【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种菇房温度预测模型的训练方法、菇房温度预测方法及装置。
技术介绍
1、在食用菌的种植过程中，菇房温度对食用菌养菌和出菇过程非常重要。食用菌的生命活动依赖于一系列功能蛋白，而蛋白活性与温度的变化密切相关。当菇房内温度超过食用菌适宜上限温度时，菌丝长势弱，容易遭受病虫害的侵袭，一旦超过其耐受极限，菌丝体受伤后将不可逆转；当菇房内温度低于适宜下限温度则生长缓慢或停止生长。因此，菇房温度精准控制是食用菌种植过程中必不可少的一环。
2、目前的菇房温度精准控制方法一般是以各种人工智能算法作为初始算法构建菇房温度预测模型，并利用历史菇房温度数据对菇房温度预测模型进行训练，最后将训练完成的菇房温度预测模型用于实际的菇房温度预测，从而对菇房温度进行精准控制。
3、在菇房温度预测模型的过程中，如果不对历史菇房温度数据进行一定处理，而仅仅只是重复地将历史菇房温度数据输入至模型中进行训练，那么想训练得到一个具有更好效果的菇房温度预测模型，往往就需要采集更多的历史菇房温度数据。并且其中一些具有明显特征的历史菇房温度数据的采集往往代表着食用菌种植的失败，使得模型训练的经济成本大大增加。
4、因此，有必要提供一种菇房温度预测模型的训练方法，能够以更少的历史菇房温度数据，训练得到具有更好效果的菇房温度预测模型。
技术实现思路
1、本专利技术提供一种菇房温度预测模型的训练方法、菇房温度预测方法及装置，用以解决现有技术中重复将未经处理的历史菇房温度
2、第一方面，本专利技术提供一种菇房温度预测模型的训练方法，包括：所述菇房温度预测模型是由第一预测子模型和第二预测子模型并联构成的，所述训练方法包括：
3、获取训练样本集，所述训练样本集包括多个训练样本，每个所述训练样本包括一特征向量样本和菇房温度标签；所述特征向量样本是基于一历史采样周期的菇房环境特征数据确定的，所述菇房温度标签是所述历史采样周期的下一采样周期的菇房温度数据；
4、将所述菇房温度标签分解为若干个模态分量后，计算每个所述模态分量的复杂度；
5、根据所述复杂度，将所有所述模态分量进行高低频分类，并由所有的高频模态分量构建高频温度标签，以及由所有的低频模态分量构建低频温度标签；
6、利用所述特征向量样本和所述高频温度标签训练第一预测子模型，并利用所述特征向量样本和所述低频温度标签训练第二预测子模型。
7、根据本专利技术提供的一种菇房温度预测模型的训练方法，针对任一所述模态分量，所述复杂度的计算包括以下步骤：
8、计算所述模态分量所有序列值的平均值；
9、将所有序列值中大于所述平均值的赋值为1，将小于所述平均值的赋值为0，得到所述模态分量对应的二进制序列；
10、计算所述二进制序列的复杂度，将所述二进制序列的复杂度作为所述模态分量的复杂度，所述二进制序列的复杂度是基于所述二进制序列中相邻数值构成的不同子序列的数量确定的。
11、根据本专利技术提供的一种菇房温度预测模型的训练方法，所述计算所述二进制序列的复杂度，包括：
12、设所述二进制序列为，所述二进制序列的复杂度为，中间量，其中；
13、设为0，和为空字符，的初始值为1；
14、步骤1，判断是否属于序列，若属于，执行步骤2，若不属于，则执行步骤3；
15、步骤2，令；
16、步骤3，令，为空字符；
17、迭代执行步骤1至步骤3，直至。
18、根据本专利技术提供的一种菇房温度预测模型的训练方法，所述根据所述复杂度，将所有所述模态分量进行高低频分类，包括：
19、根据所述复杂度，对所有所述模态分量从小到大进行排序，得到模态分量列表；
20、将所述模态分量列表中各模态分量按照排列顺序逐次累加，获取累计复杂度；
21、计算所述累计复杂度与所有模态分量的总复杂度之间的比值；
22、确定所述比值大于预设临界参数时的累计复杂度为目标累计复杂度；
23、确定所述模态分量列表中与所述目标累计复杂度计算相关的所有模态分量为高频模态分量，否则确定为低频模态分量。
24、根据本专利技术提供的一种菇房温度预测模型的训练方法，将所述菇房温度标签分解为若干个模态分量之前，还包括：
25、以对所述菇房温度标签进行变分模态分解的包络熵值、分解后的重构误差和所述模态分量的分解数量之间的加权和最小为目标函数；
26、设置麻雀搜索算法的种群数量、迭代次数、所述分解数量的上下限和惩罚系数，对所述目标函数进行迭代寻优，获取所述分解数量的最优解。
27、根据本专利技术提供的一种菇房温度预测模型的训练方法，所述菇房温度预测模型的损失函数是基于平均绝对误差和热平衡物理模型的损失函数确定的；
28、所述热平衡物理模型的损失函数，是基于所述菇房温度预测模型的输出结果和所述历史采样周期内的菇房平均温度确定的；
