CN109741205B - 种植地查找建模方法、装置、种植地查找方法及装置 - Google Patents

Abstract

本发明实施例提供了一种种植地查找建模方法、装置、种植地查找方法及装置。该方法包括：将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始网络模型；基于遗传算法，对所述第一初始网络模型进行优化处理，获得第一子网络；将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始网络模型进行训练，获得第二子网络；根据所述第一子网络和所述第二子网络，获得种植地查找模型。由此，提高种植地查找模型的准确度。

Description

种植地查找建模方法、装置、种植地查找方法及装置

技术领域

本发明涉及数据处理技术领域，具体而言，涉及一种种植地查找建模方法、装置、种植地查找方法及装置。

背景技术

随着计算机技术的飞速发展，数据处理技术在越来越多的领域得到了应用，提高各个领域的数据处理效率的同时，带来了意想不到的效果。目前，部分方法使用神经网络来查找植物适宜生长的种植地。然而神经网络的查找的准确度不高，神经网络模型的性能有待提高。

发明内容

有鉴于此，本发明提供了一种种植地查找建模方法、装置、种植地查找方法及装置。

第一方面，本发明实施例提供了一种种植地查找建模方法，所述方法包括：

将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始网络模型，所述种植地名称贴附有种植地类型标签，所述种植地类型标签与预存的种植地类型对应。

基于遗传算法，对所述第一初始网络模型进行优化处理，获得第一子网络。

将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始网络模型进行训练，获得第二子网络。

根据所述第一子网络和所述第二子网络，获得种植地查找模型。

可选地，在本发明实施例中，所述第一初始网络模型设有第一输入层和第一输出层，将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始网络模型的步骤，包括：

将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到所述第一初始网络模型的第一输入层。

将预存的多种种植地类型输入到所述第一初始网络模型的第一输出层。

可选地，在本发明实施例中，所述第一初始网络模型还设有第一隐藏层，基于遗传算法，对所述第一初始网络模型进行优化处理，获得第一子网络的步骤，包括：

设置与所述第一初始网络模型对应的染色体结构。

基于遗传算法，对所述第一初始网络模型进行多次迭代，针对每次迭代，对所述染色体结构中的数据进行调整，获得与该次迭代对应的染色体个体。

针对每个所述染色体个体，对所述第一初始网络模型进行训练，获得训练结果。

基于所述训练结果，使用适应度函数进行运算，获得与所述染色体个体对应的适应度。

选取各所述适应度中值最大的适应度所对应的染色体个体作为目标染色体。

根据所述目标染色体，对所述第一初始网络模型的第一隐藏层进行设置，获得第一子网络。

可选地，在本发明实施例中，所述目标染色体中包括第一子参数和第二子参数。

所述根据所述目标染色体，对所述第一初始网络模型的第一隐藏层进行设置的步骤，包括：

根据所述目标染色体中的第一子参数设定所述第一初始网络模型的第一隐藏层的层数。

根据所述目标染色体中的第二子参数设定所述第一隐藏层中每个隐藏层的神经元个数。

可选地，在本发明实施例中，所述目标染色体中还包括多个第三子参数，每个所述第三子参数对应一个所述环境因子数据，在根据所述目标染色体，对所述第一初始网络模型的第一隐藏层进行设置之后，所述方法还包括：

根据每个所述第三子参数的值，判断是否忽略与所述第三子参数对应的环境因子数据。

根据判断结果和设置后的第一初始网络模型，获得第一子网络。

可选地，在本发明实施例中，所述第二初始网络模型设有第二输入层和第二输出层。

所述将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始网络模型进行训练，获得第二子网络的步骤，包括：

获取与每种待查找植物对应的所述种植地名称的地理位置信息。

将获取到的与每种待查找植物对应的地理位置信息输入到所述第二初始网络模型的第二输入层。

将预存的地理位置参数输入到所述第二初始网络模型的第二输出层。

对所述第二初始网络模型进行训练，获得第二子网络。

可选地，在本发明实施例中，所述环境因子数据包括土壤、水分、温度、湿度、降水、光照和虫害所述种植地类型包括最适宜类、适宜类、较适宜类和不适宜类。

所述地理位置参数包括经度参数、纬度参数和海拔参数。

第二方面，本发明实施例还提供了一种种植地查找建模装置，所述种植地查找建模装置包括：

第一输入模块，用于将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始网络模型，所述种植地名称贴附有种植地类型标签，所述种植地类型标签与预存的种植地类型对应。

