CN106600444A - 基于神经网络算法和投资组合理论的品种选择方法和装置 - Google Patents
基于神经网络算法和投资组合理论的品种选择方法和装置 Download PDFInfo
- Publication number
- CN106600444A CN106600444A CN201611142030.1A CN201611142030A CN106600444A CN 106600444 A CN106600444 A CN 106600444A CN 201611142030 A CN201611142030 A CN 201611142030A CN 106600444 A CN106600444 A CN 106600444A
- Authority
- CN
- China
- Prior art keywords
- variety
- yield
- preset area
- planted
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000010187 selection method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims description 77
- 238000012549 training Methods 0.000 claims description 50
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 41
- 230000001419 dependent effect Effects 0.000 description 10
- 241000894007 species Species 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Animal Husbandry (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Computation (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于神经网络算法和投资组合理论的品种选择方法和装置。包括:通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量;获取在预设区域内种植可供种植品种的约束参数值,约束参数值至少包括以下之一:在预设区域内种植的品种种类的上限值、在预设区域内种植的每个品种的使用比例上限值、在预设区域内种植的每个品种的使用比例下限值;通过目标函数确定在预设区域内种植的品种组合参数的值,其中,目标函数基于投资组合理论确定,目标函数用于至少增加预设区域的产量期望或至少减小预设区域的产量方差。本发明解决了相关技术中的品种选择方法不够贴合实际的技术问题。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种基于神经网络算法和投资组合理论的品种选择方法和装置。
背景技术
在对一块给定的土地选择最优的品种组合时,通常采用基于投资组合理论的品种选择方法,以土地的产量期望最大、产量方差最小为目标在可供选择的品种中选择种植的品种种类。投资组合理论是现代金融学的重要基础之一,其本质在于通过构建一个二次规划模型,求解资产组合的帕累托前沿,来满足证券投资组合的双重目标(最大化收益、最小化风险),从而提供一组在不同风险偏好情况下的最优投资品种组合。在解决对一块给定的土地选择最优的品种组合这一实际问题时,投资组合理论的目标也可以包括例如期望最大、方差最小等目标,以满足农业生产的实际要求。
但是现有技术中基于投资组合理论的品种选择模型没有考虑实际情况,使得计算出的最优组合结果不贴合实际,例如,在一块土地上种植上百种种子,或者某种使用的种子品种只用了极小的使用比例,这种情况是不合实际的。
针对相关技术中的品种选择方法不够贴合实际的技术问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种基于神经网络算法和投资组合理论的品种选择方法和装置,以至少解决相关技术中的品种选择方法不够贴合实际的技术问题。
根据本发明实施例的一个方面,提供了一种基于神经网络算法和投资组合理论的品种选择方法,包括:通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量;获取在预设区域内种植可供种植品种的约束参数值,其中,约束参数值至少包括以下之一:在预设区域内种植的品种种类的上限值、在预设区域内种植的每个品种的使用比例上限值、在预设区域内种植的每个品种的使用比例下限值;通过目标函数确定在预设区域内种植的品种组合参数的值,其中,目标函数基于投资组合理论确定,目标函数用于至少增加预设区域的产量期望或至少减小预设区域的产量方差,目标函数的约束条件根据约束参数值确定,目标函数的待定参数包括品种组合参数,品种组合参数包括品种组合中的品种种类及每个品种的使用比例。
进一步地,可供种植品种中包括第一品种,通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量包括:获取第一品种单独种植在其它区域的至少一个历史产量样本,其中,历史产量样本中包括产量及至少一个特征参数,其中,每个特征参数用于表示一个自然条件;根据第一品种的至少一个历史产量样本通过神经网络算法预测第一品种单独种植在预设区域内的产量。
进一步地,根据第一品种的至少一个历史产量样本通过神经网络算法预测第一品种单独种植在预设区域内的产量包括:通过Relief算法在至少一个特征参数中剔除对产量的影响权重小于预设阈值的特征参数,并将剩余的特征参数作为关键特征参数;确定神经网络模型,其中,将关键特征参数作为神经网络模型的输入自变量,并将至少一个历史产量样本作为神经网络模型的训练样本对神经网络模型进行训练;通过根据训练样本训练之后得到的神经网络模型预测第一品种单独种植在预设区域内的产量。
进一步地,通过根据训练样本训练之后得到的神经网络模型预测第一品种单独种植在预设区域内的产量包括:获取第一品种单独种植在预设区域内的关键特征参数的值;将第一品种单独种植在预设区域内的关键特征参数的值输入训练之后得到的神经网络模型,得到第一品种单独种植在预设区域内的预测产量。
