还没有成熟的技术方法对茶园环境数据进行异常数据校正。异常数据的校正一方面可以提高数据的质量，另一方面能够提升异常数据源的识别，可以发现物联网系统中存在的问题并进行处理。以往的传感器异常数据侧重于异常数据检测问题，很少考虑到传感器异常数据的校正问题。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的茶园异常数据校正方法、系统和计算机可读存储介质，以实现茶园物联网传感器异常数据的检测并能对异常数据进行校正。为此，本专利技术一方面提供了一本文档来自技高网...

【技术保护点】
1.一种基于深度学习的茶园异常数据校正方法，其特征在于，包括：/n采集步骤：采集目标茶园的环境数据并对此预处理；/n异常数据检测步骤：将预处理后的目标茶园的环境数据作为输入数据，输入到卷积神经网络-支持向量机CNN-SVM中，对数据进行异常检测，输出检测到的异常数据；/n数据预测步骤：将预处理后的目标茶园的环境数据作为输入数据，输入到长短期记忆神经网络LSTM中，对环境数据进行预测，输出预测出下一时间段的茶园数据；/n输出步骤：当CNN-SVM模型检测数据为正常数据时，则输出到茶园数据集中；当CNN-SVM模型检测数据为异常数据时，提取出由CNN-SVM模型检测出异常数据的时间特征，并在LST...

【技术特征摘要】
1.一种基于深度学习的茶园异常数据校正方法，其特征在于，包括：
采集步骤：采集目标茶园的环境数据并对此预处理；
异常数据检测步骤：将预处理后的目标茶园的环境数据作为输入数据，输入到卷积神经网络-支持向量机CNN-SVM中，对数据进行异常检测，输出检测到的异常数据；
数据预测步骤：将预处理后的目标茶园的环境数据作为输入数据，输入到长短期记忆神经网络LSTM中，对环境数据进行预测，输出预测出下一时间段的茶园数据；
输出步骤：当CNN-SVM模型检测数据为正常数据时，则输出到茶园数据集中；当CNN-SVM模型检测数据为异常数据时，提取出由CNN-SVM模型检测出异常数据的时间特征，并在LSTM模型预测的数据中选取具有相同时间特征的数据进行校正，然后再输出到茶园数据集中。


2.根据权利要求1所述的基于深度学习的茶园异常数据校正方法，其特征在于，包括：当CNN-SVM模型连续检测到异常数据到达设定次数时，则进行报错，并且在模型内对异常数据进行分析，输出对应的故障传感器的具体位置。


3.根据权利要求1所述的基于深度学习的茶园异常数据校正方法，其特征在于，所述卷积神经网络-支持向量机CNN-SVM和长短期记忆神经网络LSTM的构建方法如下：
步骤1：收集茶园预订时间范围内的环境数据，作为原始数据M；
步骤2：对收集到的数据进行预处理，构造待训练模型的训练集M1和测试集M2；
步骤3：将训练集M1输入卷积神经网络-支持向量机CNN-SVM进行训练并保存模型参数，然后利用测试集M2对CNN-SVM模型的模型参数进行调优，获得异常数据检测模型；以及
步骤4：将训练集M1输入长短期记忆神经网络LSTM中进行训练并保存模型参数，然后利用测试集M2对LSTM模型的模型参数进行调优，得到茶园数据预测模型。


4.根据权利要求3所述的基于深度学习的茶园异常数据校正方法，其特征在于，在步骤1中，在传感器采集茶园环境数据时，得到原始数据的特征具体如下：空气湿度、空气温度、测试点下20cm、40cm和60cm的土壤温度和土壤湿度共8个数据特征，并且每条时间点数据包含对应的类别标签。


5.根据权利要求3所述的基深度学习的茶园异常数据校正方法，其特征在于，在步骤2中，在预处理样本数据时，并划分训练集M1和测试集M2时具体操作如下：
(2.1)对所补充后的茶园数据做标准化处理，将不同量级数据统一转化为同一量级，归一化处理采用Z-score标准化方法；
(2.2)归一化处理后的茶园数据做时间切片；使用滑动窗口模型实现对时序数据的处理，使其实现在线式检测；
(2.3)对输入进CNN-SVM模型中的数据提升维度：(n,8)→(n,8,1)；
(2.4)将原始数据进行7:3的比例划分训练集M1和测试集M2，分别在训练集M1和测试集M2中随机加入10％的异常数据。


6.根据权利要求3所述的基于深度学习的茶园异常数据校正方法，其特征在于，在步骤3中，输入训练集M1训练CNN-SVM模型，并保存模型参数，具体步骤如下：
(3.1)将预处理后的训练集先输入到CNN模型中进行有效特征提取；采用Relu函数作为激活函数，使用四层卷积层，前两层卷积层的卷积核个数为64个，长度为4的向量，后两层卷积层卷积核个数为32个，长度为2的向量；使用两层池化层，每两层卷积层后接一个池化层，实现对数据的特征提取，池化层为长度为2的...

【专利技术属性】
技术研发人员：张武，冯金磊，万盛民，苗犇犇，王瑞卿，汪涛，江朝晖，饶元，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：安徽;34