基于深度学习的智慧流体动态调节方法技术

本发明专利技术涉及智能调控领域，尤其涉及基于深度学习的智慧流体动态调节方法

【技术实现步骤摘要】
基于深度学习的智慧流体动态调节方法


[0001]本专利技术涉及智能调控领域，尤其涉及基于深度学习的智慧流体动态调节方法
。

技术介绍

[0002]在近几十年的农业发展历程中，水肥一体化管理技术逐渐成为了提升作物生产效率
、
节约水资源和降低农业生产成本的关键技术
。
随着物联网
、
人工智能和大数据技术的不断发展，农业生产正经历着从传统方法向智能化
、
精细化管理的转变
。
其中，智慧流体动态调节作为一种新兴的管理理念和技术，已经显示出巨大的应用潜力
。
[0003]智慧流体动态调节是指利用先进的信息技术和智能设备，对农田中的水分和养分进行实时监测，并根据作物的生长需求，动态调整水肥供给的过程
。
这不仅能够确保作物获得最适宜的生长环境，还能最大限度地节约水资源和减少肥料使用，从而提高农业生产的整体效率和可持续性
。
[0004]我国专利申请号：
CN202210866399.6
，公开日：
2022.09.23
，公开了一种智慧农业云平台水肥控制系统，包括：数据采集单元
、
存储单元
、
控制单元
、
显示单元和储水单元；数据采集单元与存储单元连接，数据采集单元用于采集管理区内的土壤信息和作物信息；控制单元还与储水单元连接，控制单元用于基于土壤信息和作物信息发出控制指令；存储单元还与控制单元连接，存储单元用于存储土壤信息
、
作物信息和控制指令；显示单元与数据采集单元
、
控制单元连接，显示单元用于显示土壤信息
、
作物信息和控制指令；储水单元用于存储灌溉用水
。
该申请能够在满足不同作物不同生长阶段对水肥需求的同时，精准把控水肥用量，达到节约用水，合理施肥的效果
。
[0005]但上述技术至少存在如下技术问题：现有技术在智慧流体动态调节方面通常缺乏精细化的调控能力，很难实时准确地根据作物的生长状态和环境条件调整流体供给，导致流体供给不均衡，影响作物的生长质量和产量；由于缺乏精确的控制和监测手段，现有技术往往造成流体资源的浪费，资源利用效率低，不仅增加了农业生产的成本，也对环境造成了负担
。