进一步地,基于如下公式确定每个特征参数的影响权重Wj:其中,其中,m为至少一个历史产量样本的个数,K为需要预设的正整数参数且其中,DNM(k)=A-NM(k),其中,A为根据至少一个历史产量样本确定的矩阵,A=[(ai,j)],i=1,2,...,m,j=1,2,...,n,ai,j为第i个历史产量样本的第j个特征参数,每个历史产量样本包括n个特征参数,为与ai不同组的样本中在n维空间里欧氏距离距ai第k远的样本,DNH(k)=A-NH(k), 为与ai同组的样本中在n维空间里欧式距离距ai第k近的样本,其中,在基于公式确定每个特征参数的影响权重Wj之前,先将a1,a2,...,am按照产量值的大小分为两组。
进一步地,基于如下公式确定预设区域的产量期望E:其中,M为可供种植品种的种类个数,xi为第i个品种的使用比例,yi为第i个品种根据基于神经网络算法建立的产量预测模型预测的单独种植在预设区域内的产量;基于如下公式确定预设区域的产量方差V:其中,xj为第j个品种的使用比例,σij为第i个品种和第j个品种共同种植在预设区域内的产量的协方差;基于如下公式确定目标函数:minλV-(1-λ)E,其中,λ为需要预设的参数且0≤λ≤1;基于如下公式确定目标函数的约束条件:nili≤xi≤niui,i=1,2,...,M,其中,N为需要预设的用于表示在预设区域内种植的品种种类的上限的参数,ni为二值变量,li为需要预设的用于表示第i个品种的使用比例下限的参数,ui为需要预设的用于表示第i个品种使用比例上限的参数;基于目标函数及目标函数的约束条件确定品种组合参数xi(1≤i≤M)。
根据本发明实施例的另一方面,还提供了一种基于神经网络算法和投资组合理论的品种选择装置,包括:第一确定单元,用于通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量;获取单元,用于获取在预设区域内种植可供种植品种的约束参数值,其中,约束参数值至少包括以下之一:在预设区域内种植的品种种类的上限值、在预设区域内种植的每个品种的使用比例上限值、在预设区域内种植的每个品种的使用比例下限值;第二确定单元,用于基于投资组合理论确定在预设区域内种植的品种组合参数的值,其中,目标函数基于投资组合理论确定,目标函数用于至少增加预设区域的产量期望或至少减小预设区域的产量方差,目标函数的约束条件根据约束参数值确定的约束条件,品种组合参数包括品种组合中的品种种类及每个品种的使用比例。
进一步地,可供种植品种中包括第一品种,第一确定单元包括:获取模块,用于获取第一品种单独种植在其它区域的至少一个历史产量样本,其中,历史产量样本中包括产量及至少一个特征参数,其中,每个特征参数用于表示一个自然条件;预测模块,用于根据第一品种的至少一个历史产量样本通过神经网络算法预测第一品种单独种植在预设区域内的产量。
进一步地,预测模块包括:筛除子模块,用于通过Relief算法在至少一个特征参数中剔除对产量的影响权重小于预设阈值的特征参数,并将剩余的特征参数作为关键特征参数;确定子模块,用于确定神经网络模型,其中,将关键特征参数作为神经网络模型的输入自变量,并将至少一个历史产量样本作为神经网络模型的训练样本对神经网络模型进行训练;预测子模块,用于通过根据训练样本训练之后得到的神经网络模型预测第一品种单独种植在预设区域内的产量。
进一步地,预测子模块还用于:获取第一品种单独种植在预设区域内的关键特征参数的值;将第一品种单独种植在预设区域内的关键特征参数的值输入训练之后得到的神经网络模型,得到第一品种单独种植在预设区域内的预测产量。
在本发明实施例中,通过在基于投资组合理论确定品种组合参数的值时,确定符合实际情况的参数,例如,在预设区域内种植的品种种类的上限值、在预设区域内种植的每个品种的使用比例上限值、在预设区域内种植的每个品种的使用比例下限值,使得目标函数增加了符合实际情况的约束条件,进而使确定出的品种组合参数更符合实际,解决了相关技术中的品种选择方法不够贴合实际的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种可选的基于神经网络算法和投资组合理论的品种选择方法的流程图;
图2是根据本发明实施例的一种可选的神经网络模型的示意图;
图3是根据本发明实施例的另一种可选的基于神经网络算法和投资组合理论的品种选择方法的示意图;
图4是采用本发明实施例的一种可选的品种选择方法的结果示意图;
图5是根据本发明实施例的一种可选的基于神经网络算法和投资组合理论的品种选择装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种基于神经网络算法和投资组合理论的品种选择方法的实施例。
图1是根据本发明实施例的一种可选的基于神经网络算法和投资组合理论的品种选择方法的流程图,该方法可以通过计算机程序指令等方式执行,如图1所示,该方法包括如下步骤:
步骤S101,通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量;
步骤S102,获取在预设区域内种植可供种植品种的约束参数值,其中,约束参数值至少包括以下之一:在预设区域内种植的品种种类的上限值、在预设区域内种植的每个品种的使用比例上限值、在预设区域内种植的每个品种的使用比例下限值;
步骤S103,通过目标函数确定在预设区域内种植的品种组合参数的值,其中,目标函数基于投资组合理论确定,目标函数用于至少增加预设区域的产量期望或至少减小预设区域的产量方差,目标函数的约束条件根据约束参数值确定,目标函数的待定参数包括品种组合参数,品种组合参数包括品种组合中的品种种类及每个品种的使用比例。
下面对上述步骤作进一步地解释说明如下:
预设区域可以是一块土地,本发明提供的品种选择方法用于在预设区域内确定至少使产量的期望增大、产量方差减小的品种组合,其中,品种组合中的品种是在可供种植的品种中选择出的品种,可供种植的品种是农业上的植物品种,可以包括多个种类。由于投资组合理论是基于收益(产量)的理论,因此,需要获取可供种植品种中每个品种单独种植在预设区域内的产量。
