数据驱动的生长优化系统及其优化方法技术方案

本申请涉及农产品生长优化的领域，其具体地公开了一种数据驱动的生长优化系统及其优化方法

【技术实现步骤摘要】
数据驱动的生长优化系统及其优化方法


[0001]本专利技术涉及农产品生长优化的领域，且更为具体地，涉及一种数据驱动的生长优化系统及其优化方法
。

技术介绍

[0002]我国是一个农业大国，农业是国民经济的基础，是民生之本
、
国家强盛的保障
。
在资源有限的条件下，我们农产品供需总量正面临严重失衡，依靠农业科技提高土地生产率，提高农产品质量迫在眉睫
。
[0003]以植物生长柜中的水培生菜为研究对象，经研究发现环境变量对于生菜的影响并非线性增长关系，在多种环境变量融合下，生菜的生长质量存在很大差异
。
因此，期待一种数据驱动的生长优化系统以对环境参数进行适当且准确地调整，从而保证水培生菜的生长质量
。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请
。
本申请的实施例提供了一种数据驱动的生长优化系统及其优化方法，其通过编码器模型对多个时间点的营养液温度
、
光量子密度
、
空气温度
、
空气湿度进行编码处理，并将得到的四个所述特征向量构造高斯密度图，进一步再通过卷积神经网络对所述多个时间点的水培生菜的图像进行特征提取，这样就能够基于所述每个时间点的特征向量和所述高斯密度图构造高斯混合模型，以实现所述高斯密度图及其所述响应特征向量的各个响应位置间的一致性，从而实现了所述响应特征向量的响应范围与所述高斯密度图的目标尺度之间的一定程度的匹配
。
这样，能够使得得到的用于表示参数是否需要调整的分类结果更为准确，进而保证水培生菜的生长质量
。
[0005]根据本申请的一个方面，提供了一种数据驱动的生长优化系统，其包括：生长影响数据获取单元，用于获取在多个预定时间点的营养液温度
、
光量子密度
、
空气温度和空气湿度；参数特征编码单元，用于将所述多个预定时间点的营养液温度
、
光量子密度
、
空气温度和空气湿度分别排列为输入向量后通过包含一维卷积层和全连接层的编码器以获得营养液温度特征向量
、
光量子密度特征向量
、
空气温度特征向量和空气湿度特征向量；高斯密度图构造单元，用于基于所述营养液温度特征向量
、
所述光量子密度特征向量
、
所述空气温度特征向量和所述空气湿度特征向量构造高斯密度图，其中，所述高斯密度图在第
k
个位置的高斯分布的均值为所述营养液温度特征向量
、
所述光量子密度特征向量
、
所述空气温度特征向量和所述空气湿度特征向量在第
k
个位置的特征值的均值，所述高斯密度图在第
k
个位置的高斯分布的方差为所述营养液温度特征向量
、
所述光量子密度特征向量
、
所述空气温度特征向量和所述空气湿度特征向量在第
k
个位置的特征值之间的方差；生长图像获取单元，用于获取在所述多个预定时间点的水培生菜的图像；
生长特征编码单元，用于将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络以获得对应于所述多个预定时间点的多个生长特征向量；高斯混合单元，用于基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型，其中，所述高斯混合模型通过以各个位置的生长特征向量中各个位置的加权和的倒数作为权重计算其所述高斯密度图中各个位置的高斯分布的加权和生成；高斯离散单元，用于对所述高斯混合模型进行高斯离散化以获得融合矩阵；待确定参数获取单元，用于获取所述营养液温度
、
所述光量子密度
、
所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量；向量查询单元，用于将所述营养液温度
、
所述光量子密度
、
所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量与所述融合矩阵进行相乘以获得分类特征向量；以及结果生成单元，用于将所述分类特征向量通过分类器以获得用于表示参数是否需要调整的分类结果
。
[0006]在上述数据驱动的生长优化系统中，所述参数特征编码单元，包括：向量构造子单元，用于将所述多个预定时间点的营养液温度
、
光量子密度
、
空气温度和空气湿度分别排列为第一输入向量
、
第二输入向量和第三输入向量和第四输入向量；全连接编码子单元，用于使用所述编码器的全连接层分别对所述第一输入向量
、
所述第二输入向量
、
所述第三输入向量和所述第四输入向量进行全连接编码以提取出所述第一输入向量
、
所述第二输入向量
、
所述第三输入向量和所述第四输入向量中各个位置的特征值的高维隐含特征；一维卷积编码子单元，用于使用所述编码器的一维卷积层分别对所述第一输入向量
、
所述第二输入向量
、
所述第三输入向量和所述第四输入向量进行一维卷及处理以提取出所述第一输入向量
、
所述第二输入向量
、
所述第三输入向量和所述第四输入向量中各个位置的特征值间的关联的高维关联隐含特征
。
[0007]在上述数据驱动的生长优化系统中，所述生长特征编码单元，进一步用于：使用所述卷积神经网络的各层在层的正向传递的过程中对输入数据进行卷积处理
、
基于特征矩阵的均值池化处理和激活处理以由所述卷积神经网络的最后一层输出所述生长特征向量，其中，所述卷积神经网络的第一层的输入数据为所述水培生菜的图像
。
[0008]在上述数据驱动的生长优化系统中，所述卷积神经网络的最后一层以
Sigmoid
函数为激活函数以使得所述生长特征向量中各个位置的特征值在0到1的概率区间内
。
[0009]在上述数据驱动的生长优化系统中，所述高斯混合单元，用于基于所述多个生长特征向量和所述高斯密度图以如下公式来构造所述高斯混合模型；其中，所述公式为：其中：，其中是第个时间点的特征向量，表示对其每个特征值求和
。
[0010]在上述数据驱动的生长优化系统中，所述结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果；其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为分类特征向量
。
[0011]根据本申请的另一方面，一种数据驱动的生长优化系统的优化方法，其包括：获取在多个预定时间点的营养液温度
、
光量子密度
、
空气温度和空气湿度；将所述多个预定时间点的营养液温度
、
光量子密度
、
空气温度和空气湿度分别排列为输入向量后通过包含一维卷积层和全连接层的编码器以获得营养液温度特征向量...