第一处理模块，用于基于遗传算法，对所述第一初始网络模型进行优化处理，获得第一子网络。

第二处理模块，用于将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始网络模型进行训练，获得第二子网络。

第一获得模块，用于根据所述第一子网络和所述第二子网络，获得种植地查找模型。

第三方面，本发明实施例还提供了一种种植地查找方法。所述种植地查找方法使用上述种植地查找建模方法所获得的种植地查找模型，对待查找植物进行种植地查找，所述种植地查找方法包括：

将待查找植物的环境因子数据和种植地名称输入到所述种植地查找模型。

根据所述待查找植物的环境因子数据和种植地名称进行种植地查找，获得与所述待查找植物对应的地理位置参数。

第四方面，本发明实施例还提供了一种种植地查找装置，所述种植地查找装置包括第二输入模块和第二获得模块，所述第二输入模块中存储有上述种植地查找建模方法所获得的种植地查找模型。

所述第二输入模块，用于将待查找植物的环境因子数据和种植地名称输入到所述种植地查找模型。

所述第二获得模块，用于根据所述待查找植物的环境因子数据和种植地名称进行种植地查找，获得与所述待查找植物对应的地理位置参数。

本发明实施例提供的种植地查找建模方法、装置、种植地查找方法及装置，通过将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始网络模型，基于遗传算法，对所述第一初始网络模型进行优化处理，获得第一子网络，以及将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始网络模型进行训练，获得第二子网络，再由根据所述第一子网络和所述第二子网络，获得种植地查找模型，由此，提高种植地查找模型的准确度。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，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它相关的附图。

图1为本发明实施例提供的种植地查找建模方法的一种流程示意图。

图2为本发明实施例提供的种植地查找建模方法的另一种流程示意图。

图3为本发明实施例提供的用于实现上述种植地查找建模方法的第一电子设备的方框示意图。

图4为本发明实施例提供的种植地查找方法的一种流程示意图。

图5为本发明实施例提供的用于实现上述种植地查找方法的第二电子设备的方框示意图。

图标：100-种植地查找建模装置；110-第一输入模块；120-第一处理模块；130-第二处理模块；140-第一获得模块；200-种植地查找装置；210-第二输入模块；220-第二获得模块；300-第一电子设备；310-第一存储器；320-第一处理器；400-第二电子设备；410-第二存储器；420-第二处理器。

具体实施方式

随着计算机技术的飞速发展，数据处理技术在越来越多的领域得到了应用。在查找适宜植物生长的种植地时，借助数据处理技术，将极大程度上提升查找的效率。目前，部分查找方法通过使用神经网络来查找适宜植物生长的种植地。然而，使用神经网络来查找适宜植物生长的种植地时，查找的效率不高，并且，查找出的种植地有时并不是适宜植物生长的地区，使用神经网络查找适宜植物生长的种植地的性能还有待提升。

以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。

有鉴于此，本发明实施例提供了一种种植地查找建模方法、装置、种植地查找方法及装置。

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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

请结合参阅图1，为本发明实施例提供的种植地查找建模方法的一种流程示意图。所应说明的是，本发明实施例提供的种植地查找建模方法不以图1及以下所述的具体顺序为限制。所述方法可以通过如下步骤实现：

S10，将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始网络模型，所述种植地名称贴附有种植地类型标签，所述种植地类型标签与预存的种植地类型对应。