具体地,获取可供种植品种中每个品种单独种植在预设区域内的产量可以通过神经网络算法计算。神经网络理论是机器学习、深度学习的重要基础之一,其本质在于通过对大量数据的学习,学习出有价值的规律性信息,并解决预测问题(包括预测具体数值、或预测所属分类)。在现实情况中,对于某一特定地块,它的历史数据只包含两个层面:过去年份中每一年种植了哪个品种、这一年的产量是多少。若某些品种未曾在这块土地上种植过,那么该品种在这块土地上的产量表现是不可获知的。然而,这些品种仍然是极具价值的,它们可能在这块土地上生产出更多、更稳定的粮食。因此,需要建立一个基于土壤、天气信息的产量预测模型,来较为精确地估计不同品种在土地上的表现,从而为决策提供参考,这就是神经网络产量预测模型的出发点。
如图2所示,神经网络算法的模型通常包括三个层面,第一层为输入层,用于接收自变量,图2中所示自变量为p个特征变量:特征变量1、特征变量2、特征变量3、……、特征变量p;第二层为隐含层,隐含层可以根据输入的p个特征变量计算得到结果;第三层为输出层,输出层用于输出因变量,因变量是隐含层根据输入的自变量计算得到的量。隐含层可能包含一些待定的参数,待定的参数需要训练样本集对其进行训练,训练样本集中的每个训练样本包括已确定数值的一组特征参数(特征变量)及结果(因变量),在训练神经网络模型时,将训练样本的特征参数组输入神经网络模型,训练的目标是使神经网络模型得到的结果尽量接近对应的训练样本的结果,根据训练样本训练神经网络模型之后,可以确定神经网络模型中的待定参数,然后将需要预测结果的自然条件输入到神经网络模型,得到预测结果。通过神经网络算法对每一个品种单独种植在预设区域内的产量进行预测之后,可以得到每个品种单独种植在预设区域内的预测产量。
以该实施例要解决的问题为例,神经网络模型的输入层为至少一个特征参数,每个特征参数可以用于表示一个自然条件,例如,特征参数可以是诸如光照、降水、降雪、温度、湿度、土壤酸碱度等自然条件的具体赋值。神经网络模型的输出层为预测产量。
通过神经网络算法确定可供种植品种中每个品种单独种植在预设区域内的产量可以是先通过每个品种的训练样本分别确定每个品种对应的神经网络模型。以可供种植品种中包括的第一品种为例,通过神经网络算法确定可供种植品种中每个品种单独种植在预设区域内的产量可以包括:获取第一品种单独种植在其它区域的至少一个历史产量样本,其中,历史产量样本中包括产量及至少一个特征参数,每个特征参数用于表示一个自然条件,然后根据第一品种的至少一个历史产量样本确定神经网络模型的待定参数,神经网络模型的待定参数确定之后第一品种对应的神经网络模型也随之确定,将预设区域的自然参数输入第一品种对应的神经网络模型,预测出第一品种在输入的自然参数的条件下单独种植在预设区域的产量。
预测出每个品种单独种植时的产量之后,可以根据每个品种的预测产量列出在预设区域内种植多个品种时的产量。在预设区域内种植多个品种是基于投资组合理论。对于农业生产决策,由于最重要的天气因素是多变且不可预测的,因此如何对冲天气的不确定性带来的风险,是一个重要的优化问题。投资组合理论是以收益最大、风险最小为目标的理论,投资组合理论包括目标函数和目标函数的约束条件。目标函数通常是使收益增大的同时风险减小,以本发明要解决的问题为例,目标函数的目标可以是使预设区域的产量期望最大,或者,使预设区域的产量方差最小,或者,使预设区域的产量期望最大且方差最小。目标函数可以根据投资组合理论的目标确定,不同的场景可以选择不同的目标函数。
因此,在该实施例中选择多个品种构成的品种组合来在预设区域上进行种植,选择品种组合的过程基于金融学的投资组合理论。将投资组合理论应用于产量预测的根源在于,不同品种对于同一天气的表现是不同的,这就为对冲不确定的天气风险提供了理论基础。例如,若品种A和B的期望产量接近,假设品种A抗旱不抗寒,品种B抗寒不抗旱,那么将A品种与B品种组合起来,无论是天气干旱还是寒冷,该品种组合都能提供一个稳定的总产量,即在产量不减小的前提下,降低产量波动的风险。
约束条件是根据约束参数值确定的。例如,如果接收用户向软件输入约束参数值包括在预设区域内种植的品种种类的上限值,那么可以根据该约束参数值确定目标函数的一个约束条件为选择的品种个数不超过输入的参数值。
该实施例通过在基于投资组合理论确定品种组合参数的值时,考虑到符合实际情况的参数,例如,在预设区域内种植的品种种类的上限值、在预设区域内种植的每个品种的使用比例上限值、在预设区域内种植的每个品种的使用比例下限值,使得目标函数增加了符合实际情况的约束条件,进而使确定出的品种组合参数更符合实际,解决了相关技术中的品种选择方法不够贴合实际的技术问题。
优选地,在本发明中提供了一种采用新的特征选择算法的神经网络模型以用于更精准的预测农业产量,在通过神经网络模型预测产量时,需要输入多个特征参数作为自变量,对于基于神经网络的产量预测模型,由于农业产量受到太多变量的影响,如光照、降水、降雪、温度、湿度、土壤酸碱度等,如果所有变量不加筛选、全部作为神经网络模型的输入变量,那么不仅会带来冗余信息,而且会增加预测模型的复杂度,降低预测精度。为了简化神经网络模型输入参数,提高模型预测精度,将神经网络模型的自变量个数减少,本发明通过一种改进的Relief算法在特征参数中剔除一部分对产量的影响权重较小的特征参数。
Relief是一种特征选择算法,通过计算不同自变量对因变量影响的权重进而筛选关键的自变量。其基本思想是:在高维空间内将样本按照因变量值的大小分为两类,对于每个样本,找出在同类中离它空间距离最近的点(Nearest Hit,下文简称NH),以及异类中离它最远的点(Nearest Miss,下文简称NM),并计算这三个点之间的距离。Relief算法的目的是增强同类的相似性,削弱异类的相似性。那么如果一个自变量足够重要,这个自变量就能够显著地区分所研究的样本点和离它最近、最远的两个样本点。需要说明的是,经过Relief算法对特征参数进行剔除之后,剩余的特征参数可能是对产量具有正影响的特征参数,也可能是对产量具有负影响的特征参数,Relief算法剔除特征时并不是依据对因变量影响的正负,而是依据对因变量影响的程度大小。
具体地,根据第一品种的至少一个历史产量样本通过神经网络算法预测第一品种单独种植在预设区域内的产量包括:通过Relief算法在至少一个特征参数中剔除对产量的影响权重小于预设阈值的特征参数,并将剩余的特征参数作为关键特征参数。在确定出关键特征参数之后,可以确定神经网络模型。神经网络模型具有一个或多个输入自变量,将关键特征参数作为神经网络模型的输入自变量,并将至少一个历史产量样本作为神经网络模型的训练样本对神经网络模型进行训练。根据训练样本训练神经网络模型是通过训练样本调整神经网络模型中待定参数,以使神经网络模型在接收一个样本的自变量的输入之后得到的结果更符合该样本的实际因变量。
