【技术实现步骤摘要】
本专利技术涉及人工智能与农业，尤其涉及一种设施葡萄光合速率预测方法、系统、设备及储存介质。
技术介绍
1、设施葡萄的光合速率是衡量葡萄生长状况和产量的重要指标，实时准确预测光合速率对于优化栽培管理、提高资源利用效率具有重要意义。然而，现有光合速率预测方法大多依赖单一模型，难以应对复杂多变的环境条件，存在预测精度不足、模型鲁棒性较差的问题。
2、目前，多种机器学习算法在光合速率预测领域的应用逐渐增多，包括支持向量机（svm）、长短期记忆网络（lstm）、高斯过程回归（gpr）等，但单一模型普遍存在输入特征选择单一、对非线性和时序特性捕捉不足的问题。
技术实现思路
1、基于
技术介绍
存在的技术问题，本专利技术提出了一种设施葡萄光合速率预测方法、系统、设备及储存介质，提高了光合速率预测精度。
2、本专利技术提出的一种设施葡萄光合速率预测方法、系统、设备及储存介质， 包括：
3、将设施葡萄生产环境的多维数据特征输入到多模型融合模型中，所述多模型融合模型包括基学习器...
【技术保护点】
1.一种设施葡萄光合速率预测方法，其特征在于，包括：
2.根据权利要求1所述的设施葡萄光合速率预测方法，其特征在于，多模型融合模型通过堆叠Stacking框架将基学习器和元学习器融合，多模型融合模型的训练过程如下：
3.根据权利要求1所述的设施葡萄光合速率预测方法，其特征在于，网格搜索优化K最近邻模型的构建过程如下：
4.根据权利要求1所述的设施葡萄光合速率预测方法，其特征在于，所述卡尔曼滤波优化高斯过程回归模型的构建过程如下：
5.根据权利要求4所述的设施葡萄光合速率预测方法，其特征在于，状态预测结果和协方差预测结果的
【技术特征摘要】
1.一种设施葡萄光合速率预测方法，其特征在于，包括：
2.根据权利要求1所述的设施葡萄光合速率预测方法，其特征在于，多模型融合模型通过堆叠stacking框架将基学习器和元学习器融合，多模型融合模型的训练过程如下：
3.根据权利要求1所述的设施葡萄光合速率预测方法，其特征在于，网格搜索优化k最近邻模型的构建过程如下：
4.根据权利要求1所述的设施葡萄光合速率预测方法，其特征在于，所述卡尔曼滤波优化高斯过程回归模型的构建过程如下：
5.根据权利要求4所述的设施葡萄光合速率预测方法，其特征在于，状态预测结果和协方差预测结果的计算公式如下：
6.根据权利要求2所述的设施葡萄光合速率预测方法，其特征在于，基学习器组中每个基学习器的训练过程中，堆叠stacking框架在数...
【专利技术属性】
技术研发人员：李华龙，程彬彬，刘先旺，杨选将，麻之润，郭盼盼，李淼，
申请(专利权)人：中国科学院合肥物质科学研究院，
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。