进一步地，在本发明实施例中，所述与多种待查找植物对应的种植地名称为多个。并且，每个所述种植地名称贴附有与种植地类型对应的种植地类型标签。

S20，基于遗传算法，对所述第一初始网络模型进行优化处理，获得第一子网络。

S30，将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始网络模型进行训练，获得第二子网络。

详细地，在本发明实施例中，输入到第二初始网络模型中的种植地名称，按照每个种植地名称所贴附的种植地类型标签输入。例如，所述种植地类型有四种，则与种植地类型对应的种植地类型标签也有四种，输入到第二初始网络模型中的种植地名称按照四类，分别输入到所述第二初始网络模型。

S40，根据所述第一子网络和所述第二子网络，获得种植地查找模型。

可选地，在本发明实施例中，所述环境因子数据包括土壤、水分、温度、湿度、降水、光照和虫害。所述种植地类型包括最适宜类、适宜类、较适宜类和不适宜类。所述地理位置参数包括经度参数、纬度参数和海拔参数。

详细地，在本发明实施例中，所述待查找植物可以是但不限于中草药。例如，预存的待查找植物之一为金银花，与金银花对应的环境因子数据为水分、降水、光照、虫害，与金银花对应的种植地名称为重庆、成都、山东、宁夏等，其中，根据种植地对金银花生长适宜度，对种植地名称进行分类并贴上分类标签，例如，成都为最适宜类，重庆为适宜类，山东为较适宜类，宁夏为不适宜类。进一步可选地，最适宜类、适宜类、较适宜类和不适宜类分别对应的标签分别是标签1、标签2、标签3和标签4。

应当说明的是，为了使得所述种植地查找模型的查找精度高，在本发明实施例中，预存的待查找植物有多个，与每个待查找植物对应的各类种植地名称也有多个。

可选地，在本发明实施例中，所述第一初始网络模型设有第一输入层和第一输出层，将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始网络模型的步骤，包括：

将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到所述第一初始网络模型的第一输入层。

将预存的多种种植地类型输入到所述第一初始网络模型的第一输出层。

请结合参阅图2，为本发明实施例提供的种植地查找建模方法的另一种流程示意图。在本发明实施例中，所述第一初始网络模型还设有第一隐藏层，基于遗传算法，对所述第一初始网络模型进行优化处理，获得第一子网络的步骤，包括：

S201，设置与所述第一初始网络模型对应的染色体结构。

S202，基于遗传算法，对所述第一初始网络模型进行多次迭代，针对每次迭代，对所述染色体结构中的数据进行调整，获得与该次迭代对应的染色体个体。

S203，针对每个所述染色体个体，对所述第一初始网络模型进行训练，获得训练结果。

S204，基于所述训练结果，使用适应度函数进行运算，获得与所述染色体个体对应的适应度。

可选地，在本发明实施例中，适应度函数的表达式如下：

其中，F_MSC为所求的每一次训练的适应度，TP表示该次训练中实际为正样本、判定为正样本，FP表示该次训练中实际为正样本、判定为负样本，TN表示该次训练中实际为负样本、判定为负样本，FN表示该次训练中实际为负样本、判定为正样本。

进一步地，正样本表示与所述种植地名称贴附的种植地类型标签相比，训练结果中正确分类的样本。例如，成都贴附的种植地类型标签为最适宜类型，训练结果将成都判断为最适宜类，则这一行样本数据为正样本。负样本表示与所述种植地名称贴附的种植地类型标签相比，训练结果中未正确分类的样本。例如，成都为最适宜类，训练结果将成都判定为不适宜类，则这一行样本数据为负样本。

S205，选取各所述适应度中值最大的适应度所对应的染色体个体作为目标染色体。

在本发明实施例中，基于遗传函数具有不断优化、数据遗传的特点，在网络多次迭代，进行优化和训练的过程中，所述第一初始网络模型的适应度的值将越来越高，表明第一初始网络模型的训练结果的错误率越来越低，从而获得的第一子网络的查找准确度越来越高、性能越来越好。