在根据训练样本训练神经网络模型之后,可以通过训练之后得到的神经网络模型预测第一品种单独种植在预设区域内的产量。具体地,首先获取第一品种单独种植在预设区域内的关键特征参数的值,然后将第一品种单独种植在预设区域内的关键特征参数的值输入训练之后得到的神经网络模型,得到第一品种单独种植在预设区域内的预测产量。
下面结合图3对在一个应用场景中实施上述实施例的一种具体实施方式进行描述:
(1)通过Relief算法剔除对产量影响权重较小的特征参数:
假设对于一个品种存在m个历史产量样本,这m个历史产量样本可以是记录的不同时期、不同区域的实际产量,每个历史产量样本可以分为两部分,一部分为特征参数(自变量),特征参数可以是诸如光照、降水、降雪、温度、湿度、土壤酸碱度等特征的具体赋值,另一部分为产量(因变量)。
将特征参数部分提取出来作为训练样本,得到训练样本ai(i=1,2,...,m),每个训练样本包括n个特征参数,对于这m个训练样本,可以用矩阵A表示,A=[(ai,j)],i=1,2,...,m,j=1,2,...,n,其中,ai,j为第i个历史产量样本的第j个特征参数。
得到原始样本矩阵A之后,对A中的所有样本进行分类,按照每个样本ai对应的产量值的高低将m个样本分为高产组和低产组,其中,分组时可以以产量的中位值作为分界点。
定义K个矩阵其中,K是预设的、不大于的正整数,在该具体实施方式中,将K设置为K=[log2(m)],即为不大于log2(m)的最大的正整数。每个矩阵NM(k)中包括m个向量 为与ai不同组的样本中在n维空间里欧氏距离距ai第k远的样本,分别确定与a1,a2,...,am距离第k远的样本向量,组成矩阵NM(k)。
同理,定义K个矩阵每个矩阵NH(k)中包括m个向量 为与ai同组的样本中在n维空间里欧氏距离距ai第k近的样本。
分别将原始样本矩阵A与矩阵NM(k)、NH(k)求差,得到DNM(k)=A-NM(k),DNH(k)=A-NH(k)。
那么,定义第j个特征参数的区分能力为:
其中,用于表示第j个特征参数区分矩阵NM(k)与NH(k)的能力。
如果设置k≤K,则第j个特征参数的能力,也即第j个特征参数对产量的影响权重Wj定义为:
在通过上述算法计算出每个特征参数的影响权重之后,可以根据影响权重大小提出影响权重小于预设阈值的特征参数,并将剩余的特征参数作为关键特征参数。例如,将每个特征参数按照影响权重大小降序排列,计算累计百分位,取前85%累计百分位的特征参数为关键特征参数,确定出的关键特征参数用于作为神经网络预测模型的输入变量。这种通过影响权重大小来筛选特征参数的方法,大大减少了神经网络预测模型中输入变量的个数,达到了不损失较多信息的同时降低预测模型复杂度的效果。
将一组样本通过四种不同的方法进行计算,得到预测的误差结果如下:
表1
方法A、B、C、D分别代表上述具体实施例提供的单独产量预测算法(神经网络+Relief算法筛选关键特征)、神经网络、线性回归+Relief算法筛选关键特征、线性回归,本专利所提出的模型为方法A。可以采用“平均百分绝对误差”来比较不同预测模型的预测精度,从表1中我们可以得到如下结论:(1)对于每一个品种,本发明的方法得到的样本外预测误差是最小的;(2)就预测精度而言,方法A好于方法B,方法C好于方法D,说明采用了改进的Relief算法选择关键特征可以提高预测模型的效果;(3)方法A好于方案C,方法B好于方法D,说明在关键变量选择方法一致的情况下,基于神经网络构建的预测模型要优于回归预测模型。
(2)在神经网络模型输入层的自变量中剔除对产量的影响权重较小的特征参数,训练每个品种的神经网络模型以得到产量预测模型:
神经网络模型输入层中的自变量为剩余的特征参数,神经网络模型输出层中的因变量为产量,将(1)中的品种的训练样本输入神经网络模型以训练该品种对应的神经网络模型中待定的参数。依次将所有训练样本输入神经网络模型,每次训练都会调整神经网络模型中待定的参数,在将所有训练样本输入完毕之后,认为神经网络模型训练完毕,得到与该品种对应的产量预测模型。对于每个品种执行(1)和(2)的步骤,以得到各个品种的产量预测模型。
(3)将预设区域的特征参数输入各个品种的产量预测模型之后,可以分别得到各个品种单独种植在预设区域的预测产量:
在根据一个品种的训练样本训练出神经网络模型之后,可以根据该神经网络模型计算出该品种在预设区域内的预测产量。具体地,可以输入在预设区域内种植的特征参数值,该参数值可以通过用户输入进电脑中,也可以通过软件从预设的数据库中提取,将用于预测该品种产量的特征参数值输入神经网络模型之后,可以确定出该品种的预测产量,进而确定在预设区域内单独种植可供种植的每个品种的预测产量。
(4)确定目标函数,并将每个品种单独种植在预设区域的预测产量作为基于投资组合理论确定的目标函数的一种输入参数:
目标函数是基于投资组合理论确定的,目的是使预设区域的产量期望最大且方差最小,其中,
目标函数确定为:
minλV-(1-λ)E,
其中,λ称为松弛变量,是需要输入的参数,0≤λ≤1,其中,通过调整λ的取值可以得到一组解,这组解就是在不同风险偏好情况下的一组帕累托最优解集。
E为预设区域的产量期望,公式如下:
其中,M为可供种植品种的种类个数,xi为第i个品种的使用比例,yi为第i个品种单独种植在预设区域内的产量,也即,yi为(3)中通过产量预测模型计算出的各个品种的预测产量;
V为预设区域的产量方差,公式如下:
其中,xj为第j个品种的使用比例,σij为第i个品种和第j个品种共同种植在预设区域内的产量的协方差。
目标函数的约束条件包括:
1)品种个数约束其中,N为在预设区域内种植的品种种类的上限,ni为二值变量;
2)总量约束
3)每种品种使用比例的上下限约束:nili≤xi≤niui,i=1,2,...,M,其中,li为第i个品种的使用比例下限,ui为第i个品种使用比例上限。
上述约束条件中,条件1)和条件3)是新增的约束条件,是根据实际情况增加的约束。
在根据目标函数确定在预设区域内种植的品种组合参数的值之前,可以输入参数λ、N、li、ui的值,该参数可以是用户手动输入的,也可以是读取预设数据库中的数据,输入参数之后,可以根据目标函数及目标函数的约束条件确定最优品种解集,得到参数xi(1≤i≤M)为品种组合参数。
