基于人工智能的水稻耐盐碱性能预测方法及系统技术方案

本发明专利技术公开了基于人工智能的水稻耐盐碱性能预测方法及系统，方法包括数据采集

【技术实现步骤摘要】
基于人工智能的水稻耐盐碱性能预测方法及系统


[0001]本专利技术涉及作物生长信息监测
，具体是指基于人工智能的水稻耐盐碱性能预测方法及系统
。

技术介绍

[0002]基于人工智能的水稻耐盐碱性能预测方法是通过应用人工智能技术来预测水稻对盐碱性的适应能力，以提高水稻产量和质量
。
但是一般神经网络存在适应性能力差，模型性能和准确性弱的问题；传统
SVM
模型存在过拟合和欠拟合问题；传统搜索方法存在搜索精度低和收敛速度慢的问题
。

技术实现思路

[0003]针对上述情况，为克服现有技术的缺陷，本专利技术提供了基于人工智能的水稻耐盐碱性能预测方法及系统，针对一般神经网络存在适应性能力差，模型性能和准确性弱的问题，本方案基于个体被选中的概率，通过分频和变更的步骤在搜索过程中根据概率和随机数进行参数调节，增加了搜索的多样性和自适应性，从而提高模型性能；针对传统
SVM
模型存在过拟合和欠拟合问题，本方案引入径向基核函数和松弛变量，同时考虑松弛变量和模型参数的平衡，实现对模型的正则化和优化，在不同的问题中灵活调整正则化参数，以达到对模型的过拟合与欠拟合之间的平衡；针对传统搜索方法存在搜索精度低和收敛速度慢的问题，本方案通过定义非线性函数来调整惯性权重和加速度系数，在搜索过程的不同阶段对速度和探索能力进行平衡，以提高搜索的精度和收敛速度；将个体的经验和全局最佳位置的经验进行综合考虑，从而实现更好的搜索和优化
。
[0004]本专利技术采取的技术方案如下：本专利技术提供的基于人工智能的水稻耐盐碱性能预测方法，该方法包括以下步骤：步骤
S1
：数据采集；
[0005]步骤
S2
：数据预处理；
[0006]步骤
S3
：设计神经网络，基于计算个体被选中概率，进行分频和变更，实现对神经网络初始权重和阈值的最佳参数搜索，完成神经网络构建；
[0007]步骤
S4
：建立基于松弛变量的
SVM
模型，基于径向基核函数结构和松弛变量，实现对模型的正则化和优化，并灵活调整正则化参数；
[0008]步骤
S5
：
SVM
参数搜索，基于定义非线性惯量权重和定义非线性加速度系数进行参数搜索，基于适应度值判断局部最优和全局最优；
[0009]步骤
S6
：实时运行
。
[0010]进一步地，在步骤
S1
中，所述数据采集是收集水稻耐盐碱性能相关的数据，包括土壤盐碱度
、
环境条件
、
水稻品种因素，将水稻耐盐碱性能作为对应标签
。
[0011]进一步地，在步骤
S2
中，所述数据预处理是对收集到的数据进行处理和清洗，消除异常值和缺失值
。
到1的随机数；
[0018]步骤
S344
：变更，所用公式如下：；式中，
e1是0到1的随机数，
e2是用于调节步长的随机数，
α
k
’
是变更后个体，
α
k
是变更前个体，
α
max
是最优个体，
α
max
是最差个体，
G
是当前迭代次数，
G
max
是最大迭代次数；
[0019]步骤
S345
：预先设有神经网络阈值，当存在个体适应度值高于神经网络阈值，基于个体参数建立神经网络模型；若达到最大迭代次数，则重新初始化个体位置进行搜索；否则继续跌倒搜索
。
[0020]进一步地，在步骤
S4
中，所述建立基于松弛变量的
SVM
模型具体包括以下步骤：步骤
S41
：定义回归函数，引入动态变量，采用径向基核函数结构，所用公式如下：；式中，
k
i
和是拉格朗日乘数，
x
是输入，
y
是模型选取的支持向量，
σ
是径向基函数内置参数，
N
是输入数量，
i
是输入索引，
b
是偏移量；
[0021]步骤
S42
：定义目标函数
Rs
，引入松弛变量，所用公式如下：；；式中，
ξ
i
和是松弛变量，
C
是正则化参数，
ω
s
是表示特征空间的法向量的参数，是特征向量，
y
i
是真实标签，
ε
是表示松弛变量允许超过间隔界限的容差范围的整数，
s.t
是约束条件
。
[0022]进一步地，在步骤
S5
中，所述
SVM
参数搜索具体包括以下步骤：步骤
S51
：初始化，基于
SVM
参数搜索空间初始化参数位置，并将基于参数的
SVM
模型性能作为对应适应度值；
[0023]步骤
S52
：定义非线性惯量权重
ω
，所用公式如下：；式中，
t
是当前迭代次数，
t
max
是最大迭代次数，
ω
st
是迭代开始设置的惯性权重，
ω
end
是算法末尾设置的惯性权重；
[0024]步骤
S53
：定义非线性加速度系数，所用公式如下：；
；式中，
c1和
c2是加速度系数，
c
st
是加速度因子的初始值，