S206，根据所述目标染色体，对所述第一初始网络模型的第一隐藏层进行设置，获得第一子网络。

可选地，在本发明实施例中，所述目标染色体中包括第一子参数和第二子参数。

所述根据所述目标染色体，对所述第一初始网络模型的第一隐藏层进行设置的步骤，包括：

根据所述目标染色体中的第一子参数设定所述第一初始网络模型的第一隐藏层的层数。

根据所述目标染色体中的第二子参数设定所述第一隐藏层中每个隐藏层的神经元个数。

可选地，在本发明实施例中，所述目标染色体中还包括多个第三子参数，每个所述第三子参数对应一个所述环境因子数据，在根据所述目标染色体，对所述第一初始网络模型的第一隐藏层进行设置之后，所述方法还包括：

根据每个所述第三子参数的值，判断是否忽略与所述第三子参数对应的环境因子数据。

根据判断结果和设置后的第一初始网络模型，获得第一子网络。

详细地，在本实施例中可选地，所述染色体结构为多位二进制数据。例如，所述染色体结构为13位二进制数据，其中，第一位至第三位的数据与所述第一初始网络模型的第一隐藏层的层数相对应，例如第一位至第三位为101时，所述第一初始网络模型的第一隐藏层的层数为5。进一步可选地，所述染色体结构为13位二进制数据，第四位至第六位的数据与所述第一隐藏层中每个隐藏层的神经元个数对应，例如，第四位至第六位的数据为011，则所述第一隐藏层中每个隐藏层的神经元个数为3。

进一步可选地，所述染色体结构为13位二进制数据，第七位至第十三位的数据与待查找植物的环境因子数据对应，在本实施例中，所述环境因子数据可以包括但不限于7种，例如，第七位至第十三位的数据分别对应土壤、水分、温度、湿度、降水、光照、虫害。

当所述目标染色体中，与某一位环境因子数据对应的第三子参数为0时，表明该环境因子数据对所述第一初始网络模型的影响因素较小，则忽略该环境因子数据，从而，获得的第一子网络也将忽略该环境因子数据。反之，当所述目标染色体中，与某一位环境因子数据对应的第三子参数为1，则不忽略该环境因子数据。

可选地，在本发明实施例中，所述第二初始网络模型设有第二输入层和第二输出层。

所述将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始网络模型进行训练，获得第二子网络的步骤，包括：

获取与每种待查找植物对应的所述种植地名称的地理位置信息。

将获取到的与每种待查找植物对应的地理位置信息输入到所述第二初始网络模型的第二输入层。

将预存的地理位置参数输入到所述第二初始网络模型的第二输出层。

对所述第二初始网络模型进行训练，获得第二子网络。

通过对所述第二初始网络模型的训练，所述第二初始网络模型在有输入层和输出层的前提下，进行不断训练和优化，确定所述第二初始网络模型的隐藏层，进而得到第二子网络。

可选地，在本发明实施例中，预存的地理位置参数可以是但不限于经度、纬度和海拔。例如，当地理位置参数是纬度时，预存的地理位置参数可以是北纬10度、北纬20度、北纬30度……北纬90度，赤道，南纬10度、南纬20度、南纬30度……南纬90度。获取与每种待查找植物对应的所述种植地名称的地理位置信息时，例如，当所述种植地名称为成都时，其对应的地理位置信息即是成都的纬度信息。应当说明的是，在本实施例中，当地理位置参数是经度和海拔时，对第二初始网络模型的训练也通过与纬度一样的方法获得。

可选地，在本发明实施例中，第二初始网络模型的中间层为径向基层，其神经元个数与用于训练的样本数一样。

详细地，在本发明实施例中，第二子网络输出的是地理位置参数，例如但不限于北纬30度、西经50度和海拔1000米。

可选地，在本发明实施例中，根据所述第一子网络和所述第二子网络，获得种植地查找模型，可以将所述第一子网络作为种植地查找模型的第一层神经网络，将所述第二子网络作为种植地查找模型的第二层神经网络，进而获得种植地查找模型。

请结合参阅图3，为本发明实施例提供的用于实现上述种植地查找建模方法的第一电子设备300的方框示意图。本实施例中，所述第一电子设备300可以是，但不限于，智能手机、个人电脑(Personal Computer，PC)、笔记本电脑、监控设备、服务器等的计算机设备。