29、所述菇房温度预测模型的输出结果为所述第一预测子模型的输出结果和所述第二预测子模型的输出结果之和；
30、所述菇房平均温度是基于所述历史采样周期内菇房的整体热量变化、室内空气定压比热容和室内空气总质量确定的；
31、所述整体热量变化是基于所述历史采样周期内菇房的热通量、菌菇呼吸产热量和空调供热量确定的。
32、根据本专利技术提供的一种菇房温度预测模型的训练方法，所述菇房温度预测模型的损失函数的计算公式为：
33、；
34、所述热平衡物理模型的损失函数的计算公式为：
35、；
36、所述历史采样周期内的菇房平均温度的计算公式为：
37、；
38、其中，是所述菇房温度预测模型的损失函数，是所述平均绝对误差，是所述热平衡物理模型的损失函数，为拉格朗日乘子，是所述第一预测子模型的输出结果，是所述第二预测子模型的输出结果，是所述历史采样周期内的菇房平均温度，为所述历史采样周期，为预先设定的误差项；是通过传感器采集的所述历史采样周期的上一历史采样周期的菇房温度数据，是所述历史采样周期内菇房的热通量，是所述历史采样周期内的菌菇呼吸产热量，是所述历史采样周期内的空调供热量，是所述历史采样周期内通过门缝逸散量、灯光和新风带来的室内热量，是室内空气定压比热容，单位为，是室内空气总质量，单位为。
39、根据本专利技术提供的一种菇房温度预测模型的训练方法，所述菇房环境特征数据是对多种菇房环境数据进行筛选后得到的；
40、相应的，对所述多种菇房环境数据进行筛选，包括：
41、将所述菇房环境特征数据输入至重要性评价模型，得到每种所述菇房环境特征数据的重要性评价结果；
42、将所述菇房环境特征数据输入至贡献度评价模型，得到每种所述菇房环境特征数据的贡献度评价结果；本文档来自技高网...
【技术保护点】
1.一种菇房温度预测模型的训练方法，其特征在于，所述菇房温度预测模型是由第一预测子模型和第二预测子模型并联构成的，所述训练方法包括：
2.根据权利要求1所述的菇房温度预测模型的训练方法，其特征在于，针对任一所述模态分量，所述复杂度的计算包括以下步骤：
3.根据权利要求2所述的菇房温度预测模型的训练方法，其特征在于，所述计算所述二进制序列的复杂度，包括：
4.根据权利要求1所述的菇房温度预测模型的训练方法，其特征在于，所述根据所述复杂度，将所有所述模态分量进行高低频分类，包括：
5.根据权利要求1所述的菇房温度预测模型的训练方法，其特征在于，将所述菇房温度标签分解为若干个模态分量之前，还包括：
6.根据权利要求1所述的菇房温度预测模型的训练方法，其特征在于，所述菇房温度预测模型的损失函数是基于平均绝对误差和热平衡物理模型的损失函数确定的；
7.根据权利要求6所述的菇房温度预测模型的训练方法，其特征在于，所述菇房温度预测模型的损失函数的计算公式为：
8.根据权利要求1所述的菇房温度预测模型的训练方法，
9.一种菇房温度预测方法，其特征在于，包括：
10.一种菇房温度预测装置，其特征在于，包括：
11.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述菇房温度预测模型的训练方法，或者实现如权利要求9所述菇房温度预测方法。
12.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述菇房温度预测模型的训练方法，或者实现如权利要求9所述菇房温度预测方法。
...【技术特征摘要】
1.一种菇房温度预测模型的训练方法，其特征在于，所述菇房温度预测模型是由第一预测子模型和第二预测子模型并联构成的，所述训练方法包括：
2.根据权利要求1所述的菇房温度预测模型的训练方法，其特征在于，针对任一所述模态分量，所述复杂度的计算包括以下步骤：
3.根据权利要求2所述的菇房温度预测模型的训练方法，其特征在于，所述计算所述二进制序列的复杂度，包括：
4.根据权利要求1所述的菇房温度预测模型的训练方法，其特征在于，所述根据所述复杂度，将所有所述模态分量进行高低频分类，包括：
5.根据权利要求1所述的菇房温度预测模型的训练方法，其特征在于，将所述菇房温度标签分解为若干个模态分量之前，还包括：
6.根据权利要求1所述的菇房温度预测模型的训练方法，其特征在于，所述菇房温度预测模型的损失函数是基于平均绝对误差和热平衡物理模型的损失函数确定的；
7...
【专利技术属性】
技术研发人员：王明飞，张馨，单飞飞，郑文刚，陈晓丽，孙维拓，赵九霄，王德群，
申请(专利权)人：北京市农林科学院智能装备技术研究中心，
类型：发明
国别省市：
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。