CN109543761B - 植物适生地的分类方法及装置 - Google Patents

植物适生地的分类方法及装置 Download PDF

Info

Publication number
CN109543761B
CN109543761B CN201811431786.7A CN201811431786A CN109543761B CN 109543761 B CN109543761 B CN 109543761B CN 201811431786 A CN201811431786 A CN 201811431786A CN 109543761 B CN109543761 B CN 109543761B
Authority
CN
China
Prior art keywords
plant
data set
particle
growth
habitat
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.)
Active
Application number
CN201811431786.7A
Other languages
English (en)
Other versions
CN109543761A (zh
Inventor
祁萌
王艳
何若雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu University
Original Assignee
Chengdu Technological University CDTU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Technological University CDTU filed Critical Chengdu Technological University CDTU
Priority to CN202010560574.XA priority Critical patent/CN111680762B/zh
Priority to CN201811431786.7A priority patent/CN109543761B/zh
Publication of CN109543761A publication Critical patent/CN109543761A/zh
Application granted granted Critical
Publication of CN109543761B publication Critical patent/CN109543761B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明提供了一种植物适生地的分类方法及装置，涉及植物适生地分类的技术领域，能够获取当前区域表征影响植物生长的地域特征数据集；通过计算地域特征数据集与指定植物的适生数据集的相似距，根据相似距判断当前区域相对于指定植物的适生等级；然后根据适生等级对当前区域进行分类，实现了植物适生地的快速选择，有效缓解了传统选择中药材适生地费时费力的技术问题。

