CN110046770B - 粮食霉变预测方法及装置 - Google Patents
粮食霉变预测方法及装置 Download PDFInfo
- Publication number
- CN110046770B CN110046770B CN201910328977.9A CN201910328977A CN110046770B CN 110046770 B CN110046770 B CN 110046770B CN 201910328977 A CN201910328977 A CN 201910328977A CN 110046770 B CN110046770 B CN 110046770B
- Authority
- CN
- China
- Prior art keywords
- mildew
- probability
- grain
- data
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 claims abstract description 140
- 238000007781 pre-processing Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 116
- 238000012360 testing method Methods 0.000 claims description 41
- 238000013507 mapping Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 6
- 241000233866 Fungi Species 0.000 abstract description 5
- 230000001580 bacterial effect Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 241000894007 species Species 0.000 description 34
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 17
- 230000008569 process Effects 0.000 description 7
- 238000009423 ventilation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 108010016634 Seed Storage Proteins Proteins 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002538 fungal effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及神经网络领域,尤其涉及一种粮食霉变预测方法及装置,该方法包括:获取目标粮种的储藏信息;对所述储藏信息进行数据预处理,获得与所述储藏信息对应的目标多维数据;将所述与所述储藏信息对应的目标多维数据输入预先构建的粮食霉变概率预测模型中,经所述粮食霉变概率预测模型处理后输出所述目标粮种的霉变概率,以及未霉变概率;依据所述霉变概率和所述未霉变概率,获得所述目标粮种的霉变预测结果。本发明提供的粮食霉变预测方法中,依据粮食霉变概率预测模型输出的与当前环境对应的霉变概率和未霉变概率,能够快速对当前环境下的粮食储藏霉变情况做出预判,避免了复杂的细菌培养、真菌观察等步骤,节省大量人力物力。
Description
技术领域
本发明涉及神经网络领域,尤其涉及一种粮食霉变预测方法及装置。
背景技术
我国是农业大国,粮食的生产及储存具有悠久的历史,每年粮食产量超过5亿吨,而粮食的储藏是农业栽培的继续,储藏技术是伴随着农业的发展而发展的。进入新时期时代以后,随着农业的发展,农业生产形成了一定的规模,粮食出现了剩余,才逐渐由粮食加工发展到粮食储藏,而粮食霉变是影响粮食储藏安全的重要因素。
现有检测粮食霉菌的检测方法为,在霉菌生长早期,对霉菌进行复杂的细菌培养,真菌观察,以观察到的真菌孢子个数来判别储粮的安全性。经发明人通过对现有的粮食霉变检测方法进行研究发现,现有的粮食霉菌检测方法从细菌培养,到真菌观察,需要耗费大量的人力物力,不利于保障储粮的安全性。
发明内容
本发明所要解决的技术问题是提供一种粮食霉变预测方法,依据粮食霉变概率预测模型输出的与当前环境对应的霉变概率和未霉变概率,能够快速对当前环境下的粮食储藏霉变情况做出预判,节省大量人力物力。
本发明还提供了一种粮食霉变预测装置,用于保证上述方法在实际中的实现及应用。
一种粮食霉变预测方法,包括:
获取目标粮种的储藏信息;所述储藏信息包含多个霉变因素;
对所述储藏信息进行数据预处理,获得与所述储藏信息对应的目标多维数据;
将所述与所述储藏信息对应的目标多维数据输入预先构建的粮食霉变概率预测模型中,经所述粮食霉变概率预测模型处理后输出所述目标粮种的霉变概率,以及未霉变概率;
依据所述霉变概率和所述未霉变概率,获得所述目标粮种的霉变预测结果。
上述的方法,可选的,所述对所述储藏信息进行数据预处理,获得与所
述储藏信息对应的目标多维数据,包括:
将所述储藏信息按照预设的映射规则进行维度映射,获得与所述储藏信息对应的初始多维数据;
依据预设的规则,从所述储藏信息对应的初始多维数据中选取与所述预设的规则相匹配的多个霉变因素,获得与所述储藏信息对应的目标多维数据。
上述的方法,可选的,所述依据所述霉变概率和所述未霉变概率,获得所述目标粮种的霉变预测结果,包括:
判断所述霉变概率是否大于所述未霉变概率;
若所述霉变概率大于所述未霉变概率,则预测为所述目标粮种发生霉变;
若所述霉变概率不大于所述未霉变概率,则预测为所述目标粮种未发生霉变。
上述的方法,可选的,所述粮食霉变概率预测模型的构建过程,包括:
采集粮种霉变样本集合;所述粮种霉变样本集合中包含多个粮种霉变样本数据;
对各个所述粮种霉变样本数据进行预处理,获得与每个所述粮种霉变样本数据对应的目标多维数据;
选取多个所述粮种霉变样本数据对应的目标多维数据作为训练数据,并选取多个所述粮种霉变样本数据对应的目标多维数据作为测试数据;
将所述训练数据输入至待构建的朴素贝叶斯分类器中,对所述待构建的朴素贝叶斯分类器进行训练,并将所述测试数据输入至已训练完成的朴素贝叶斯分类器中,获得测试结果数据;
计算所述测试结果数据的误差率,若所述测试结果数据的误差率小于预设误差阈值,则将所述已训练完成的朴素贝叶斯分类器确定为粮食霉变概率预测模型。
上述的方法,可选的,所述对各个所述粮种霉变样本数据进行预处理,获得与每个所述粮种霉变样本数据对应的目标多维数据,包括:
对各个所述粮种霉变样本数据按照预设的映射规则进行维度映射,获得与每个所述粮种霉变样本数据对应的初始多维数据;其中,每个所述霉变样本数据对应的初始多维数据中包含霉变结果和多个霉变因素;
计算每个所述粮种霉变样本数据对应的初始多维数据中的每个霉变因素与霉变结果的相关性,获得每个霉变因素对应的相关系数;
依据每个霉变因素对应的相关系数,按照从大到小的顺序,对各个所述霉变因素进行排序;
从所述已排序的霉变因素中,按照从大到小的顺序,依次选取预设数目的霉变因素作为目标霉变因素;
依据所述目标霉变因素,对每个所述粮食霉变样本数据对应的初始多维数据进行降维,获得每个所述粮食霉变样本数据对应的目标多维数据。
上述的方法,可选的,所述对所述待构建的朴素贝叶斯分类器进行训练,包括:
计算所述训练数据中霉变结果为发生霉变的目标多维数据在所述训练数据中的比重,获得与所述训练数据对应的霉变概率,以及计算所述训练数据中霉变结果为未发生霉变的目标多维数据在所述训练数据中的比重,获得与所述训练数据对应的未霉变概率;
确定所述训练数据中每个霉变因素对应的各个数值,并确定与每个数值对应的目标多维数据;
计算所述与每个数值对应的目标多维数据在所述训练数据中的比重,获得每个霉变因素对应的各个数值中与每个数值对应的概率;
确定所述与每个数值对应的目标多维数据中霉变结果为发生霉变的目标多维数据,并计算所述与每个数值对应的目标多维数据中霉变结果为发生霉变的目标多维数据,在所述训练数据中霉变结果为发生霉变对应的多维数据中的比重,获得在发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第一后验概率;
确定所述与每个数值对应的目标多维数据中霉变结果为未发生霉变的目标多维数据,并计算所述与每个数值对应的目标多维数据中霉变结果为未发生霉变的目标多维数据,在所述训练数据中霉变结果为未发生霉变对应的多维数据中的比重,获得在未发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第二后验概率;
依据所述训练数据对应的霉变概率、所述每个霉变因素对应的各个数值中与每个数值对应的概率、以及所述在发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第一后验概率,通过预设的贝叶斯公式,获得所述训练数据对应的每个目标多维数据中霉变因素对应的霉变概率;
依据所述训练数据对应的未霉变概率、所述每个霉变因素对应的各个数值中与每个数值对应的概率、以及所述在未发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第二后验概率,通过所述贝叶斯公式,获得所述训练数据对应的每个目标多维数据中霉变因素对应的未霉变概率。
一种粮食霉变预测装置,包括:
第一获取单元,用于获取目标粮种的储藏信息;所述储藏信息包含多个霉变因素;
预处理单元,用于对所述储藏信息进行数据预处理,获得与所述储藏信息对应的目标多维数据;
输入单元,用于将所述与所述储藏信息对应的目标多维数据输入预先构建的粮食霉变概率预测模型中,经所述粮食霉变概率预测模型处理后输出所述目标粮种的霉变概率,以及未霉变概率;
第二获取单元,用于依据所述霉变概率和所述未霉变概率,获得所述目标粮种的霉变预测结果。
上述的装置,可选的,所述预处理单元,包括:
映射子单元,用于将所述储藏信息按照预设的映射规则进行维度映射,获得与所述储藏信息对应的初始多维数据;
第一选取子单元,用于依据预设的规则,从所述储藏信息对应的初始多维数据中选取与所述预设的规则相匹配的多个霉变因素,获得与所述储藏信息对应的目标多维数据。
上述的装置,可选的,所述第二获取单元,包括:
判断子单元,用于判断所述霉变概率是否大于所述未霉变概率;
第一预测子单元,用于若所述霉变概率大于所述未霉变概率,则预测为所述目标粮种发生霉变;
第二预测子单元,用于若所述霉变概率不大于所述未霉变概率,则预测为所述目标粮种未发生霉变。
上述的装置,可选的,所述输入单元,包括:
采集子单元,用于采集粮种霉变样本集合;所述粮种霉变样本集合中包含多个粮种霉变样本数据;
预处理子单元,用于对各个所述粮种霉变样本数据进行预处理,获得与每个所述粮种霉变样本数据对应的目标多维数据;
第二选取子单元,用于选取多个所述粮种霉变样本数据对应的目标多维数据作为训练数据,并选取多个所述粮种霉变样本数据对应的目标多维数据作为测试数据;
训练子单元,用于将所述训练数据输入至待构建的朴素贝叶斯分类器中,对所述待构建的朴素贝叶斯分类器进行训练,并将所述测试数据输入至已训练完成的朴素贝叶斯分类器中,获得测试结果数据;
第一计算子单元,用于计算所述测试结果数据的误差率,若所述测试结果数据的误差率小于预设误差阈值,则将所述已训练完成的朴素贝叶斯分类器确定为粮食霉变概率预测模型。
一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述的粮食霉变预测方法。
一种电子设备,包括存储器,以及一个或者一个以上的指令,其中一个或者一个以上指令存储于存储器中,且经配置以由一个或者一个以上处理器执行上述的粮食霉变预测方法。
与现有技术相比,本发明包括以下优点:
本发明提供了一种粮食霉变预测方法,包括:获取目标粮种的储藏信息;所述储藏信息包含多个霉变因素;对所述储藏信息进行数据预处理,获得与所述储藏信息对应的目标多维数据;将所述与所述储藏信息对应的目标多维数据输入预先构建的粮食霉变概率预测模型中,经所述粮食霉变概率预测模型处理后输出所述目标粮种的霉变概率,以及未霉变概率;依据所述霉变概率和所述未霉变概率,获得所述目标粮种的霉变预测结果。本发明提供的粮食霉变预测方法中,依据粮食霉变概率预测模型输出的与当前环境对应的霉变概率和未霉变概率,能够快速对当前环境下的粮食储藏霉变情况做出预判,避免了复杂的细菌培养、真菌观察等步骤,节省大量人力物力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种粮食霉变预测方法的方法流程图;
图2为本发明提供的一种粮食霉变预测方法的又一方法流程图;
图3为本发明提供的一种粮食霉变预测方法的又一方法流程图;
图4为本发明提供的一种粮食霉变预测装置的结构示意图;
图5为本发明提供的一种电子设备的结构示意图。
具体实施方式
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,都属于本发明保护的范围。
本发明可用于众多通用或专用的计算装置环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器装置、包括以上任何装置或设备的分布式计算环境等等。
本发明实施例提供了一种粮食霉变预测方法,该方法可以应用在多种系统平台,其执行主体可以为运行在计算机上终端或各种移动设备的处理器,所述粮食霉变预测方法的流程图如图1所示,具体包括:
S101:获取目标粮种的储藏信息;
本发明实施例提供的方法中,首先获取目标粮种的储藏信息,储藏信息包含当前环境下的各个霉变因素,例如储藏温度、通风条件、粮种含水率以及储藏时间等。
S102:对所述储藏信息进行数据预处理,获得与所述储藏信息对应的目标多维数据;
本发明实施例提供的方法中,对获取到的多个霉变因素进行预处理,获得目标多维数据,目标多维数据的维度可以是三维,目标多维数据可以是目标霉变因素对应的多维数据,目标霉变因素可以是储藏温度、粮种含水率和储藏时间。
S103:将所述与所述储藏信息对应的目标多维数据输入预先构建的粮食霉变概率预测模型中,经所述粮食霉变概率预测模型处理后输出所述目标粮种的霉变概率,以及未霉变概率;
本发明实施例提供的方法中,粮食霉变概率预测模型可以依据目标粮种的霉变因素为储藏温度、粮种含水率和储藏时间对应的数据,输出与储藏温度、粮种含水率和储藏时间对应的发生霉变的霉变概率和未发生霉变的未霉变概率,粮食霉变概率预测模型可以是基于朴素贝叶斯分类器的模型。
S104:依据所述霉变概率和所述未霉变概率,获得所述目标粮种的霉变预测结果。
本发明实施例提供的方法中,依据粮食霉变概率预测模型输出的与目标粮种对应的霉变概率和未霉变概率,将霉变概率和未霉变概率进行比较,从而获得目标粮种的霉变预测结果。
本发明实施例提供的粮食霉变预测方法,首先获取包含当前环境对应的多个霉变因素的储藏信息,并从储藏信息中确定目标霉变因素,获得与目标霉变因素对应的目标多维数据,并将与目标霉变因素对应的目标多维数据输入至基于朴素贝叶斯分类器的粮食霉变概率预测模型,经粮食霉变概率预测模型处理后输出目标粮种的霉变概率和未霉变概率,并将目标粮种的霉变概率和未霉变概率进行比较,获得目标粮种的霉变预测结果。应用本发明实施例提供的粮食霉变预测方法,依据粮食霉变概率预测模型输出的与当前环境对应的霉变概率和未霉变概率,能够快速对当前环境下的粮食储藏霉变情况做出预判,避免了复杂的细菌培养、真菌观察等步骤,节省大量人力物力。
上述本发明实施例图1公开的步骤S102涉及到的,对储藏信息进行数据预处理,获得与储藏信息对应的目标多维数据,包括以下步骤:
将所述储藏信息按照预设的映射规则进行维度映射,获得与所述储藏信息对应的初始多维数据;
依据预设的规则,从所述储藏信息对应的初始多维数据中选取与所述预设的规则相匹配的多个霉变因素,获得与所述储藏信息对应的目标多维数据。
本发明实施例提供的方法中,按照预设的映射规则,将各个霉变因素映射成初始多维数据,即将每个霉变因素映射到与其对应的维度,所述多维数据可以是以数组的形式呈现,依据处理器中预先存储的多个霉变因素,其中,处理器中预先存储的多个霉变因素为对粮食霉变影响最大的霉变因素,从初始多维数据中查找与处理器中预先存储的多个霉变因素相匹配的霉变因素,将查找到的霉变因素,确定为目标霉变因素,依据目标霉变因素,对初始多维数据进行降维,获得与储藏信息对应的目标多维数据。应用本发明实施例提供的霉变预测方法,从多个霉变因素中选取出对粮食霉变影响较大的霉变因素,并基于对粮食霉变影响较大的霉变因素进行粮食霉变预测,从而提高处理器的处理效率。
对上述涉及的对储藏信息进行数据预处理,获得与储藏信息对应的目标多维数据的具体过程进行举例说明:
储藏信息中包含4个霉变因素,分别是储藏温度X1、通风条件X2、粮种含水率X3以及储藏时间X4,将霉变因素进行维度映射,获得初始多维数据为(X1,X2,X3,X4),处理器中预先存储霉变因素为储藏温度、粮种含水率和储藏时间,从初始多维数据中查找与储藏温度、粮种含水率和储藏时间对应的霉变因素,可将X1、X3、X4确定为目标霉变因素,从而获得与储藏信息对应的目标多维数据为(X1,X3,X4)。
上述本发明实施例图1公开的步骤S103涉及到的,依据霉变概率和未霉变概率,获得所述目标粮种的霉变预测结果,包括以下步骤:
判断所述霉变概率是否大于所述未霉变概率;
若所述霉变概率大于所述未霉变概率,则预测为所述目标粮种发生霉变;
若所述霉变概率不大于所述未霉变概率,则预测为所述目标粮种未发生霉变。
本发明实施例提供的方法中,基于粮食霉变概率预测模型输出的霉变概率和未霉变概率的大小,判断霉变概率是否大于未霉变概率,若霉变概率大于未霉变概率,则预测目标粮种在当前环境下会发生霉变,若霉变概率不大于未霉变概率,则预测目标粮种在当前环境下不会发生霉变。应用本发明实施例提供的粮食霉变预测方法,基于粮食霉变概率预测模型输出的霉变概率和未霉变概率,通过比较霉变概率和未霉变概率的大小,可以预测目标粮种在当前环境下的霉变结果,工作人员能够依据霉变预测结果,提前采取相应的措施,将处置措施端口前移,能够有效的保障储粮的安全。
需要说明的是,本发明实施例提供的方法,可选的,可以提前设置好粮食霉变概率预测模型的程序,使粮食霉变概率预测模型直接输出目标粮种的霉变预测结果。
上述本发明实施例图1公开的步骤S103涉及到的粮食霉变概率预测模型,该粮食霉变概率预测模型的构建过程,如图2所示,具体包括以下步骤:
S201:采集粮种霉变样本集合;
本发明实施例提供的方法中,粮食霉变概率预测模型为基于朴素贝叶斯分类器的模型,采集粮种霉变样本集合,即采集多组不同霉变因素下的霉变数据和不同霉变因素下的未霉变数据,以及相同霉变因素下的霉变数据和相同霉变因素下的未霉变数据。
S202:对各个所述粮种霉变样本数据进行预处理,获得与每个所述粮种霉变样本数据对应的目标多维数据;
本发明实施例提供的方法中,对每个粮种霉变样本数据进行预处理,获得与每个粮种霉变样本数据对应的目标多维数据,每个目标多维数据中,包含对粮食霉变影响较大的多个霉变因素,以及与霉变因素对应的霉变结果,优选的,选取对粮食霉变影响较大的三个霉变因素可以是储粮温度、粮种含水率和储粮时间。
S203:选取多个所述粮种霉变样本数据对应的目标多维数据作为训练数据,并选取多个所述粮种霉变样本数据对应的目标多维数据作为测试数据;
本发明实施例提供的方法中,选取多个粮种霉变样本数据对应的目标多维数据作为训练数据,并将未被选取的粮种霉变样本数据对应的目标多维数据作为测试数据,可选的,选取所有的粮种霉变样本数据对应的三分之二的目标多维数据作为训练数据,选取所有的粮种霉变样本数据对应的三分之一的目标多维数据作为测试数据。
S204:将所述训练数据输入至待构建的朴素贝叶斯分类器中,对所述待构建的朴素贝叶斯分类器进行训练,并将所述测试数据输入至已训练完成的朴素贝叶斯分类器中,获得测试结果数据;
本发明实施例提供的方法中,将所述训练数据导入至待构建的朴素贝叶斯分类器中,以触发朴素贝叶斯分类器依据训练数据,进行相应的概率计算,实现对该朴素贝叶斯分类器的训练,并将训练完成的朴素贝叶斯分类器进行测试,即将测试数据中的霉变因素输入至,已训练完成的朴素贝叶斯分类器中,经该朴素贝叶斯分类器处理后输出测试结果数据。
其中,对待构建的朴素贝叶斯分类器进行训练的具体过程为:
计算所述训练数据中霉变结果为发生霉变的目标多维数据在所述训练数据中的比重,获得与所述训练数据对应的霉变概率,以及计算所述训练数据中霉变结果为未发生霉变的目标多维数据在所述训练数据中的比重,获得与所述训练数据对应的未霉变概率;
确定所述训练数据中每个霉变因素对应的各个数值,并确定与每个数值对应的目标多维数据;
计算所述与每个数值对应的目标多维数据在所述训练数据中的比重,获得每个霉变因素对应的各个数值中与每个数值对应的概率;
确定所述与每个数值对应的目标多维数据中霉变结果为发生霉变的目标多维数据,并计算所述与每个数值对应的目标多维数据中霉变结果为发生霉变的目标多维数据,在所述训练数据中霉变结果为发生霉变对应的多维数据中的比重,获得在发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第一后验概率;
确定所述与每个数值对应的目标多维数据中霉变结果为未发生霉变的目标多维数据,并计算所述与每个数值对应的目标多维数据中霉变结果为未发生霉变的目标多维数据,在所述训练数据中霉变结果为未发生霉变对应的多维数据中的比重,获得在未发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第二后验概率;
依据所述训练数据对应的霉变概率、所述每个霉变因素对应的各个数值中与每个数值对应的概率、以及所述在发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第一后验概率,通过预设的贝叶斯公式,获得所述训练数据对应的每个目标多维数据中霉变因素对应的霉变概率;
依据所述训练数据对应的未霉变概率、所述每个霉变因素对应的各个数值中与每个数值对应的概率、以及所述在未发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第二后验概率,通过所述贝叶斯公式,获得所述训练数据对应的每个目标多维数据中霉变因素对应的未霉变概率。
本发明实施例提供的方法中,计算训练数据中霉变结果为发生霉变的目标多维数据在训练数据中的比重,获得与训练数据对应的霉变概率,同理,可获得与训练数据对应的未霉变概率,并计算每个霉变因素对应的各个数值的概率,即计算储藏温度对应的各个数值的概率,粮种含水率对应的各个数值的概率和储藏时间对应的各个数值的概率,并计算在发生霉变的条件下储藏温度对应的各个数值的第一后验概率、粮种含水率对应的各个数值的第一后验概率和储藏时间对应的各个数值的第一后验概率,以及计算在没有发生霉变的条件下储藏温度对应的各个数值的第二后验概率、粮种含水率对应的各个数值的第二后验概率,和储藏时间对应的各个数值的第二后验概率,通过贝叶斯公式,以及计算获得的训练数据对应的霉变概率、训练数据中每个霉变因素对应的各个数值的概率和每个霉变因素对应的各个数值的第一后验概率,获得与训练数据对应的每个目标多维数据中霉变因素对应的霉变概率;并通过贝叶斯公式,以及计算获得的训练数据对应的未霉变概率、训练数据中每个霉变因素对应的各个数值的概率和每个霉变因素对应的各个数值的第二后验概率,获得与训练数据对应的每个目标多维数据中霉变因素对应的未霉变概率,以实现对朴素贝叶斯分类器的训练。
需要说明的是,计算霉变结果为发生霉变的条件下的每个霉变因素对应的各个数值的第一后验概率时,还可以对每个霉变因素对应的各个数值的第一后验概率的分子加一,以及对分母加一,以实现对第一后验概率进行平滑处理;还可以对第二后验概率进行平滑处理。
需要说明的是,本发明实施例提供方法中,在计算与训练数据对应的每个目标多维数据中霉变因素对应的霉变概率,以及与训练数据对应的每个目标多维数据中霉变因素对应的未霉变概率时,假设每个目标多维数据中的各个霉变因素相互独立,即储藏温度、粮种含水率和储藏时间是相互独立的。
对上述步骤S204的涉及的,将训练数据输入至待构建的朴素贝叶斯分类器中,对待构建的朴素贝叶斯分类器进行训练的具体实现过程进行举例说明如下:
对训练数据中的每一个目标多维数据,记为tem(储藏温度),w(粮种含水率),day(储藏时间),Y(是否霉变),Y=1表示已经发生霉变,Y=0表示未发生霉变,
依据训练数据,计算在霉变条件下,储藏温度等于a的后验概率同理计算在霉变条件下,粮种含水率等于b的后验概率为计算在霉变条件下粮种储藏时间等于c的后验概率其中,在计算pa、pb和pc时,对各自对应的分子和分母分别进行加一处理,即为平滑处理。
依据上述计算得到的概率,可计算在tem=a,w=b,day=c条件下,发生霉变的概率为:
同理,可以计算出,在tem=a,w=b,day=c条件下,未发生霉变的概率p(Y=0|tem=a,w=b,day=c)。
其中,在计算p(Y=1|tem=a,w=b,day=c)和p(Y=0|tem=a,w=b,day=c)时,假设储藏温度、粮种含水率和储藏时间相互独立。
同理,可以计算出tem为其他数值,w为其他数值和day为其他数值下的霉变概率和未霉变概率,即对每一个目标多维数据(tem,w,day,Y)都能计算出目标多维数据中(tem,w,day)对应的霉变概率和未霉变概率,以实现对朴素贝叶斯分类器的训练。
S205:计算所述测试结果数据的误差率,若所述测试结果数据的误差率小于预设误差阈值,则将所述已训练完成的朴素贝叶斯分类器确定为粮食霉变概率预测模型。
本发明实施例提供的方法中,将朴素贝叶斯分类器输出的测试结果数据与测试数据中的霉变结果进行比对,计算测试结果数据的误差率,当测试结果的误差率满足预设的误差阈值要求时,将已训练完成的朴素贝叶斯分类器确定为粮食霉变概率预测模型。
本发明实施例提供的粮食霉变预测方法中,将采集的各个粮种霉变样本数据进行数据预处理,获得每个粮种霉变样本数据对应的目标多维数据,并从各个粮种霉变样本数据对应的目标多维数据中确定训练数据和测试数据,将训练数据输入至待构建的朴素贝叶斯分贝器,对朴素贝叶斯分类器进行训练,并依据测试数据对已训练完的朴素贝叶斯分类器测试,当测试的测试结果数据满足预设的误差阈值要求时,将朴素贝叶斯分类器确定为粮食霉变概率预测模型。
上述本发明实施例图2公开的步骤S202涉及到的,对各个粮种霉变样本数据进行预处理,获得与每个粮种霉变样本数据对应的目标多维数据,如图3所示,具体包括以下步骤:
S301:对各个所述粮种霉变样本数据按照预设的映射规则进行维度映射,获得与每个所述粮种霉变样本数据对应的初始多维数据;
本发明实施例提供的方法中,对各个粮种霉变样本数据按照预设的预设规则进行维度映射,对粮种霉变样本数据中的各个霉变因素和霉变结果按照与其对应的维度进行映射,获得与每个粮种霉变样本数据对应的初始多维数据,其中,每个粮种霉变样本数据对应的初始多维数据中包含多个霉变因素和霉变结果,例如,粮种霉变样本数据对应的初始多维数据为(X1,X2,X3,X4,Y),X1表示储藏温度、X2表示通风条件、X3表示粮种含水率、X4表示储藏时间、Y表示霉变结果,霉变结果包含发生霉变或未发生霉变。
S302:计算每个所述粮种霉变样本数据对应的初始多维数据中的每个霉变因素与霉变结果的相关性,获得每个霉变因素对应的相关系数;
本发明实施例提供的方法中,计算粮种霉变样本数据中每个霉变因素与霉变结果之间的相关性,获得每个霉变因素对应的相关系数,其中,霉变结果为发生霉变,即首先确定粮种霉变样本数据对应的初始多维数据中,霉变结果为发生霉变的初始多维数据,并计算确定的初始多维数据中,每个霉变因素与霉变结果之间的相关性。相关性通过相关系数确定,相关系数的计算公式如下所示:
其中,X表示霉变因素,Y表示霉变结果为发生霉变,r(X,Y)表示X与Y的相关系数,Cov(X,Y)为X、Y的协方差,V[X]表示X的方差,V[Y]表示Y的协方差。
S303:依据每个霉变因素对应的相关系数,按照从大到小的顺序,对各个所述霉变因素进行排序;
本发明实施例提供的方法中,基于每个霉变因素对应的相关系数,按照从大到小的顺序对霉变因素进行排序。例如,霉变因素包含储藏温度、粮种含水率、储藏时间和通风条件。通过计算每个霉变因素与霉变结果为发生霉变之间的相关性,获得每个霉变因素的相关系数,依据每个霉变因素的相关系数,对各个霉变因素排序为:粮种含水率>储藏温度>储藏时间>通风条件。
304:从所述已排序的霉变因素中,按照从大到小的顺序,依次选取预设数目的霉变因素作为目标霉变因素;
本发明实施例提供的方法中,从已排序的霉变因素中,依次选取预设数目的霉变因素作为目标霉变因素,优选的,预设数目可以是3个,例如,霉变因素的排序情况为:粮种含水率>储藏温度>储藏时间>通风条件,则确定储藏温度、粮种含水率和储藏时间为目标霉变因素。
S305:依据所述目标霉变因素,对每个所述粮食霉变样本数据对应的初始多维数据进行降维,获得每个所述粮食霉变样本数据对应的目标多维数据。
本发明实施例提供的方法中,从粮食霉变样本数据对应的初始多维数据中将对粮食霉变影响最大的因素抽取出来,即将目标霉变因素对应的霉变因素抽取出来,形成粮食霉变样本数据对应的目标多维数据。例如,粮种霉变样本数据对应的初始多维数据为(X1,X2,X3,X4,Y),X1表示储藏温度、X2表示通风条件、X3表示粮种含水率、X4表示储藏时间、Y表示霉变结果,通过对每个霉变因素的相关性计算,确定目标霉变因素为储藏温度、粮种含水率和储藏时间,所以粮食霉变样本数据对应的目标多维数据为(X1,X3,X4,Y)。
本发明实施例提供的粮食霉变预测方法中,通过计算每个霉变因素与霉变结果为发生霉变的相关性,获取每个霉变因素的相关系数,并通过比较各个相关系数,选取相关系数较大的霉变因素,即确定出对粮食霉变影响最大的霉变因素,将对粮食霉变影响最大的霉变因素确定为目标霉变因素,并依据目标霉变因素,获得与粮种霉变样本数据对应的目标多维数据。
与图1所述的方法相对应,本发明实施例还提供了一种粮食霉变预测装置,用于对图1中方法的具体实现,其结构示意图如图4所示,具体包括:
第一获取单元401,用于获取目标粮种的储藏信息;所述储藏信息包含多个霉变因素;
预处理单元402,用于对所述储藏信息进行数据预处理,获得与所述储藏信息对应的目标多维数据;
输入单元403,用于将所述与所述储藏信息对应的目标多维数据输入预先构建的粮食霉变概率预测模型中,经所述粮食霉变概率预测模型处理后输出所述目标粮种的霉变概率,以及未霉变概率;
第二获取单元404,用于依据所述霉变概率和所述未霉变概率,获得所述目标粮种的霉变预测结果。
本发明实施例提供的粮食霉变预测装置,首先获取包含当前环境对应的多个霉变因素的储藏信息,并从储藏信息中确定目标霉变因素,获得与目标霉变因素对应的目标多维数据,并将与目标霉变因素对应的目标多维数据输入至基于朴素贝叶斯分类器的粮食霉变概率预测模型,经粮食霉变概率预测模型处理后输出目标粮种的霉变概率和未霉变概率,并将目标粮种的霉变概率和未霉变概率进行比较,获得目标粮种的霉变预测结果。应用本发明实施例提供的粮食霉变预测装置,依据粮食霉变概率预测模型输出的与当前环境对应的霉变概率和未霉变概率,能够快速对当前环境下的粮食储藏霉变情况做出预判,避免了复杂的细菌培养、真菌观察等步骤,节省大量人力物力。
在本发明的一个实施例中,基于前述方案,预处理单元402配置为:
第一映射子单元,用于将所述储藏信息按照预设的映射规则进行维度映射,获得与所述储藏信息对应的初始多维数据;
第一选取子单元,用于依据预设的规则,从所述储藏信息对应的初始多维数据中选取与所述预设的规则相匹配的多个霉变因素,获得与所述储藏信息对应的目标多维数据。
在本发明的一个实施例中,基于前述方案,第二获取单元404配置为:
判断子单元,用于判断所述霉变概率是否大于所述未霉变概率;
第一预测子单元,用于若所述霉变概率大于所述未霉变概率,则预测为所述目标粮种发生霉变;
第二预测子单元,用于若所述霉变概率不大于所述未霉变概率,则预测为所述目标粮种未发生霉变。
在本发明的一个实施例中,基于前述方案,输入单元403配置为:
采集子单元,用于采集粮种霉变样本集合;所述粮种霉变样本集合中包含多个粮种霉变样本数据;
预处理子单元,用于对各个所述粮种霉变样本数据进行预处理,获得与每个所述粮种霉变样本数据对应的目标多维数据;
第二选取子单元,用于选取多个所述粮种霉变样本数据对应的目标多维数据作为训练数据,并选取多个所述粮种霉变样本数据对应的目标多维数据作为测试数据;
训练子单元,用于将所述训练数据输入至待构建的朴素贝叶斯分类器中,对所述待构建的朴素贝叶斯分类器进行训练,并将所述测试数据输入至已训练完成的朴素贝叶斯分类器中,获得测试结果数据;
第一计算子单元,用于计算所述测试结果数据的误差率,若所述测试结果数据的误差率小于预设误差阈值,则将所述已训练完成的朴素贝叶斯分类器确定为粮食霉变概率预测模型。
在本发明的一个实施例中,基于前述方案,预处理子单元配置为:
第二映射子单元,用于对各个所述粮种霉变样本数据按照预设的映射规则进行维度映射,获得与每个所述粮种霉变样本数据对应的初始多维数据;其中,每个所述霉变样本数据对应的初始多维数据中包含霉变结果和多个霉变因素;
第二计算子单元,用于计算每个所述粮种霉变样本数据对应的初始多维数据中的每个霉变因素与霉变结果的相关性,获得每个霉变因素对应的相关系数;
排序子单元,用于依据每个霉变因素对应的相关系数,按照从大到小的顺序,对各个所述霉变因素进行排序;
第三选取子单元,用于从所述已排序的霉变因素中,按照从大到小的顺序,依次选取预设数目的霉变因素作为目标霉变因素;
降维子单元,用于依据所述目标霉变因素,对每个所述粮食霉变样本数据对应的初始多维数据进行降维,获得每个所述粮食霉变样本数据对应的目标多维数据。
在本发明的一个实施例中,基于前述方案,训练子单元配置为:
第三计算子单元,用于计算所述训练数据中霉变结果为发生霉变的目标多维数据在所述训练数据中的比重,获得与所述训练数据对应的霉变概率,以及计算所述训练数据中霉变结果为未发生霉变的目标多维数据在所述训练数据中的比重,获得与所述训练数据对应的未霉变概率;
第一确定子单元,用于确定所述训练数据中每个霉变因素对应的各个数值,并确定与每个数值对应的目标多维数据;
第四计算子单元,用于计算所述与每个数值对应的目标多维数据在所述训练数据中的比重,获得每个霉变因素对应的各个数值中与每个数值对应的概率;
第五计算子单元,用于确定所述与每个数值对应的目标多维数据中霉变结果为发生霉变的目标多维数据,并计算所述与每个数值对应的目标多维数据中霉变结果为发生霉变的目标多维数据,在所述训练数据中霉变结果为发生霉变对应的多维数据中的比重,获得在发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第一后验概率;
第六计算子单元,用于确定所述与每个数值对应的目标多维数据中霉变结果为未发生霉变的目标多维数据,并计算所述与每个数值对应的目标多维数据中霉变结果为未发生霉变的目标多维数据,在所述训练数据中霉变结果为未发生霉变对应的多维数据中的比重,获得在未发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第二后验概率;
第一获取子单元,用于依据所述训练数据对应的霉变概率、所述每个霉变因素对应的各个数值中与每个数值对应的概率、以及所述在发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第一后验概率,通过预设的贝叶斯公式,获得所述训练数据对应的每个目标多维数据中霉变因素对应的霉变概率;
第二获取子单元,用于依据所述训练数据对应的未霉变概率、所述每个霉变因素对应的各个数值中与每个数值对应的概率、以及所述在未发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第二后验概率,通过所述贝叶斯公式,获得所述训练数据对应的每个目标多维数据中霉变因素对应的未霉变概率。
本发明实施例还提供了一种存储介质,所述存储介质包括存储的指令,其中,在所述指令运行时控制所述存储介质所在的设备执行上述粮食霉变预测方法。
本发明实施例还提供了一种电子设备,其结构示意图如图5所示,具体包括存储器501,以及一个或者一个以上的指令502,其中一个或者一个以上指令502存储于存储器501中,且经配置以由一个或者一个以上处理器503执行所述一个或者一个以上指令502进行以下操作:
获取目标粮种的储藏信息;所述储藏信息包含多个霉变因素;
对所述储藏信息进行数据预处理,获得与所述储藏信息对应的目标多维数据;
将所述与所述储藏信息对应的目标多维数据输入预先构建的粮食霉变概率预测模型中,经所述粮食霉变概率预测模型处理后输出所述目标粮种的霉变概率,以及未霉变概率;
依据所述霉变概率和所述未霉变概率,获得所述目标粮种的霉变预测结果。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,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他要素,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。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本发明时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上对本发明所提供的一种粮食霉变预测方法及装置进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种粮食霉变预测方法,其特征在于,包括:
获取目标粮种的储藏信息;所述储藏信息包含多个霉变因素;
对所述储藏信息进行数据预处理,获得与所述储藏信息对应的目标多维数据;
将所述与所述储藏信息对应的目标多维数据输入预先构建的粮食霉变概率预测模型中,经所述粮食霉变概率预测模型处理后输出所述目标粮种的霉变概率,以及未霉变概率;
依据所述霉变概率和所述未霉变概率,获得所述目标粮种的霉变预测结果;
其中,所述粮食霉变概率预测模型的构建过程,包括:
采集粮种霉变样本集合;所述粮种霉变样本集合中包含多个粮种霉变样本数据;
对各个所述粮种霉变样本数据进行预处理,获得与每个所述粮种霉变样本数据对应的目标多维数据;
选取多个所述粮种霉变样本数据对应的目标多维数据作为训练数据,并选取多个所述粮种霉变样本数据对应的目标多维数据作为测试数据;
将所述训练数据输入至待构建的朴素贝叶斯分类器中,对所述待构建的朴素贝叶斯分类器进行训练,并将所述测试数据输入至已训练完成的朴素贝叶斯分类器中,获得测试结果数据;