将表1中的所有品种作为可供种植的品种对一块区域的最优品种组合进行求解,得到的结果如图5所示,图5为“方差-期望”图,横坐标为方差,纵坐标为期望。每个标记“+”代表一个品种,虚线表示通过求解混合整数规划问题得到的“帕累托前沿”,虚线上的点表示最优品种组合。不难看出,虚线下方的点都是非有效品种,因为对于这些品种及所对应的(Ei,Vi),总能在“帕累托前沿”这条虚线上找到一个最优品种组合所对应的(Ej,Vj),以满足:
或
设输入的参数N=5,即至多选5个品种;li=10%,表示品种使用比例下限是10%;ui=100%,表示品种使用比例上限为100%。通过求解得到多种品种组合参数如下表所示:
表2
其中,表2中“Portfolio Number”栏为品种组合的编号,“Mean”栏为预设区域内产量的期望,“Variance”栏为方差,“variety”栏为品种代码,“increment”栏为品种使用比例。从表2中可以看出,通过对目标函数进行求解得到的品种组合结果能够使得期望较大的情况下方差尽可能的小,并且能够考虑到实际情况,防止生成不合实际的品种组合结果。
该实施例从投资组合理论出发,提出了一种基于实际约束条件的混合二次整数规划模型,通过将不同品种组合起来,有效地对冲了未来天气的不确定性,通过将产量预测模型、品种组合优化模型结合起来,构建了一种基于预测的农业产量优化分析模式,提供了一个可推广的、在任意地块选取最优品种组合的方法。
需要说明的是,在附图的流程图示出的步骤可以在终端中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例,提供了一种基于神经网络算法和投资组合理论的品种选择装置的实施例。
图3是根据本发明实施例的一种可选的基于神经网络算法和投资组合理论的品种选择装置的示意图,如图3所示,该装置包括第一确定单元10,获取单元20和第二确定单元30。
第一确定单元,用于通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量;获取单元,用于获取在预设区域内种植可供种植品种的约束参数值,其中,约束参数值至少包括以下之一:在预设区域内种植的品种种类的上限值、在预设区域内种植的每个品种的使用比例上限值、在预设区域内种植的每个品种的使用比例下限值;第二确定单元,用于基于投资组合理论确定在预设区域内种植的品种组合参数的值,其中,目标函数基于投资组合理论确定,目标函数用于至少增加预设区域的产量期望或至少减小预设区域的产量方差,目标函数的约束条件根据约束参数值确定的约束条件,品种组合参数包括品种组合中的品种种类及每个品种的使用比例。
在基于投资组合理论确定目标函数和约束条件时,可以通过如下的公式:
基于如下公式确定预设区域的产量期望E:其中,M为可供种植品种的种类个数,xi为第i个品种的使用比例,yi为第i个品种单独种植在预设区域内的产量;基于如下公式确定预设区域的产量方差V:其中,xj为第j个品种的使用比例,σij为第i个品种和第j个品种共同种植在预设区域内的产量的协方差;基于如下公式确定目标函数:minλV-(1-λ)E,其中,λ为松弛变量,0≤λ≤1;基于如下公式确定目标函数的约束条件:nili≤xi≤niui,i=1,2,...,M,其中,N为在预设区域内种植的品种种类的上限,ni为二值变量,li为第i个品种的使用比例上限,ui为第i个品种使用比例下限,在基于投资组合理论确定在预设区域内种植的品种组合参数的值之前,方法还包括:接收输入的参数λ、N、li、ui的值,在基于投资组合理论确定在预设区域内种植的品种组合参数的值之后,方法还包括:根据目标函数及目标函数的约束条件确定参数xi(1≤i≤M)。
可供种植品种中包括第一品种,以预测第一品种的产量为例,第一确定单元可以包括:获取模块,用于获取第一品种单独种植在其它区域的至少一个历史产量样本,其中,历史产量样本中包括产量及至少一个特征参数,其中,至少一个特征参数至少包括以下之一:用于表示天气情况的天气参数、用于表示其它区域的土地情况的土地参数;预测模块,用于根据第一品种的至少一个历史产量样本通过神经网络算法预测第一品种单独种植在预设区域内的产量。
预测模块可以包括:筛除子模块,用于通过Relief算法在至少一个特征参数中剔除对产量的影响权重小于预设阈值的特征参数,并将剩余的特征参数作为关键特征参数;确定子模块,用于确定神经网络模型,其中,将关键特征参数作为神经网络模型的输入自变量,并将至少一个历史产量样本作为神经网络模型的训练样本对神经网络模型进行训练;预测子模块,用于通过根据训练样本训练之后得到的神经网络模型预测第一品种单独种植在预设区域内的产量。
具体地,可以基于如下公式确定每个特征参数的影响权重Wj:其中,其中,m为至少一个历史产量样本的个数,K为需要预设的正整数参数且可以设置K=[log2(m)],即为不大于log2(m)的最大的正整数。其中,DNM(k)=A-NM(k),其中,A为根据至少一个历史产量样本确定的矩阵,A=[(ai,j)],i=1,2,...,m,j=1,2,...,n,ai,j为第i个历史产量样本的第j个特征参数,每个历史产量样本包括n个特征参数,为与ai不同组的样本中在n维空间里欧氏距离距ai第k远的样本,DNH(k)=A-NH(k), 为与ai同组的样本中在n维空间里欧式距离距ai第k近的样本。
优选地,预测子模块还可以用于:获取第一品种单独种植在预设区域内的关键特征参数的值;将第一品种单独种植在预设区域内的关键特征参数的值输入训练之后得到的神经网络模型,得到第一品种单独种植在预设区域内的预测产量。
上述的装置可以包括处理器和存储器,上述单元均可以作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
上述本申请实施例的顺序仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种基于神经网络算法和投资组合理论的品种选择方法,其特征在于,包括:
通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量;