Description

植物适生地的分类方法及装置
技术领域
本发明涉及植物适生地分类技术领域，尤其是涉及一种植物适生地的分类方法及装置。
背景技术
植物与我们人类和动物的生命有着相当密切的关系，为人类和动物提供食物、氧气等，以中药材植物为例，中药材除了能治病救人，还是一种珍贵的自然资源，可持续发展对其至关重要。环境因子与中药材的质量和产量有着密切的关系，不同地域的环境因子对中药材的生长具有极大的影响，因此，不同地域生长的中药材的质量差异很大，产量也不同。
目前，选择中药材适合生长的地域是依靠人们的经验进行选择的，这种选择中药材适生地的方法费时费力。
发明内容
有鉴于此，本发明的目的在于提供一种植物适生地的分类方法及装置，以缓解传统选择中药材适生地费时费力的技术问题。
第一方面，本发明实施例提供了一种植物适生地的分类方法，其中，该方法包括：获取当前区域表征影响植物生长的地域特征数据集；计算地域特征数据集与指定植物的适生数据集的相似距，根据相似距判断当前区域相对于指定植物的适生等级；根据适生等级对当前区域进行分类。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，计算地域特征数据集与指定植物的适生数据集的相似距，根据相似距判断当前区域相对于指定植物的适生等级的步骤包括：将地域特征数据集输入至预先训练好的植物适生地分类模型，通过植物适生地分类模型计算地域特征数据集与指定植物的适生数据集的相似距，以及，输出当前区域相对于指定植物的适生等级；其中，植物适生地分类模型为通过指定植物的生长数据对神经网络训练得到的分类模型；生长数据为对地域特征数据集进行适生等级标记的数据。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述方法还包括：对生长数据进行预处理，得到训练数据集；基于粒子群算法在训练数据集中迭代搜索粒子群的全局极值，并将全局极值赋值给动量BP神经网络的权值和阈值；利用训练数据集对赋值后的动量BP神经网络进行训练，构建植物适生地分类模型。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，基于粒子群算法在训练数据集中迭代搜索粒子群的全局极值，并将全局极值赋值给动量BP神经网络的权值和阈值的步骤包括：预先设置粒子群参数，其中，粒子群参数包括粒子数目维数、允许最大迭代次数、目标误差、学习因子、惯性权重最大最小值、搜索最大速度以及随机设置初始搜索速度、位置和惯性权重；更新粒子群中每一粒子的速度和位置；利用适应度函数计算粒子群中每一粒子的适应值；根据每一粒子适应值更新粒子群的个体极值和全局极值；当达到预先设置的允许最大迭代次数或者目标误差时，输出粒子群的全局极值，反之，继续更新粒子群中每一粒子的速度和位置。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，更新粒子群中每一粒子的速度和位置的步骤包括：
按照粒子在多维空间的速度转移公式对每一粒子的速度和位置进行更新，其中，速度转移公式表示为：
Figure BDA0001882023900000031
Figure BDA0001882023900000032
其中，
Figure BDA0001882023900000033
n表示粒子群数目，ξ，η表示(0,1)内均匀分布的随机数，c1，c2表示学习因子，w表示惯性权重，
Figure BDA0001882023900000034
表示粒子i在k时刻在d维空间的个体极值位置，
Figure BDA0001882023900000035
表示k时刻在d维空间的全局极值位置，
Figure BDA0001882023900000036
表示粒子i在k时刻在d维空间的位置，
Figure BDA0001882023900000037
表示粒子i在k时刻在d维空间的速度，当
Figure BDA0001882023900000038
大于搜索最大速度时，将
Figure BDA0001882023900000039
设置为搜索最大速度。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，根据每一粒子适应值更新粒子群的个体极值和全局极值的步骤包括：判断每一粒子的适应值是否大于预先设置的个体极值；如果是，将个体极值更新成适应值；以及，判断个体极值是否大于预先设置的全局极值；如果是，将全局极值更新成个体极值。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，适应度函数表达式为：