所述第一电子设备300包括种植地查找建模装置100、第一存储器310以及第一处理器320。在本发明实施例中，所述种植地查找建模装置100包括至少一个可以软件或固件(Firmware)的形式存储于所述第一存储器310中或固化在所述第一电子设备300的操作系统(Operating System,OS)中的软件功能模块。所述第一处理器320用于执行所述第一存储器310中存储的可执行软件模块，例如，所述种植地查找建模装置100所包括的软件功能模块及计算机程序等。本实施例中，所述种植地查找建模装置100也可以集成于所述操作系统中，作为所述操作系统的一部分。具体地，所述种植地查找建模装置100包括：

第一输入模块110，用于将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始网络模型，所述种植地名称贴附有种植地类型标签，所述种植地类型标签与预存的种植地类型对应。

第一处理模块120，用于基于遗传算法，对所述第一初始网络模型进行优化处理，获得第一子网络。

第二处理模块130，用于将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始网络模型进行训练，获得第二子网络。

第一获得模块140，用于根据所述第一子网络和所述第二子网络，获得种植地查找模型。

请结合参阅图4，为本发明实施例提供的种植地查找方法的一种流程示意图。所述种植地查找方法使用上述种植地查找建模方法所获得的种植地查找模型，对待查找植物进行种植地查找，所述种植地查找方法包括：

S50，将待查找植物的环境因子数据和种植地名称输入到所述种植地查找模型。

S60，根据所述待查找植物的环境因子数据和种植地名称进行种植地查找，获得与所述待查找植物对应的地理位置参数。

请结合参阅图5，为本发明实施例提供的用于实现上述种植地查找方法的第二电子设备400的方框示意图。本实施例中，所述第二电子设备400可以是，但不限于，智能手机、个人电脑(Personal Computer，PC)、笔记本电脑、监控设备、服务器等的计算机设备。

所述第二电子设备400包括种植地查找装置200、第二存储器410以及第二处理器420。在本发明实施例中，所述种植地查找装置200包括至少一个可以软件或固件(Firmware)的形式存储于所述第二存储器410中或固化在所述第二电子设备400的操作系统(Operating System,OS)中的软件功能模块。所述第二处理器420用于执行所述第二存储器410中存储的可执行软件模块，例如，所述种植地查找装置200所包括的软件功能模块及计算机程序等。本实施例中，所述种植地查找装置200也可以集成于所述操作系统中，作为所述操作系统的一部分。具体地，所述种植地查找装置200包括：

所述第二输入模块210，用于将待查找植物的环境因子数据和种植地名称输入到所述种植地查找模型。

所述第二获得模块220，用于根据所述待查找植物的环境因子数据和种植地名称进行种植地查找，获得与所述待查找植物对应的地理位置参数。

综上所述，本发明实施例提供的种植地查找建模方法、装置、种植地查找方法及装置，通过将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始网络模型，基于遗传算法，对所述第一初始网络模型进行优化处理，获得第一子网络，以及将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始网络模型进行训练，获得第二子网络，再由根据所述第一子网络和所述第二子网络，获得种植地查找模型，由此，提高种植地查找模型的准确度。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其它的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种种植地查找建模方法，其特征在于，包括：

将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始神经网络模型，所述种植地名称贴附有种植地类型标签，所述种植地类型标签与预存的种植地类型对应；

基于遗传算法，对所述第一初始神经网络模型进行优化处理，获得第一子网络；

将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始神经网络模型进行训练，获得第二子网络；

根据所述第一子网络和所述第二子网络，获得种植地查找模型。

2.根据权利要求1所述的种植地查找建模方法，其特征在于，所述第一初始神经网络模型设有第一输入层和第一输出层，将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始神经网络模型的步骤，包括：

将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到所述第一初始神经网络模型的第一输入层；

将预存的多种种植地类型输入到所述第一初始神经网络模型的第一输出层。

3.根据权利要求1所述的种植地查找建模方法，其特征在于，所述第一初始神经网络模型还设有第一隐藏层，基于遗传算法，对所述第一初始神经网络模型进行优化处理，获得第一子网络的步骤，包括：