c
end
是加速度因子的结束值；
[0025]步骤
S54
：更新参数位置，所用公式如下：；式中，是参数更新后位置，是更新前位置，是更新前速度，
γ1是个体经验项，
γ2是全局经验项，是个体粒子历史最佳位置，是当前位置，是全局最佳位置；
[0026]步骤
S55
：判定，预先设有
SVM
阈值，当存在个体适应度值高于
SVM
阈值，基于个体参数建立
SVM
模型；若达到最大迭代次数，则重新初始化个体位置进行搜索；否则继续迭代搜索
。
[0027]进一步地，在步骤
S6
中，所述实时运行是将神经网络模型和
SVM
模型输出加权求和作为最终预测结果，实时采集水稻生长环境各因素数据，输入模型中，输出加权预测结果
。
[0028]本专利技术提供的基于人工智能的水稻耐盐碱性能预测系统，包括数据采集模块
、
数据预处理模块
、
神本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于人工智能的水稻耐盐碱性能预测方法，其特征在于：该方法包括以下步骤：步骤
S1
：数据采集；步骤
S2
：数据预处理；步骤
S3
：设计神经网络，基于计算个体被选中概率，进行分频和变更，实现对神经网络初始权重和阈值的最佳参数搜索，完成神经网络构建；步骤
S4
：建立基于松弛变量的
SVM
模型，基于径向基核函数结构和松弛变量，实现对模型的正则化和优化，并灵活调整正则化参数；步骤
S5
：
SVM
参数搜索，基于定义非线性惯量权重和定义非线性加速度系数进行参数搜索，基于适应度值判断局部最优和全局最优；步骤
S6
：实时运行
。2.
根据权利要求1所述的基于人工智能的水稻耐盐碱性能预测方法，其特征在于：在步骤
S5
中，所述
SVM
参数搜索具体包括以下步骤：步骤
S51
：初始化，基于
SVM
参数搜索空间初始化参数位置，并将基于参数的
SVM
模型性能作为对应适应度值；步骤
S52
：定义非线性惯量权重
ω
，所用公式如下：；式中，
t
是当前迭代次数，
t
max
是最大迭代次数，
ω
st
是迭代开始设置的惯性权重，
ω
end
是算法末尾设置的惯性权重；步骤
S53
：定义非线性加速度系数，所用公式如下：；；式中，
c1和
c2是加速度系数，
c
st
是加速度因子的初始值，
c
end
是加速度因子的结束值；步骤
S54
：更新参数位置，所用公式如下：；式中，是参数更新后位置，是更新前位置，是更新前速度，
γ1是个体经验项，
γ2是全局经验项，是个体粒子历史最佳位置，是当前位置，是全局最佳位置；步骤
S55
：判定，预先设有
SVM
阈值，当存在个体适应度值高于
SVM
阈值，基于个体参数建立
SVM
模型；若达到最大迭代次数，则重新初始化个体位置进行搜索；否则继续迭代搜索
。3.
根据权利要求1所述的基于人工智能的水稻耐盐碱性能预测方法，其特征在于：在步骤
S4
中，所述建立基于松弛变量的
SVM
模型具体包括以下步骤：步骤
S41
：定义回归函数，引入动态变量，采用径向基核函数结构，所用公式如下：；式中，
k
i
和是拉格朗日乘数，
x
是输入，
y
是模型选取的支持向量，
σ
是径向基函数内置
参数，
N
是输入数量，
i
是输入索引，
b
是偏移量；步骤
S42
：定义目标函数
Rs
，引入松弛变量，所用公式如下：；；式中，
ξ
i
和是松弛变量，
C
是正则化参数，
ω
s
是表示特征空间的法向量的参数，是特征向量，
y
i
是真实标签，
ε
是表示松弛变量允许超过间隔界限的容差范围的整数，
s.t
是约束条件
。4.
根据权利要求1所述的基于人工智能的水稻耐盐碱性能预测方法，其特征在于：在步骤
S3
中，所述设计神经网络具体包括以下步骤：步骤
S31
：初始化神经网络，神经网络的输入层用于接收因素数据，输出层用于预测性能，中间层使用双曲正切
S
形函数作为其传输函数，隐藏层中的神经元遵循启发式公式，为了获得最佳的中间层神经元数量，通过迭代评估实际值和预测值之间的差异来调整中间层神经元的数量，神经网络结构表示如下：；式中，
L
是输入层节点数，
O
是输出层节点数，
H
是中间层节点数，
α
s
是隐藏层神经元节点调制数；步骤
S32
：设计学习过程，表示如下：；；；；式中，
xs
h
是中间层的输出，
d
eth
是输入层与中间层的加权和，
xs
i
是输入节点的输入参数，
W
ih
是从输入层到中间层的权重值，
b
h
是中间层神经元的阈值，
Y
i
是输出层的输出，
σ
s
（）是
sigmoid
...

【专利技术属性】
技术研发人员：赵磊，刘振斌，刘霜梅，姜程，李洪霞，
申请(专利权)人：青岛农业大学，
类型：发明
国别省市：