Figure BDA00018820239000000310
其中，m表示植物适生地分类模型输出节点的个数，p表示训练数据集数目，
Figure BDA00018820239000000311
表示植物适生地分类模型期望输出值，ypj表示植物适生地分类模型输出值。
第二方面，本发明实施例还提供一种植物适生地的分类装置，其中，该装置包括：获取模块，用于获取当前区域表征影响植物生长的地域特征数据集；计算模块，用于计算地域特征数据集与指定植物的适生数据集的相似距，根据相似距判断当前区域相对于指定植物的适生等级；分类模块，用于根据适生等级对当前区域进行分类。
结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，计算模块用于：将地域特征数据集输入至预先训练好的植物适生地分类模型，通过植物适生地分类模型计算地域特征数据集与指定植物的适生数据集的相似距，以及，当前区域相对于指定植物的适生等级；其中，植物适生地分类模型为通过指定植物的生长数据对神经网络训练得到的分类模型；生长数据为对地域特征数据集进行适生等级标记的数据。
结合第二方面的第一种可能的实施方式，本发明实施例提供了第二方面的第二种可能的实施方式，其中，上述装置还包括：预处理模块，用于对生长数据进行预处理，得到训练数据集；赋值模块，用于基于粒子群算法在训练数据集中迭代搜索粒子群的全局极值，并将全局极值赋值给动量BP神经网络的权值和阈值；训练模块，用于利用训练数据集对赋值后的动量BP神经网络进行训练，构建植物适生地分类模型。
本发明实施例带来了以下有益效果：
本发明实施例提供的一种植物适生地的分类方法及装置，能够获取当前区域表征影响植物生长的地域特征数据集；通过计算地域特征数据集与指定植物的适生数据集的相似距，输出当前区域相对于指定植物的适生等级；然后根据适生等级对当前区域进行分类，实现了植物适生地的快速选择，有效缓解了传统选择中药材适生地费时费力的技术问题。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种植物适生地的分类方法的流程图；
图2为本发明实施例提供的一种神经网络训练的流程图；
图3为本发明实施例提供的一种植物适生地的分类装置的结构示意图；
图4为本发明实施例提供的另一种植物适生地的分类装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
植物是生态系统中的生产者，人类的生存离不开植物，其中，中药材植物是中医药发展的重要保障，中药材的质量状况直接影响着人们的健康状况，传统中药材讲究道地药材，是指在一特定自然条件、生态环境的地域内所产的药材，不同地域的环境因子对于中药材的质量和产量有着极大的影响，为了扩大中药材植物的种植范围需要对适合中药材植物生长的地域进行选择。目前，选择中药材适合生长的地域是依靠人们的经验进行选择的，基于此，本发明实施例提供的一种植物适生地的分类方法及装置，可以实现植物适生地的快速选择，有效缓解了传统选择中药材适生地费时费力的技术问题。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种植物适生地的分类方法进行详细介绍。
实施例一：
本发明实施例提供了一种植物适生地的分类方法，如图1所示的一种植物适生地的分类方法的流程图，该方法包括以下步骤：
步骤S102，获取当前区域表征影响植物生长的地域特征数据集。
具体实现时，以中药材植物黄岑为例，影响黄岑生长的地域特征因素包括温度和降水量，获取当前区域这2个地域特征的数据构成影响黄岑生长的地域特征数据集。
步骤S104，计算地域特征数据集与指定植物的适生数据集的相似距，根据相似距判断当前区域相对于指定植物的适生等级。
步骤S106，根据适生等级对当前区域进行分类。
具体地，在自然条件下，影响黄芩生育最重要的因素是温度和降水量以及它们之间的配合与相互作用，因此，在光、热、水、湿以及水热这5个相似距中，选取水热相似距作为评价黄芩的适宜栽培地域和各地域适宜程度的标准，以Dtp表示黄岑水热相似距，t表示温度，p表示降水量。参考行业相关标准规定，将黄芩的水热相似距阈值范围＜0.5划分成四类，分类为：Dtp≤0.3表示最适宜黄芩生长的地区，0.3＜Dtp≤0.4表示适宜黄芩生长的地区，0.4＜Dtp≤0.5表示较适宜黄芩生长的地区，Dtp＞0.5表示不适宜黄芩生长的地区，上述划分范围同样表示了黄芩四种不同的适生等级，分别用1、2、3、4表示黄芩的适生等级。