融合GA-Attention-LSTM算法的樱桃裂果环境参数预测方法技术

本发明专利技术公开了一种融合GA

Prediction method of cherry cracking environmental parameters based on GA attention LSTM algorithm

【技术实现步骤摘要】
融合GA
‑
Attention
‑
LSTM算法的樱桃裂果环境参数预测方法


[0001]本专利技术涉及智慧农业
，具体涉及融合GA
‑
Attention
‑
LSTM算法的樱桃裂果环境参数预测方法。

技术介绍

[0002]随着人工智能技术的快速发展，深度学习、机器学习技术在农业种植方面的应用愈发普遍。樱桃种植一直是大连市种植业的支柱产业，同时也是大连市优势特色产业，能够为当地的经济发展带来巨大效益。1988年，大连市农科院将“美早”樱桃引入我国，目前该品种在大连市已经有了大规模种植。美早是由美国华盛顿州立大学培育，具有果肉多、口感好、易储存、营养丰富等优势，被大量消费者所追捧。但在日光温室樱桃种植过程中，樱桃裂果一直是困扰农户的棘手问题，温室樱桃一旦裂果市场价值将大幅降低，大面积裂果将给农民带来巨大经济损失，产值也将受到严重影响。
[0003]在实际的樱桃种植过程中，有很多环境因素会影响到棚内的温湿度数值，该方面无法在传统的预测方法中得以体现；LSTM神经网络虽然本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.融合GA
‑
Attention
‑
LSTM算法的樱桃裂果环境参数预测方法，其特征在于，包括：获取温室樱桃种植的环境数据，通过相关性分析方法得出与樱桃裂果具有强相关性的环境特征，并对所述环境特征进行归一化处理；采用滑动窗口方法，将处理后的环境特征数据生成矩阵形式；构建基于遗传算法并加入注意力机制的长短期记忆神经网络预测模型，得到温室内樱桃裂果环境参数。2.根据权利要求1所述融合GA
‑
Attention
‑
LSTM算法的樱桃裂果环境参数预测方法，其特征在于，所述温室樱桃种植的环境数据，包括空气湿度、空气温度、CO2浓度、光照强度、土壤温度、土壤含水量、土壤PH值、土壤电导率。3.根据权利要求1所述融合GA
‑
Attention
‑
LSTM算法的樱桃裂果环境参数预测方法，其特征在于，通过相关性分析方法得出与樱桃裂果具有强相关性的环境特征，并对所述环境特征进行归一化处理，具体为：相关性系数获取公式为：通过上式分析得出，空气湿度、空气温度、光照强度、土壤温度、土壤含水量与樱桃裂果的产生具有强相关性，并将空气湿度标记为x
1j
、空气温度标记为x
2j
、光照强度标记为x
3j
、土壤温度标记为x
4j
、土壤含水量标记为x
5j
；对所述空气湿度x
1j
、空气温度x
2j
、光照强度x
3j
、土壤温度x
4j
和土壤含水量x
5j
的环境数据进行离群值处理；将离群值处理后的环境数据映射到0～1的范围内，公式如下：式中，x
in
为归一化后的数值，x
ij
为归一化前的数值，x
ijmin
为该环境变量的最小值，x
ijmax
为该环境变量的最大值；将归一化后的空气湿度、空气温度、光照强度、土壤温度和土壤含水量分别标记为x
1n
、x
2n
、x
3n
、x
4n
、x
5n
。4.根据权利要求1所述融合GA
‑
Attention
‑
LSTM算法的樱桃裂果环境参数预测方法，其特征在于，采用滑动窗口方法，将处理后的环境特征数据生成矩阵形式，具体为：数据采集以小时为单位，故设置窗口长度为12，则x
1n
、x
2n
、x
3n
、x
4n
、x
5n
五组数据的窗口形状为(12*5)，窗口E的矩阵表达式为：
设置步长为1，滑动窗口E的移动方向为垂直向下，按时间序列滑动；生成形状为(n*5)的矩阵形式，将该矩阵标记为E
n
。5.根据权利要求1所述融合GA
‑
Attention
‑
LSTM算法的樱桃裂果环境参数预测方法，其特征在于，所述长短期记忆神经网络预测模型中加入注意力机制，具体为：在神经网络的隐藏层单元中注意力机制为输入的空气湿度x
1n
，空气温度x
2n
，光照强度x
3n
，土壤温度x

【专利技术属性】
技术研发人员：胡玲艳，邱绍航，张超，汪祖民，许巍，谷毛毛，宋旦旨，李国强，
申请(专利权)人：大连大学，
类型：发明
国别省市：