技术实现思路

[0006]本申请实施例通过提供基于深度学习的智慧流体动态调节方法，解决了现有技术在智慧流体动态调节方面通常缺乏精细化的调控能力，很难实时准确地根据作物的生长状态和环境条件调整流体供给，导致流体供给不均衡，影响作物的生长质量和产量；由于缺乏精确的控制和监测手段，现有技术往往造成流体资源的浪费，资源利用效率低，不仅增加了农业生产的成本，也对环境造成了负担
。
实现了提高流体利用效率，促进作物生长，降低运行成本，还展现了强大的环境适应性和自我优化能力
。
[0007]本申请提供了基于深度学习的智慧流体动态调节方法，具体包括以下技术方案：基于深度学习的智慧流体动态调节方法，包括以下步骤：
S100
：在智慧流体动态调节环境中，基于土壤
‑
作物矩阵分解模型，引入时空矩阵
因子分解技术，基于土壤湿度
、
作物类型和时间的交互作用，引入深度学习算法；
S200
：在智慧流体动态调节框架下，引入拓扑优化和非线性动态系统理论
。
[0008]优选的，所述
S100
，具体包括：引入土壤
‑
作物矩阵分解模型，所述土壤
‑
作物矩阵分解模型是三维时空矩阵，能够将土壤湿度
、
作物类型和时间因素融合在一起，进行综合分析
。
[0009]优选的，所述
S100
，还包括：所述土壤
‑
作物矩阵分解模型的核心是时空矩阵因子分解技术，所述时空矩阵因子分解技术将时空数据矩阵分解为两个及以上低秩矩阵的乘积；土壤
‑
作物矩阵分解模型还引入了时间衰减系数，以捕捉时间变化对作物水肥需求的影响
。
[0010]优选的，所述
S100
，还包括：定义损失函数，损失函数衡量了模型预测值与实际值之间的误差，并引入正则化项
。
[0011]优选的，所述
S100
，还包括：采用随机梯度下降法，通过迭代更新模型参数来逐渐减小损失函数的值；通过不断调整模型参数，最终得到能够预测作物水肥需求的模型
。
[0012]优选的，所述
S200
，具体包括：融合拓扑优化和非线性动态系统理论，动态调整控制策略，包括状态感知阶段
、
拓扑结构生成阶段
、
拓扑优化阶段
、
控制策略生成阶段
、
执行控制阶段
、
性能评估阶段
、
非线性动态调整阶段
。
[0013]优选的，所述
S200
，还包括：在所述拓扑结构生成阶段，将状态数据转化为拓扑结构；将环境状态抽象为拓扑结构；使用
sigmoid
函数进行转换并进行标准化处理，将原始状态数据压缩到
(0,1)
的范围内
。
[0014]优选的，所述
S200
，还包括：在所述拓扑优化阶段，对生成的拓扑结构进行优化处理，得到优化后的拓扑结构；在所述控制策略生成阶段，基于优化后的拓扑结构生成控制指令；在所述执行控制阶段，根据控制指令调整智慧泵房的工作状态
。
[0015]优选的，所述
S200
，还包括：在所述性能评估阶段，计算奖励函数
。
[0016]优选的，所述
S200
，还包括：所述非线性动态调整阶段，根据奖励函数的值，动态调整拓扑结构生成器和拓扑优化器的参数
。
[0017]有益效果：本申请实施例中提供的多个技术方案，至少具有如下技术效果或优点：
1、
通过引入时空矩阵因子分解技术，结合土壤湿度
、
作物类型和时间等多个因素，本专利技术能够实现对流体需求的高精度预测，确保了流体的最优供给，满足了作物生长的各个阶段的特定需求，从而提高了作物的生长质量和产量；
2、
本专利技术通过优化流体供给策略，显著提高了流体的利用效率，减少了流体的浪费，对于保护水资源
、
减少化肥使用带来了积极影响，有助于实现农业生产的可持续发展；
3、
通过智能调节泵房的运行状态，本专利技术能够根据实际需求调整水泵和肥料泵的工作，避免了不必要的能源浪费，从而降低了运行成本；这不仅提升了农业生产的经济效益，也促进了环境友好型农业的发展；
4、
通过非线性动态调整策略，本专利技术能够根据环境本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习的智慧流体动态调节方法，其特征在于，包括以下步骤：
S100
：在智慧流体动态调节环境中，基于土壤
‑
作物矩阵分解模型，引入时空矩阵因子分解技术，基于土壤湿度
、
作物类型和时间的交互作用，引入深度学习算法；
S200
：在智慧流体动态调节框架下，引入拓扑优化和非线性动态系统理论
。2.
根据权利要求1所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述
S100
，具体包括：引入土壤
‑
作物矩阵分解模型，所述土壤
‑
作物矩阵分解模型是三维时空矩阵，能够将土壤湿度
、
作物类型和时间因素融合在一起，进行综合分析
。3.
根据权利要求2所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述
S100
，还包括：所述土壤
‑
作物矩阵分解模型的核心是时空矩阵因子分解技术，所述时空矩阵因子分解技术将时空数据矩阵分解为两个及以上低秩矩阵的乘积；土壤
‑
作物矩阵分解模型还引入了时间衰减系数，以捕捉时间变化对作物水肥需求的影响
。4.
根据权利要求3所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述
S100
，还包括：定义损失函数，损失函数衡量了模型预测值与实际值之间的误差，并引入正则化项
。5.
根据权利要求4所述的基于深度学习的智慧流体动态调节方法，其特征在于，所述
S100
，还包括：采用随机梯度下降法，通过迭代更新模型参数来逐渐减小损失函数的值；通过不断调整模型参数，最终得到能够预测作物水...

【专利技术属性】
技术研发人员：叶佳，单俊，曹庆，王思韬，王洪江，田化强，王艳云，吴冬，郝俊飞，杜厚禄，
申请(专利权)人：山东工泵电机有限公司，
类型：发明
国别省市：