黄芩的道产地区为我国河北省承德，因此选取承德为黄芪适合生长的代表地，根据当前地域的温度和降水量这两个特征数据集与承德的温度和降水量这两个适生数据集计算水热相似距，根据水热相似距的计算结果判断当前区域对于黄芩的适生等级，如果计算结果落入Dtp≤0.3范围内，则判断黄芩的适生等级为1,如果计算结果落入0.3＜Dtp≤0.4范围内，则判断黄芩的适生等级为2,如果计算结果落入0.4＜Dtp≤0.5范围内，则判断黄芩的适生等级为3,如果计算结果落入Dtp＞0.5范围内，则判断黄芩的适生等级为4,根据上述得出的黄芩适生等级对当前区域进行分类，如果黄芩的适生等级为1则表示当前区域相对于黄芩是最适宜生长的地区，如果黄芩的适生等级为2则表示当前区域相对于黄芩是适宜生长的地区，如果黄芩的适生等级为3则表示当前区域相对于黄芩是较适宜生长的地区，如果黄芩的适生等级为4则表示当前区域相对于黄芩是不适宜生长的地区。本发明实施例，对水热相似距阈值划分范围的表示方式不进行限定。
本发明实施例提供的一种植物适生地的分类方法，能够获取当前区域表征影响植物生长的地域特征数据集；通过计算地域特征数据集与指定植物的适生数据集的相似距，根据相似距判断当前区域相对于指定植物的适生等级；然后根据适生等级对当前区域进行分类，实现了植物适生地的快速选择，有效缓解了传统选择中药材适生地费时费力的技术问题。
具体实现时，计算地域特征数据集与指定植物的适生数据集的相似距，根据相似距判断当前区域相对于指定植物的适生等级的过程为：将地域特征数据集输入至预先训练好的植物适生地分类模型，通过植物适生地分类模型计算地域特征数据集与指定植物的适生数据集的相似距，以及，输出当前区域相对于指定植物的适生等级；其中，植物适生地分类模型为通过指定植物的生长数据对神经网络训练得到的分类模型；生长数据为对地域特征数据集进行适生等级标记的数据。
具体地，上述植物适生地分类模型是通过利用黄芩的生长数据对神经网络训练得到的分类模型，其中，生长数据是对地域特征数据集进行适生等级标记的数据，例如，获得承德地区的温度和降水量这2个地域特征数据集，在该地区黄芩的适生等级为1，这3个数据构成一组生长数据；获得北京地区的温度和降水量这2个地域特征数据集，在该地区黄芩的适生等级为2，这3个数据构成另一组生长数据；利用黄芩的生长数据对神经网络进行训练从而得到的植物适生地分类模型。将当前区域的温度和降水量这2个地域特征数据集输入至已经训练好的植物适生地分类模型中，通过该分类模型可以输出黄芩的适生等级1或2或3或4，从而可以得出当前地区种植黄芩的适宜程度。
植物适生地分类模型是通过指定植物的生长数据对神经网络训练得到的分类模型，为了便于理解，如图2示出了一种神经网络训练的流程图，包括以下步骤：
步骤S202，对生长数据进行预处理，得到训练数据集。
步骤S204，基于粒子群算法在训练数据集中迭代搜索粒子群的全局极值，并将全局极值赋值给动量BP神经网络的权值和阈值。
步骤S206，利用训练数据集对赋值后的动量BP神经网络进行训练，构建植物适生地分类模型。
具体地，在利用生长数据训练神经网络之前，需要对生长数据进行归一化处理得到训练数据集，利用训练数据集训练动量BP神经网络得到植物适生地分类模型。优选地，动量BP神经网络具有实现任何复杂非线性映射的能力，特别适合求解内部机制复杂的问题。但是它在使用中也有一些难以克服的局限性，由于动量BP神经网络的权值和阈值是随机初始的，会使训练陷入局部最优，因此，旨在利用粒子群算法全局寻优的能力，将寻找的全局极值赋值给动量BP神经网络的权值和阈值，使得训练不陷入局部最优。选取三层的动量BP神经网络结构，其中，动量BP神经网络的输入层节点数为2，输出层节点数为1，隐含层节点数的设置，本文采用的是经验公式
Figure BDA0001882023900000091
来确定隐含层节点数，m为动量BP神经网络的输出层神经元个数、n为动量BP神经网络的输入层神经元个数，可知m为2，n为1，a为[0,10]之间的常数，由公式计算出动量BP神经网络的隐含层节点数范围为[1,11]，初次定为11，之后适当减少节点做训练，直至不能减少为止，实验得出节点数为9时效果最好，最终确定神经网络结构为2-9-1。之后，在利用训练数据集对动量BP神经网络进行训练，构建植物适生地分类模型。
上述粒子群算法是Kennedy和Eberhart受人工生命研究结果的启发、通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法，自然界中各种生物体均具有一定的群体行为，而人工生命的主要研究领域之一是探索自然界生物的群体行为，从而在计算机上构建其群体模型。