获取在所述预设区域内种植所述可供种植品种的约束参数值,其中,所述约束参数值至少包括以下之一:在所述预设区域内种植的品种种类的上限值、在所述预设区域内种植的每个品种的使用比例上限值、在所述预设区域内种植的每个品种的使用比例下限值;
通过目标函数确定在所述预设区域内种植的品种组合参数的值,其中,所述目标函数基于投资组合理论确定,所述目标函数用于至少增加所述预设区域的产量期望或至少减小所述预设区域的产量方差,所述目标函数的约束条件根据所述约束参数值确定,所述目标函数的待定参数包括所述品种组合参数,所述品种组合参数包括品种组合中的品种种类及每个品种的使用比例。
2.根据权利要求1所述的方法,其特征在于,所述可供种植品种中包括第一品种,通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量,包括:
获取所述第一品种单独种植在其它区域的至少一个历史产量样本,其中,所述历史产量样本中包括产量及至少一个特征参数,其中,每个特征参数用于表示一个所述自然条件;
根据所述第一品种的至少一个历史产量样本通过所述神经网络算法预测所述第一品种单独种植在所述预设区域内的产量。
3.根据权利要求2所述的方法,其特征在于,根据所述第一品种的至少一个历史产量样本通过所述神经网络算法预测所述第一品种单独种植在所述预设区域内的产量包括:
通过Relief算法在所述至少一个特征参数中剔除对产量的影响权重小于预设阈值的特征参数,并将剩余的特征参数作为关键特征参数;
确定神经网络模型,其中,将所述关键特征参数作为所述神经网络模型的输入自变量,并将所述至少一个历史产量样本作为所述神经网络模型的训练样本对所述神经网络模型进行训练;
通过根据所述训练样本训练之后得到的神经网络模型预测所述第一品种单独种植在所述预设区域内的产量。
4.根据权利要求3所述的方法,其特征在于,通过根据所述训练样本训练之后得到的神经网络模型预测所述第一品种单独种植在所述预设区域内的产量包括:
获取所述第一品种单独种植在所述预设区域内的关键特征参数的值;
将所述第一品种单独种植在所述预设区域内的关键特征参数的值输入所述训练之后得到的神经网络模型,得到所述第一品种单独种植在所述预设区域内的预测产量。
5.根据权利要求3所述的方法,其特征在于,通过Relief算法在所述至少一个特征参数中剔除对产量的影响权重小于预设阈值的特征参数包括:
基于如下公式确定每个特征参数的影响权重Wj:
其中,其中,m为所述至少一个历史产量样本的个数,K为需要预设的正整数参数且
其中,DNM(k)=A-NM(k),其中,A为根据所述至少一个历史产量样本确定的矩阵,A=[(ai,j)],i=1,2,...,m,j=1,2,...,n,ai,j为第i个历史产量样本的第j个特征参数,每个历史产量样本包括n个特征参数,为与ai不同组的样本中在n维空间里欧氏距离距ai第k远的样本,
DNH(k)=A-NH(k), 为与ai同组的样本中在n维空间里欧式距离距ai第k近的样本,
其中,在基于公式确定每个特征参数的影响权重Wj之前,先将a1,a2,...,am按照产量值的大小分为两组。
6.根据权利要求1所述的方法,其特征在于,
基于如下公式确定所述预设区域的产量期望E:
其中,M为所述可供种植品种的种类个数,xi为第i个品种的使用比例,yi为第i个品种根据基于神经网络算法建立的产量预测模型预测的单独种植在所述预设区域内的产量;
基于如下公式确定所述预设区域的产量方差V:
其中,xj为第j个品种的使用比例,σij为第i个品种和第j个品种共同种植在所述预设区域内的产量的协方差;
基于如下公式确定所述目标函数:
minλV-(1-λ)E,其中,λ为需要预设的参数且0≤λ≤1;
基于如下公式确定所述目标函数的约束条件:
其中,N为需要预设的用于表示在所述预设区域内种植的品种种类的上限的参数,ni为二值变量,li为需要预设的用于表示第i个品种的使用比例下限的参数,ui为需要预设的用于表示第i个品种使用比例上限的参数;
基于所述目标函数及所述目标函数的约束条件确定品种组合参数xi(1≤i≤M)。
7.一种基于神经网络算法和投资组合理论的品种选择装置,其特征在于,包括:
第一确定单元,用于通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量;
获取单元,用于获取在所述预设区域内种植所述可供种植品种的约束参数值,其中,所述约束参数值至少包括以下之一:在所述预设区域内种植的品种种类的上限值、在所述预设区域内种植的每个品种的使用比例上限值、在所述预设区域内种植的每个品种的使用比例下限值;
第二确定单元,用于通过目标函数确定在所述预设区域内种植的品种组合参数的值,其中,所述目标函数基于投资组合理论确定,所述目标函数用于至少增加所述预设区域的产量期望或至少减小所述预设区域的产量方差,所述目标函数的约束条件根据所述约束参数值确定,所述目标函数的待定参数包括所述品种组合参数,所述品种组合参数包括品种组合中的品种种类及每个品种的使用比例。
8.根据权利要求7所述的装置,其特征在于,所述可供种植品种中包括第一品种,所述第一确定单元包括:
获取模块,用于获取所述第一品种单独种植在其它区域的至少一个历史产量样本,其中,所述历史产量样本中包括产量及至少一个特征参数,其中,每个特征参数用于表示一个所述自然条件,所述自然条件至少包括天气条件、土壤条件;
预测模块,用于根据所述第一品种的至少一个历史产量样本通过所述神经网络算法预测所述第一品种单独种植在所述预设区域内的产量。
9.根据权利要求8所述的装置,其特征在于,所述预测模块包括:
筛除子模块,用于通过Relief算法在所述至少一个特征参数中剔除对产量的影响权重小于预设阈值的特征参数,并将剩余的特征参数作为关键特征参数;
确定子模块,用于确定神经网络模型,其中,将所述关键特征参数作为所述神经网络模型的输入自变量,并将所述至少一个历史产量样本作为所述神经网络模型的训练样本对所述神经网络模型进行训练;
预测子模块,用于通过根据所述训练样本训练之后得到的神经网络模型预测所述第一品种单独种植在所述预设区域内的产量。
10.根据权利要求9所述的装置,其特征在于,所述预测子模块还用于:
获取所述第一品种单独种植在所述预设区域内的关键特征参数的值;