设置与所述第一初始神经网络模型对应的染色体结构；

基于遗传算法，对所述第一初始神经网络模型进行多次迭代，针对每次迭代，对所述染色体结构中的数据进行调整，获得与该次迭代对应的染色体个体；

针对每个所述染色体个体，对所述第一初始神经网络模型进行训练，获得训练结果；

基于所述训练结果，使用适应度函数进行运算，获得与所述染色体个体对应的适应度；

选取各所述适应度中值最大的适应度所对应的染色体个体作为目标染色体；

根据所述目标染色体，对所述第一初始神经网络模型的第一隐藏层进行设置，获得第一子网络。

4.根据权利要求3所述的种植地查找建模方法，其特征在于，所述目标染色体中包括第一子参数和第二子参数；

所述根据所述目标染色体，对所述第一初始神经网络模型的第一隐藏层进行设置的步骤，包括：

根据所述目标染色体中的第一子参数设定所述第一初始神经网络模型的第一隐藏层的层数；

根据所述目标染色体中的第二子参数设定所述第一隐藏层中每个隐藏层的神经元个数。

5.根据权利要求3所述的种植地查找建模方法，其特征在于，所述目标染色体中还包括多个第三子参数，每个所述第三子参数对应一个所述环境因子数据，在根据所述目标染色体，对所述第一初始神经网络模型的第一隐藏层进行设置之后，所述方法还包括：

根据每个所述第三子参数的值，判断是否忽略与所述第三子参数对应的环境因子数据；

根据判断结果和设置后的第一初始神经网络模型，获得第一子网络。

6.根据权利要求1所述的种植地查找建模方法，其特征在于，所述第二初始神经网络模型设有第二输入层和第二输出层；

所述将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始神经网络模型进行训练，获得第二子网络的步骤，包括：

获取与每种待查找植物对应的所述种植地名称的地理位置信息；

将获取到的与每种待查找植物对应的地理位置信息输入到所述第二初始神经网络模型的第二输入层；

将预存的地理位置参数输入到所述第二初始神经网络模型的第二输出层；

对所述第二初始神经网络模型进行训练，获得第二子网络。

7.根据权利要求1所述的种植地查找建模方法，其特征在于，所述环境因子数据包括土壤、水分、温度、湿度、降水、光照和虫害；

所述种植地类型包括最适宜类、适宜类、较适宜类和不适宜类；

所述地理位置参数包括经度参数、纬度参数和海拔参数。

8.一种种植地查找建模装置，其特征在于，所述种植地查找建模装置包括：

第一输入模块，用于将预存的与多种待查找植物对应的环境因子数据和种植地名称输入到第一初始神经网络模型，所述种植地名称贴附有种植地类型标签，所述种植地类型标签与预存的种植地类型对应；

第一处理模块，用于基于遗传算法，对所述第一初始神经网络模型进行优化处理，获得第一子网络；

第二处理模块，用于将预存的地理位置参数以及与每种待查找植物对应的种植地名称输入到第二初始神经网络模型进行训练，获得第二子网络；

第一获得模块，用于根据所述第一子网络和所述第二子网络，获得种植地查找模型。

9.一种种植地查找方法，其特征在于，所述种植地查找方法使用上述权利要求1-7中任意一项所获得的种植地查找模型，对待查找植物进行种植地查找，所述种植地查找方法包括：

将待查找植物的环境因子数据和种植地名称输入到所述种植地查找模型；

根据所述待查找植物的环境因子数据和种植地名称进行种植地查找，获得与所述待查找植物对应的地理位置参数。

10.一种种植地查找装置，其特征在于，所述种植地查找装置包括第二输入模块和第二获得模块，所述第二输入模块中存储有上述权利要求1-7中任意一项所获得的种植地查找模型；

所述第二输入模块，用于将待查找植物的环境因子数据和种植地名称输入到所述种植地查找模型；

所述第二获得模块，用于根据所述待查找植物的环境因子数据和种植地名称进行种植地查找，获得与所述待查找植物对应的地理位置参数。

Images