在利用粒子群算法在训练数据集中寻找全局极值的过程中，首先，预先设置粒子群参数、个体极值及全局极值，其中，粒子群参数包括粒子数目维数、允许最大迭代次数、目标误差、学习因子、惯性权重最大最小值、搜索最大速度以及随机设置初始搜索速度、位置和惯性权重。
具体实现时，设置允许最大迭代次为100，目标误差为0.0001，学习因子为2，惯性权重最大最小值为0.9和0.3，搜索最大速度为0.5；粒子数目维数是根据公式D＝(indim+1)*hiddennum+(hiddennum+1)*outdim得出的其中，indim表示动量BP神经网络的输入层节点数，hiddennum表示BP神经网络的隐含层节点数，outdim表示动量BP神经网络的输出层节点数，根据公式D可得粒子数目维数为37。
按照粒子在多维空间的速度转移公式对每一粒子的速度和位置进行更新，其中，速度转移公式表示为：
Figure BDA0001882023900000101
Figure BDA0001882023900000102
其中，
Figure BDA0001882023900000103
n表示粒子群数目，ξ，η表示(0,1)内均匀分布的随机数，c1，c2表示学习因子，w表示惯性权重，r表示约束因子，
Figure BDA0001882023900000104
表示粒子i在k时刻在d维空间的个体极值位置，
Figure BDA0001882023900000105
表示k时刻在d维空间的全局极值位置，
Figure BDA0001882023900000106
表示粒子i在k时刻在d维空间的位置，
Figure BDA0001882023900000107
表示粒子i在k时刻在d维空间的速度，当
Figure BDA0001882023900000108
大于搜索最大速度时，将
Figure BDA0001882023900000109
设置为搜索最大速度。将
Figure BDA00018820239000001010
通过上式进行迭代更新，能够有效地使粒子飞行的参考不再仅仅是粒子本身的运动轨迹，而是参考所有其他粒子的经验后做出的决定，这样粒子的全局搜索能力得到了优化，使得算法不容易陷入局部最小值，也能算法有更高的精确度。
利用适应度函数计算粒子群中每一粒子的适应值，其中，适应度函数表达式为：
Figure BDA00018820239000001011
其中，m表示植物适生地分类模型输出节点的个数，p表示训练数据集数目，
Figure BDA00018820239000001012
表示植物适生地分类模型期望输出值，ypj表示植物适生地分类模型输出值。在本发明实施例中，对适应度函数的选取不进行限定。
根据每一粒子适应值更新粒子群的个体极值和全局极值的。
通常，判断每一粒子的适应值是否大于预先设置的个体极值；如果是，将个体极值更新成适应值；以及，判断个体极值是否大于预先设置的全局极值；如果是，将全局极值更新成个体极值。其中，将第一次利用适应度函数计算粒子群中每一粒子得到的适应值设置为个体极值，将粒子群中最好的个体极值设置为全局极值。
在粒子群算法的迭代计算中更新个体极值和全局极值，当达到预先设置的允许最大迭代次数或者目标误差时，输出粒子群的全局极值，反之，继续更新粒子群中每一粒子的速度和位置。
实施例二：
在上述实施例的基础上，本发明实施例还提供了一种植物适生地的分类装置，如图3所示的一种植物适生地的分类装置的结构示意图，该装置包括：
获取模块302，用于获取当前区域表征影响植物生长的地域特征数据集；
计算模块304，用于计算地域特征数据集与指定植物的适生数据集的相似距，输出当前区域相对于指定植物的适生等级；
分类模块306，用于根据适生等级对当前区域进行分类。
具体实现时，上述计算模块用于：将地域特征数据集输入至预先训练好的植物适生地分类模型，通过植物适生地分类模型计算地域特征数据集与指定植物的适生数据集的相似距，以及，当前区域相对于指定植物的适生等级；其中，植物适生地分类模型为通过指定植物的生长数据对神经网络训练得到的分类模型；生长数据为对地域特征数据集进行适生等级标记的数据。
在图3的基础上，图4示出了另一种植物适生地的分类装置的结构示意图，该装置还包括：
预处理模块402，用于对生长数据进行预处理，得到训练数据集；
赋值模块404，用于基于粒子群算法在训练数据集中迭代搜索粒子群的全局极值，并将全局极值赋值给动量BP神经网络的权值和阈值；
训练模块406，用于利用训练数据集对赋值后的动量BP神经网络进行训练，构建植物适生地分类模型。
本发明实施例提供的植物适生地的分类装置，与上述实施例提供的植物适生地的分类方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (6)