将所述第一品种单独种植在所述预设区域内的关键特征参数的值输入所述训练之后得到的神经网络模型,得到所述第一品种单独种植在所述预设区域内的预测产量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611142030.1A CN106600444A (zh) | 2016-12-12 | 2016-12-12 | 基于神经网络算法和投资组合理论的品种选择方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611142030.1A CN106600444A (zh) | 2016-12-12 | 2016-12-12 | 基于神经网络算法和投资组合理论的品种选择方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600444A true CN106600444A (zh) | 2017-04-26 |
Family
ID=58598816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611142030.1A Pending CN106600444A (zh) | 2016-12-12 | 2016-12-12 | 基于神经网络算法和投资组合理论的品种选择方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600444A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292383A (zh) * | 2017-07-06 | 2017-10-24 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
CN108510107A (zh) * | 2018-03-07 | 2018-09-07 | 深圳远佳智慧科技有限公司 | 一种农业种植指导方法、电子设备及存储介质 |
CN111565558A (zh) * | 2017-11-09 | 2020-08-21 | 克莱米特公司 | 根据田地的杂交种子选择和种子投资组合优化 |
CN115619586A (zh) * | 2022-12-16 | 2023-01-17 | 山东硕冠生态农业发展有限公司 | 一种基于数据分析的生态农业种植风险评估系统 |
US11562444B2 (en) | 2017-11-09 | 2023-01-24 | Climate Llc | Hybrid seed selection and seed portfolio optimization by field |
TWI815453B (zh) * | 2022-05-16 | 2023-09-11 | 玉山商業銀行股份有限公司 | 資產配適優化系統 |
CN116930459A (zh) * | 2023-07-25 | 2023-10-24 | 江苏龙环环境科技有限公司 | 一种土壤原位探测装置及其探测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
US20140278731A1 (en) * | 2013-03-15 | 2014-09-18 | Cresco Ag, Llc | System and Method for Agricultural Risk Management |
CN104809069A (zh) * | 2015-05-11 | 2015-07-29 | 中国电力科学研究院 | 一种基于集成神经网络的源代码漏洞检测方法 |
-
2016
- 2016-12-12 CN CN201611142030.1A patent/CN106600444A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101480143A (zh) * | 2009-01-21 | 2009-07-15 | 华中科技大学 | 一种预测灌区作物单产量的方法 |
US20140278731A1 (en) * | 2013-03-15 | 2014-09-18 | Cresco Ag, Llc | System and Method for Agricultural Risk Management |
CN104809069A (zh) * | 2015-05-11 | 2015-07-29 | 中国电力科学研究院 | 一种基于集成神经网络的源代码漏洞检测方法 |
Non-Patent Citations (2)
Title |
---|
MARKO,OSKAR,ET AL: "Soybean varieties portfolio optimisation basedon yield prediction", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
MORTENSON,RYAN,ET AL.: "Wheat Variety Selection:An Application of Portfolio Theory in Colorado", 《WESTERN ECONOMICS FORUM.WESTERN AGRICULTURAL ECONOMICS ASSOCIATION. 》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292383A (zh) * | 2017-07-06 | 2017-10-24 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
CN107292383B (zh) * | 2017-07-06 | 2019-12-03 | 郑保宁 | 基于深度学习算法与混合整数线性规划相结合的水质波动区间预测方法 |
CN111565558A (zh) * | 2017-11-09 | 2020-08-21 | 克莱米特公司 | 根据田地的杂交种子选择和种子投资组合优化 |
US11562444B2 (en) | 2017-11-09 | 2023-01-24 | Climate Llc | Hybrid seed selection and seed portfolio optimization by field |
CN108510107A (zh) * | 2018-03-07 | 2018-09-07 | 深圳远佳智慧科技有限公司 | 一种农业种植指导方法、电子设备及存储介质 |
