【技术实现步骤摘要】
一种基于LSTM的农产品品质分类方法
本专利技术涉及农产品品质分类方法
,具体是一种基于LSTM的农产品品质分类方法。
技术介绍
随着社会的不断进步,农产品的品质与质量越来越受到人们的重视,然而农产品品质的评价受多元化因素的影响,既要考虑外部特征因素也需要考虑内部特征因素,并且农产品在实际运输过程中随着时间的变化会对品质产生影响。因此很难对农产品的品质下以标准化得定义,也鲜有网站与机构对农产品的品质进行分类。LSTM是深度学习中有效、可靠的算法,适合用于处理与时间序列高度相关的问题。对于分类问题,以CNN为代表的前馈网络拥有着性能上的优势,但由于LSTM具有记忆细胞的特殊单元类似累加器和门控神经元,在解决长远的、更为复杂的任务上具有独特的优势。业内对于分类问题,大多采用的是传统的数理统计的方法和机器学习中的算法,在分类过程中很难处理大量、多维度的数据并且难以解决多分类的问题。因此,实际应用中此类模型难以取得理想的效果。
技术实现思路
本专利技术的目的在于克服现有技术的缺陷,提出一种可以解决多分类的问题的基于LSTM的农产品品质分类方法。为实现上述目的,本专利技术采用了如下技术方案:一种基于LSTM的农产品品质分类方法,包括以下步骤:A、使用农产品检测仪器,检测出农产品的外部特征ai与内部特征bi;B、从已有的数据中提取优质、合格、不合格三个标签样本数据,并将数据进行归一化处理;C、构建基于RF的特征选择框架,将处理好的16个特征 ...
【技术保护点】
1.一种基于LSTM的农产品品质分类方法,其特征在于:包括以下步骤:/nA、使用农产品检测仪器,检测出农产品的外部特征a
【技术特征摘要】
1.一种基于LSTM的农产品品质分类方法,其特征在于:包括以下步骤:
A、使用农产品检测仪器,检测出农产品的外部特征ai与内部特征bi;
B、从已有的数据中提取优质、合格、不合格三个标签样本数据,并将数据进行归一化处理;
C、构建基于RF的特征选择框架,将处理好的16个特征变量送入基于RF的农产品品质特征选择模型中进行农产品品质的分类预测,得出特征重要性排序;
D、选取16个特征变量中关联度较大的9个特征变量,将数据导入数据编码模块,数据编码模块采用数据处理技术对提取后的数据进行编码,最后划分为训练样本集和测试样本集;
E、构建基于LSTM的农产品品质分类模型;
F、利用已组建的训练样本集和测试样本集,训练基于LSTM的农产品品质分类模型,确定模型参数;
G、将几类待分类的农产品特征数据集,输入至训练完毕的深度学习模型中,深度学习模型输出识别分类结果。
2.如权利要求1所述一种基于LSTM的农产品品质分类方法,其特征在于:所述步骤A中,通过仪器检测出酚类含量、可溶性固形物、酒精含量、总酸、单宁等内部影响因素,通过分析天平检测出农产品重量、通过农产品检测仪检测农产品形态指数等外部影响因素。
3.如权利要求1所述一种基于LSTM的农产品品质分类方法,其特征在于:所述步骤B中,为了消除不同度量单位和方差对预测结果的不良影响,将训练集中的每一个数据特征的值进行归一化处理,且计算公式如下:
其中,xi指样本,min(xi)为样本最小值,max(xi)为样本最大值。
4.如权利要求1所述一种基于LSTM的农产品品质分类方法,其特征在于:所述步骤C中,构建基于RF的农产品品质特征选择模型方法如下:
C1:从原始训练集中使用Bootstraping方法有放回地重复随机抽取n个样本;
C2:用n组袋外数据(OOBdata)分别计算出每一棵决策树的误差值,记作Erb1,Erb2,....,Erbk;
C3:保持其他特征不变的情况下,对n组袋外数据的第i个特征进行随机重排,并重新计算误差值,记新的误差值为Eri1,Eri2,....,Erik;
C4:特征重要性排序的计算公式如下:
C5:基于特征对于最终结果的重要性进行排序,根据得到的最佳特征数9择出前9个特征作为特征向量送入新的模型。
5.如权利要求1所述一种基于LSTM的农产品品质分类方法,其特征在于:所述步骤D,构建数据编码模块方法如下:
数据的编码方式采用one-hot的编码方式,...
【专利技术属性】
技术研发人员:李欣怡,高羽佳,张友华,夏川,刘飞,李家清,张祯,
申请(专利权)人:安徽农业大学,
类型:发明
国别省市:安徽;34
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。