1.一种植物适生地的分类方法，其特征在于，所述方法包括：
获取当前区域表征影响植物生长的地域特征数据集；
计算所述地域特征数据集与指定植物的适生数据集的相似距，根据所述相似距判断所述当前区域相对于所述指定植物的适生等级；
根据所述适生等级对所述当前区域进行分类；
其中，所述计算所述地域特征数据集与指定植物的适生数据集的相似距，根据所述相似距判断所述当前区域相对于所述指定植物的适生等级的步骤包括：
将所述地域特征数据集输入至预先训练好的植物适生地分类模型，通过所述植物适生地分类模型计算所述地域特征数据集与指定植物的适生数据集的相似距，以及，输出所述当前区域相对于所述指定植物的适生等级；
其中，所述植物适生地分类模型为通过所述指定植物的生长数据对神经网络训练得到的分类模型；所述生长数据为对所述地域特征数据集进行所述适生等级标记的数据；
所述方法还包括：
对所述生长数据进行预处理，得到训练数据集；
基于粒子群算法在所述训练数据集中迭代搜索所述粒子群的全局极值，并将所述全局极值赋值给动量BP神经网络的权值和阈值；
利用所述训练数据集对赋值后的所述动量BP神经网络进行训练，构建所述植物适生地分类模型。
2.根据权利要求1所述方法，其特征在于，所述基于粒子群算法在所述训练数据集中迭代搜索所述粒子群的全局极值，并将所述全局极值赋值给动量BP神经网络的权值和阈值的步骤包括：
预先设置所述粒子群参数，其中，所述粒子群参数包括粒子数目维数、允许最大迭代次数、目标误差、学习因子、惯性权重最大最小值、搜索最大速度以及随机设置初始搜索速度、位置和所述惯性权重；
更新所述粒子群中每一粒子的速度和位置；
利用适应度函数计算所述粒子群中每一粒子的适应值；
根据所述每一粒子适应值更新所述粒子群的个体极值和全局极值；
当达到预先设置的所述允许最大迭代次数或者所述目标误差时，输出所述粒子群的全局极值，反之，继续更新所述粒子群中每一粒子的速度和位置。
3.根据权利要求2所述方法，其特征在于，所述更新所述粒子群中每一粒子的速度和位置的步骤包括：
按照粒子在多维空间的速度转移公式对所述每一粒子的速度和位置进行更新，其中，所述速度转移公式表示为：
Figure FDA0002470863210000021
Figure FDA0002470863210000022
其中，
Figure FDA0002470863210000023
表示所述粒子群数目，ξ，η表示(0,1)内均匀分布的随机数，c1，c2表示所述学习因子，w表示所述惯性权重，r表示约束因子，
Figure FDA0002470863210000024
表示粒子i在k时刻在d维空间的个体极值位置，
Figure FDA0002470863210000025
表示k时刻在d维空间的全局极值位置，
Figure FDA0002470863210000026
表示粒子i在k时刻在d维空间的位置，
Figure FDA0002470863210000027
表示粒子i在k时刻在d维空间的速度，当所述
Figure FDA0002470863210000028
大于所述搜索最大速度时，将所述
Figure FDA0002470863210000029
设置为所述搜索最大速度。
4.根据权利要求2所述方法，其特征在于，所述根据所述每一粒子适应值更新所述粒子群的个体极值和全局极值的步骤包括：
判断所述每一粒子的适应值是否大于预先设置的个体极值；
如果是，将所述个体极值更新成所述适应值；以及，
判断所述个体极值是否大于预先设置的全局极值；
如果是，将所述全局极值更新成所述个体极值。
5.根据权利要求2所述方法，其特征在于，所述适应度函数表达式为：
Figure FDA0002470863210000031
其中，m表示所述植物适生地分类模型输出节点的个数，p表示所述训练数据集数目，
Figure FDA0002470863210000032
表示所述植物适生地分类模型期望输出值，ypj表示所述植物适生地分类模型输出值。
6.一种植物适生地的分类装置，其特征在于，所述装置包括：
获取模块，用于获取当前区域表征影响植物生长的地域特征数据集；
计算模块，用于计算所述地域特征数据集与指定植物的适生数据集的相似距，根据所述相似距判断所述当前区域相对于所述指定植物的适生等级；
分类模块，用于根据所述适生等级对所述当前区域进行分类；
其中，所述计算模块还用于：
将所述地域特征数据集输入至预先训练好的植物适生地分类模型，通过所述植物适生地分类模型计算所述地域特征数据集与指定植物的适生数据集的相似距，以及，输出所述当前区域相对于所述指定植物的适生等级；
其中，所述植物适生地分类模型为通过所述指定植物的生长数据对神经网络训练得到的分类模型；所述生长数据为对所述地域特征数据集进行所述适生等级标记的数据；
所述装置还包括：
预处理模块，用于对所述生长数据进行预处理，得到训练数据集；
赋值模块，用于基于粒子群算法在所述训练数据集中迭代搜索所述粒子群的全局极值，并将所述全局极值赋值给动量BP神经网络的权值和阈值；
训练模块，用于利用所述训练数据集对赋值后的所述动量BP神经网络进行训练，构建所述植物适生地分类模型。
CN201811431786.7A 2018-11-27 2018-11-27 植物适生地的分类方法及装置 Active CN109543761B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010560574.XA CN111680762B (zh) 2018-11-27 2018-11-27 中药材适生地的分类方法及装置
CN201811431786.7A CN109543761B (zh) 2018-11-27 2018-11-27 植物适生地的分类方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811431786.7A CN109543761B (zh) 2018-11-27 2018-11-27 植物适生地的分类方法及装置

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202010560574.XA Division CN111680762B (zh) 2018-11-27 2018-11-27 中药材适生地的分类方法及装置

Publications (2)

Publication Number Publication Date
CN109543761A CN109543761A (zh) 2019-03-29
CN109543761B true CN109543761B (zh) 2020-07-07

Family

ID=65850599

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010560574.XA Active CN111680762B (zh) 2018-11-27 2018-11-27 中药材适生地的分类方法及装置
CN201811431786.7A Active CN109543761B (zh) 2018-11-27 2018-11-27 植物适生地的分类方法及装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
CN202010560574.XA Active CN111680762B (zh) 2018-11-27 2018-11-27 中药材适生地的分类方法及装置

Country Status (1)

Country Link
CN (2) CN111680762B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111680762B (zh) * 2018-11-27 2023-08-04 成都大学 中药材适生地的分类方法及装置
CN109741205B (zh) * 2019-01-11 2020-12-22 成都工业学院 种植地查找建模方法、装置、种植地查找方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701615A (zh) * 2016-01-13 2016-06-22 湖南盛鼎科技发展有限责任公司 一种基于环境信息的农作物适宜性评价方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009070120A1 (en) * 2007-11-30 2009-06-04 Sidec Technologies Ab Lp-regularization of sparse representations applied to structure determination methods in molecular biology/structural chemistry
CN101498661B (zh) * 2008-01-30 2011-07-20 香港浸会大学 高精度分辨中药材品种、产地及生长方式的红外光谱特征提取方法
CN101546421A (zh) * 2009-04-01 2009-09-30 河北农业大学 一种基于gis的省域可比耕地质量评价方法
CN102682202A (zh) * 2012-04-28 2012-09-19 清华大学 一种城乡生态规划的绿地系统群落规划方法
JP6164475B2 (ja) * 2013-06-27 2017-07-19 清水建設株式会社 生物種生息適性推定方法及びその方法を用いた生物種生息適性推定システム
US9824276B2 (en) * 2014-04-15 2017-11-21 Open Range Consulting System and method for assessing rangeland
CN106295953A (zh) * 2016-07-26 2017-01-04 中国农业大学 一种农作物生产适宜性评价方法和系统
CN106295802B (zh) * 2016-08-01 2019-01-29 安徽农业大学 一种基于粒子群算法优化bp神经网络的茶叶存储时间分类方法
CN106373022B (zh) * 2016-09-13 2021-12-24 重庆科技学院 基于bp-ga的温室农作物种植效率条件优化方法及系统
JP6760393B2 (ja) * 2016-11-30 2020-09-23 富士通株式会社 生息判定方法、生息判定装置及び生息判定プログラム
CN106780083A (zh) * 2016-12-08 2017-05-31 南京信息工程大学 一种基于gis的药用植物三叶木通生态特征指标的建立方法
US10699185B2 (en) * 2017-01-26 2020-06-30 The Climate Corporation Crop yield estimation using agronomic neural network
CN107766938A (zh) * 2017-09-25 2018-03-06 南京律智诚专利技术开发有限公司 一种基于bp神经网络的植物种植方法
CN108460462A (zh) * 2018-03-26 2018-08-28 东北大学 一种基于区间参数优化的区间神经网络学习方法
CN113705585A (zh) * 2018-10-15 2021-11-26 因美纳有限公司 基于神经网络实现的方法和系统
CN111680762B (zh) * 2018-11-27 2023-08-04 成都大学 中药材适生地的分类方法及装置
CN109741205B (zh) * 2019-01-11 2020-12-22 成都工业学院 种植地查找建模方法、装置、种植地查找方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701615A (zh) * 2016-01-13 2016-06-22 湖南盛鼎科技发展有限责任公司 一种基于环境信息的农作物适宜性评价方法

Also Published As

Publication number Publication date
CN109543761A (zh) 2019-03-29
CN111680762A (zh) 2020-09-18
CN111680762B (zh) 2023-08-04

Similar Documents

Publication Publication Date Title
Seifi et al. Modeling and uncertainty analysis of groundwater level using six evolutionary optimization algorithms hybridized with ANFIS, SVM, and ANN
CN105488536B (zh) 一种基于多特征深度学习技术的农田害虫图像识别方法
CN109829399A (zh) 一种基于深度学习的车载道路场景点云自动分类方法
Naghibi et al. Urban growth modeling using cellular automata with multi-temporal remote sensing images calibrated by the artificial bee colony optimization algorithm
CN109933670A (zh) 一种基于组合矩阵计算语义距离的文本分类方法
CN109543761B (zh) 植物适生地的分类方法及装置
Alsmadi et al. Fish recognition based on the combination between robust feature selection, image segmentation and geometrical parameter techniques using Artificial Neural Network and Decision Tree
Kalogiros et al. Analysis of root growth from a phenotyping data set using a density-based model
Xu et al. Simulation of land-use changes using the partitioned ANN-CA model and considering the influence of land-use change frequency
Peyal et al. Detection of tomato leaf diseases using transfer learning architectures: A comparative analysis
Hatim et al. Addressing challenges and demands of intelligent seasonal rainfall forecasting using artificial intelligence approach
Cai et al. Swarm intelligence optimization: an exploration and application of machine learning technology
Jiang et al. Hybrid PSO and GA for neural network evolutionary in monthly rainfall forecasting
Panchal et al. Comparative study of particle swarm optimization based unsupervised clustering techniques
CN109102019A (zh) 基于HP-Net卷积神经网络的图像分类方法
Zhao et al. The simplified hybrid model based on BP to predict the reference crop evapotranspiration in Southwest China
Wang et al. Research on tea trees germination density detection based on improved YOLOv5
Stepchenko Land-Use Classification Using Convolutional Neural Networks
CN113222288B (zh) 村镇社区空间发展图谱的分类演化及预测方法
Alif et al. Crop prediction based on geographical and climatic data using machine learning and deep learning
Rajasekhar et al. Weather analysis of Guntur district of Andhra region using hybrid SVM Data Mining Techniques
CN109063735A (zh) 一种基于昆虫生物学参数的昆虫分类方案设计方法
Gerçek A conceptual model for Delineating Land Management Units (LMUs) using geographical object-based image analysis
CN114357877A (zh) 一种基于模糊评价与改进支持向量机的鱼塘水质评价预测系统及方法
Bhurtel et al. Deep learning based seed quality tester

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231107

Address after: No. 2025, chengluo Avenue, Chengdu, Sichuan 610106

Patentee after: CHENGDU University

Address before: 610031, No. 2 flower Memorial street, Chengdu, Sichuan, Jinniu District

Patentee before: CHENGDU TECHNOLOGICAL University