【技术保护点】

【技术特征摘要】
1.
一种数据驱动的生长优化系统，其特征在于，包括：生长影响数据获取单元，用于获取在多个预定时间点的营养液温度
、
光量子密度
、
空气温度和空气湿度；参数特征编码单元，用于将所述多个预定时间点的营养液温度
、
光量子密度
、
空气温度和空气湿度分别排列为输入向量后通过包含一维卷积层和全连接层的编码器以获得营养液温度特征向量
、
光量子密度特征向量
、
空气温度特征向量和空气湿度特征向量；高斯密度图构造单元，用于基于所述营养液温度特征向量
、
所述光量子密度特征向量
、
所述空气温度特征向量和所述空气湿度特征向量构造高斯密度图，其中，所述高斯密度图在第
k
个位置的高斯分布的均值为所述营养液温度特征向量
、
所述光量子密度特征向量
、
所述空气温度特征向量和所述空气湿度特征向量在第
k
个位置的特征值的均值，所述高斯密度图在第
k
个位置的高斯分布的方差为所述营养液温度特征向量
、
所述光量子密度特征向量
、
所述空气温度特征向量和所述空气湿度特征向量在第
k
个位置的特征值之间的方差；生长图像获取单元，用于获取在所述多个预定时间点的水培生菜的图像；生长特征编码单元，用于将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络以获得对应于所述多个预定时间点的多个生长特征向量；高斯混合单元，用于基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型，其中，所述高斯混合模型通过以各个位置的生长特征向量中各个位置的加权和的倒数作为权重计算其所述高斯密度图中各个位置的高斯分布的加权和生成；高斯离散单元，用于对所述高斯混合模型进行高斯离散化以获得融合矩阵；待确定参数获取单元，用于获取所述营养液温度
、
所述光量子密度
、
所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量；向量查询单元，用于将所述营养液温度
、
所述光量子密度
、
所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量与所述融合矩阵进行相乘以获得分类特征向量；以及结果生成单元，用于将所述分类特征向量通过分类器以获得用于表示参数是否需要调整的分类结果
。2.
根据权利要求1所述的数据驱动的生长优化系统，其中，所述参数特征编码单元，包括：向量构造子单元，用于将所述多个预定时间点的营养液温度
、
光量子密度
、
空气温度和空气湿度分别排列为第一输入向量
、
第二输入向量和第三输入向量和第四输入向量；以及全连接编码子单元，用于使用所述编码器的全连接层分别对所述第一输入向量
、
所述第二输入向量
、
所述第三输入向量和所述第四输入向量进行全连接编码以提取出所述第一输入向量
、
所述第二输入向量
、
所述第三输入向量和所述第四输入向量中各个位置的特征值的高维隐含特征；一维卷积编码子单元，用于使用所述编码器的一维卷积层分别对所述第一输入向量
、
所述第二输入向量
、
所述第三输入向量和所述第四输入向量进行一维卷及处理以提取出所述第一输入向量
、
所述第二输入向量
、
所述第三输入向量和所述第四输入向量中各个位置的特征值间的关联的高维关联隐含特征
。3.
根据权利要求2所述的数据驱动的生长优化系统，其中，所述生长特征编码单元，进
一步用于使用所述卷积神经网络的各层在层的正向传递的过程中对输入数据进行卷积处理
、
基于特征矩阵的均值池化处理和激活处理以由所述卷积神经网络的最后一层输出所述生长特征向量，其中，所述卷积神经网络的第一层的输入数据为所述水培生菜的图像
。4.
根据权利要求3所述的数据驱动的生长优化系统，其中，所述卷积神经网络的最后一层以
Sigmoid
函数为激活函数以使得所述生长特征向量中各个位置的特征值在0到1的概率区间内
。5.
根据权利要求4所述的数据驱动的生长优化系统，其中，所述高斯混合单元，用于基于所述多个生长特征向量和所述高斯密度图以如下公式来构造所述高斯混合模型；其中，所述公式为：其中：，其中是第个时间点的特征向量，表示对其每个特征值求和
。6.
根据权利要求5所述的数据驱动的生长优化系统，其中，所述结果生成单元，进一步用于使用所述分...

【专利技术属性】
技术研发人员：罗杰，章利聪，杨彪，
申请(专利权)人：浙江知多多网络科技有限公司，
类型：发明
国别省市：