CN108510107B (zh) * | 2018-03-07 | 2022-04-15 | 深圳远佳智慧科技有限公司 | 一种农业种植指导方法、电子设备及存储介质 |
TWI815453B (zh) * | 2022-05-16 | 2023-09-11 | 玉山商業銀行股份有限公司 | 資產配適優化系統 |
CN115619586A (zh) * | 2022-12-16 | 2023-01-17 | 山东硕冠生态农业发展有限公司 | 一种基于数据分析的生态农业种植风险评估系统 |
CN116930459A (zh) * | 2023-07-25 | 2023-10-24 | 江苏龙环环境科技有限公司 | 一种土壤原位探测装置及其探测方法 |
CN116930459B (zh) * | 2023-07-25 | 2024-03-12 | 江苏龙环环境科技有限公司 | 一种土壤原位探测装置及其探测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600444A (zh) | 基于神经网络算法和投资组合理论的品种选择方法和装置 | |
CN105844300A (zh) | 一种基于随机森林算法的优化分类方法及装置 | |
CN110298663A (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
Akshatha et al. | Implementation of machine learning algorithms for crop recommendation using precision agriculture | |
CN109146119B (zh) | 小麦耐荫性综合鉴定模型、方法及应用 | |
CN111738477A (zh) | 基于深层特征组合的电网新能源消纳能力预测方法 | |
Kozak et al. | Selection of promising genotypes based on path and cluster analyses | |
CN108681751A (zh) | 确定事件影响因素的方法及终端设备 | |
CN113379188B (zh) | 基于物联网的烟草轮作种植方法和系统 | |
Fuglie et al. | The diffusion and impact of improved food crop varieties in sub-Saharan Africa. | |
CN109472320B (zh) | 不确定条件下作物生育期模型品种参数自动校正方法 | |
Marinković et al. | Data mining approach for predictive modeling of agricultural yield data | |
Khin et al. | Crop Yield Prediction Enhancement Utilizing Deep Learning and Ensemble Algorithms | |
McDonald et al. | A TUTORIAL ON EVALUATING EXPECTED RETURNS FROM RESEARCH FOR FISHERY MANAGEMENT USING BAYES'THEOREM | |
CN104572900A (zh) | 一种作物育种评价的性状特征选择方法 | |
Christopher | Comparative analysis of enterprise combination costs and returns in cassava-based food crop farming systems in Delta State, Nigeria | |
Chen et al. | An approach for optimizing group stock portfolio using multi-objective genetic algorithm | |
Newton | Development and utility of an ecological-based decision-support system for managing mixed coniferous forest stands for multiple objectives | |
Lagrazon et al. | A Comparative Analysis of the Machine Learning Model for Crop Yield Prediction in Quezon Province, Philippines | |
Babazadeh et al. | Crop Production and Water Productivity Simultaneously Optimization of Soybean Plant Using Two Meta-Heuristic Algorithms | |
Naroui et al. | Machine learning approaches to classify melon landraces based on phenotypic traits | |
Hannok et al. | Exploration of phenotypic dissimilarity for drought tolerance in maize inbred line collection | |
Kossakowski et al. | Application of self-organizing maps to the stock exchange data analysis | |
Kesarapu et al. | A Comprehensive Data Driven Approach on Crop Yield and Fertilizer Efficiency | |
CN118038268A (zh) | 一种基于多模型知识集成的作物病害识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |