【技术实现步骤摘要】
本专利技术涉及数据处理，具体是指一种智能化农业供应链监管方法。
技术介绍
1、农业供应链监管方法的核心目的是确保农业产品从生产到销售的全过程都能顺利、高效地进行，帮助管理和优化农业供应链，以保证食品的安全、质量和供应的稳定性。但是一般农业供应链监管方法存在模型处理噪声数据能力差，对于偏离中心趋势的样本不敏感，导致模型稳定性差及模型过拟合风险严重的问题；一般农业供应链监管方法存在模型参数优化时种群初始化多样性和分布均匀性不足，导致全局搜索能力弱，搜索收敛速度慢及学习性弱导致无法快速实现准确优化的问题。
技术实现思路
1、针对上述情况，为克服现有技术的缺陷，本专利技术提供了一种智能化农业供应链监管方法，针对一般农业供应链监管方法存在模型处理噪声数据能力差，对于偏离中心趋势的样本不敏感，导致模型稳定性差及模型过拟合风险严重的问题，本方案引入基于两个拉普拉斯函数的凸组合定义鲁棒熵，进而定义鲁棒损失函数，能够对偏差灵活处理，使得模型更注重整体误差的减少，增强模型的泛化能力；通过定义鲁棒熵的上界和下界，提供对模型稳定性和收敛性的理论保证，高斯噪声的引入和边界条件的定义助于分析模型在不同噪声水平下的稳定性表现；将基于混合熵引导的损失函数转化为凸优化问题，并制定参数更新机制，处理约束优化问题，增加了模型优化的可靠性；针对一般农业供应链监管方法存在模型参数优化时种群初始化多样性和分布均匀性不足，导致全局搜索能力弱，搜索收敛速度慢及学习性弱导致无法快速实现准确优化的问题，本方案利用镜头成像反向学习方法
2、本专利技术采取的技术方案如下：本专利技术提供的一种智能化农业供应链监管方法，该方法包括以下步骤：
3、步骤s1：数据采集；
4、步骤s2：数据预处理；
5、步骤s3：建立农业供应链监管模型；
6、步骤s4：模型参数优化；
7、步骤s5：农业供应链监管。
8、进一步地，在步骤s1中，所述数据采集是采集历史农业供应链监管数据；所述历史农业供应链监管数据包括农产品生产数据、物流运输数据、环境数据、供应链管理数据和满意度反馈等级；将满意度反馈等级作为数据标签。
9、进一步地，在步骤s2中，所述数据预处理是对采集的历史农业供应链监管数据进行数据清洗、数据转换和数据集划分；所述数据清洗是对历史农业供应链监管数据进行缺失值、重复值和异常值处理；所述数据转换是将清洗后的数据转换为向量形式并基于最大最小归一化法进行标准化处理；所述数据集划分是将数据转换后的历史农业供应链监管数据随机划分为训练集和测试集。
10、进一步地，在步骤s3中，所述建立农业供应链监管模型是基于对历史农业供应链监管数据预处理得到的训练集和测试集构建神经网络并进行优化，训练集用于训练农业供应链监管模型，测试集用于评估农业供应链监管模型性能；具体包括以下步骤：
11、步骤s31：定义鲁棒熵；基于两个拉普拉斯函数的凸组合作为核，诱导一种鲁棒熵，表示为：
12、；
13、式中，u(·)是鲁棒熵；e[·]是期望；n是样本数量，i是样本索引；p是实际观测到的农业供应链数据的概率分布；q是模型预测的农业供应链数据的概率分布；是实际观测数据与模型预测数据之间的偏差；是平衡权重参数；和是形状参数；
14、步骤s32：定义鲁棒损失函数；基于鲁棒熵，引导出一个鲁棒损失函数，表示为：
15、；
16、式中，是鲁棒损失函数；
17、步骤s33：定义上界；设；是高斯噪声，满足；鲁棒熵的上界表示为：
18、；
19、步骤s34：定义下界；鲁棒熵的下界表示为：
20、；
21、步骤s35：优化损失函数；具体包括：
22、步骤s351：最小化损失函数，将鲁棒损失函数引入农业供应链监管模型，并进行最小化，表示为：
23、；
24、；
25、式中，m是特征矩阵，用于供应链数据的转换；b是模型的偏置项；是松弛变量；是弗罗贝尼乌斯范数的平方；c是正则化参数；是样本(i,j)的松弛变量；是样本(i,j)的标签；
26、步骤s352：通过混合熵引导损失凸共轭函数，将问题转化为：
27、；
28、；
29、；
30、式中，g(·)是凸共轭函数，v是内置参数；和是辅助变量，用于将问题转化为凸优化问题；
31、步骤s36：更新，具体包括：
32、步骤s361：固定和，优化m，b，；表示为：
33、；
34、；
35、；
36、式中，是辅助拉格朗日乘数；g是梯度项；是输入特征矩阵；
37、步骤s362：固定m，b，，优化和；表示为：
38、；
39、；
40、步骤s37：模型判定；基于bp神经网络架构，辅以步骤s31至步骤s36进行优化，当模型对训练集收敛时，农业供应链监管模型训练完成；预先设有正确率阈值，当训练完成的农业供应链监管模型对测试集的预测正确率高于正确率阈值时，农业供应链监管模型建立完成；否则调整农业供应链监管模型参数重新训练。
41、进一步地，在步骤s4中，所述模型参数优化是对农业供应链监管模型的参数进行调整；具体包括以下步骤：
42、步骤s41：初始化；基于形状参数、平衡权重参数、正则化参数、神经网络的架构参数和松弛变量构建参数优化空间；引入镜头成像反向学习，基于优化的圆混沌图初始化优化个体位置；将基于个体位置训练的农业供应链监管模型对测试集的预测正确率作为个体适应度值；初始化优化个体位置所用公式如下：
43、；
44、；
45、式中，和分别是第i+1优化个体和第i优化个体第j维度的预备位置；mod(·,·)是取模运算；是优化个体第j维度的初始化位置；和分别是种群第j维度的上界位置和下届位置；q是用于精细调整个体位置的超参数；
46、步骤s42：设计权重因子；引入自适应非线性递减权重因子，表示如下：
47、；
48、式中，是第t次迭代时的权重因子；tmax是最大迭代次数；
49、步骤s43：设计移动策略一；对于适应度值低于种群平均适应度值的个体，采用移动策略一进行位置更新；移动策略一表示如下：
50、；
51、式中，和分别本文档来自技高网...
【技术保护点】
1.一种智能化农业供应链监管方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种智能化农业供应链监管方法，其特征在于：在步骤S3中，所述建立农业供应链监管模型是基于对历史农业供应链监管数据预处理得到的训练集和测试集构建神经网络并进行优化，训练集用于训练农业供应链监管模型，测试集用于评估农业供应链监管模型性能；具体包括以下步骤：
3.根据权利要求1所述的一种智能化农业供应链监管方法，其特征在于：在步骤S4中，所述模型参数优化是对农业供应链监管模型的参数进行调整；具体包括以下步骤：
4.根据权利要求1所述的一种智能化农业供应链监管方法，其特征在于：在步骤S1中，所述数据采集是采集历史农业供应链监管数据；所述历史农业供应链监管数据包括农产品生产数据、物流运输数据、环境数据、供应链管理数据和满意度反馈等级；将满意度反馈等级作为数据标签。
5.根据权利要求1所述的一种智能化农业供应链监管方法，其特征在于：在步骤S5中，所述农业供应链监管是基于建立完成的农业供应链监管模型，实时采集农产品生产数据、物流运输数据、环境数据和供应链管
6.根据权利要求1所述的一种智能化农业供应链监管方法，其特征在于：在步骤S2中，所述数据预处理是对采集的历史农业供应链监管数据进行数据清洗、数据转换和数据集划分；所述数据清洗是对历史农业供应链监管数据进行缺失值、重复值和异常值处理；所述数据转换是将清洗后的数据转换为向量形式并基于最大最小归一化法进行标准化处理；所述数据集划分是将数据转换后的历史农业供应链监管数据随机划分为训练集和测试集。
...【技术特征摘要】
1.一种智能化农业供应链监管方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种智能化农业供应链监管方法，其特征在于：在步骤s3中，所述建立农业供应链监管模型是基于对历史农业供应链监管数据预处理得到的训练集和测试集构建神经网络并进行优化，训练集用于训练农业供应链监管模型，测试集用于评估农业供应链监管模型性能；具体包括以下步骤：
3.根据权利要求1所述的一种智能化农业供应链监管方法，其特征在于：在步骤s4中，所述模型参数优化是对农业供应链监管模型的参数进行调整；具体包括以下步骤：
4.根据权利要求1所述的一种智能化农业供应链监管方法，其特征在于：在步骤s1中，所述数据采集是采集历史农业供应链监管数据；所述历史农业供应链监管数据包括农产品生产数据、物流运输数据、环境数据、供应链管理数据和满意度反馈等级；将满意度...
【专利技术属性】
技术研发人员：张国栋，李霞，刘佳韵，宋涛，王平，王克响，米铁柱，
申请(专利权)人：青岛九天智慧农业集团有限公司，
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。