计算所述测试结果数据的误差率,若所述测试结果数据的误差率小于预设误差阈值,则将所述已训练完成的朴素贝叶斯分类器确定为粮食霉变概率预测模型;
所述对各个所述粮种霉变样本数据进行预处理,获得与每个所述粮种霉变样本数据对应的目标多维数据,包括:
对各个所述粮种霉变样本数据按照预设的映射规则进行维度映射,获得与每个所述粮种霉变样本数据对应的初始多维数据;其中,每个所述霉变样本数据对应的初始多维数据中包含霉变结果和多个霉变因素;
计算每个所述粮种霉变样本数据对应的初始多维数据中的每个霉变因素与霉变结果的相关性,获得每个霉变因素对应的相关系数;
依据每个霉变因素对应的相关系数,按照从大到小的顺序,对各个所述霉变因素进行排序;
从所述已排序的霉变因素中,按照从大到小的顺序,依次选取预设数目的霉变因素作为目标霉变因素;
依据所述目标霉变因素,对每个所述粮食霉变样本数据对应的初始多维数据进行降维,获得每个所述粮食霉变样本数据对应的目标多维数据;
所述对所述待构建的朴素贝叶斯分类器进行训练,包括:
计算所述训练数据中霉变结果为发生霉变的目标多维数据在所述训练数据中的比重,获得与所述训练数据对应的霉变概率,以及计算所述训练数据中霉变结果为未发生霉变的目标多维数据在所述训练数据中的比重,获得与所述训练数据对应的未霉变概率;
确定所述训练数据中每个霉变因素对应的各个数值,并确定与每个数值对应的目标多维数据;
计算所述与每个数值对应的目标多维数据在所述训练数据中的比重,获得每个霉变因素对应的各个数值中与每个数值对应的概率;
确定所述与每个数值对应的目标多维数据中霉变结果为发生霉变的目标多维数据,并计算所述与每个数值对应的目标多维数据中霉变结果为发生霉变的目标多维数据,在所述训练数据中霉变结果为发生霉变对应的多维数据中的比重,获得在发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第一后验概率;
确定所述与每个数值对应的目标多维数据中霉变结果为未发生霉变的目标多维数据,并计算所述与每个数值对应的目标多维数据中霉变结果为未发生霉变的目标多维数据,在所述训练数据中霉变结果为未发生霉变对应的多维数据中的比重,获得在未发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第二后验概率;
依据所述训练数据对应的霉变概率、所述每个霉变因素对应的各个数值中与每个数值对应的概率、以及所述在发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第一后验概率,通过预设的贝叶斯公式,获得所述训练数据对应的每个目标多维数据中霉变因素对应的霉变概率;
依据所述训练数据对应的未霉变概率、所述每个霉变因素对应的各个数值中与每个数值对应的概率、以及所述在未发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第二后验概率,通过所述贝叶斯公式,获得所述训练数据对应的每个目标多维数据中霉变因素对应的未霉变概率。
2.根据权利要求1所述的方法,其特征在于,所述对所述储藏信息进行数据预处理,获得与所述储藏信息对应的目标多维数据,包括:
将所述储藏信息按照预设的映射规则进行维度映射,获得与所述储藏信息对应的初始多维数据;
依据预设的规则,从所述储藏信息对应的初始多维数据中选取与所述预设的规则相匹配的多个霉变因素,获得与所述储藏信息对应的目标多维数据。
3.根据权利要求1所述的方法,其特征在于,所述依据所述霉变概率和所述未霉变概率,获得所述目标粮种的霉变预测结果,包括:
判断所述霉变概率是否大于所述未霉变概率;
若所述霉变概率大于所述未霉变概率,则预测为所述目标粮种发生霉变;
若所述霉变概率不大于所述未霉变概率,则预测为所述目标粮种未发生霉变。
4.一种粮食霉变预测装置,其特征在于,包括:
第一获取单元,用于获取目标粮种的储藏信息;所述储藏信息包含多个霉变因素;
预处理单元,用于对所述储藏信息进行数据预处理,获得与所述储藏信息对应的目标多维数据;
输入单元,用于将所述与所述储藏信息对应的目标多维数据输入预先构建的粮食霉变概率预测模型中,经所述粮食霉变概率预测模型处理后输出所述目标粮种的霉变概率,以及未霉变概率;
第二获取单元,用于依据所述霉变概率和所述未霉变概率,获得所述目标粮种的霉变预测结果;
其中,所述输入单元,包括:
采集子单元,用于采集粮种霉变样本集合;所述粮种霉变样本集合中包含多个粮种霉变样本数据;
预处理子单元,用于对各个所述粮种霉变样本数据进行预处理,获得与每个所述粮种霉变样本数据对应的目标多维数据;
第二选取子单元,用于选取多个所述粮种霉变样本数据对应的目标多维数据作为训练数据,并选取多个所述粮种霉变样本数据对应的目标多维数据作为测试数据;
训练子单元,用于将所述训练数据输入至待构建的朴素贝叶斯分类器中,对所述待构建的朴素贝叶斯分类器进行训练,并将所述测试数据输入至已训练完成的朴素贝叶斯分类器中,获得测试结果数据;
第一计算子单元,用于计算所述测试结果数据的误差率,若所述测试结果数据的误差率小于预设误差阈值,则将所述已训练完成的朴素贝叶斯分类器确定为粮食霉变概率预测模型;
其中,所述预处理子单元,包括:
第二映射子单元,用于对各个所述粮种霉变样本数据按照预设的映射规则进行维度映射,获得与每个所述粮种霉变样本数据对应的初始多维数据;其中,每个所述霉变样本数据对应的初始多维数据中包含霉变结果和多个霉变因素;
第二计算子单元,用于计算每个所述粮种霉变样本数据对应的初始多维数据中的每个霉变因素与霉变结果的相关性,获得每个霉变因素对应的相关系数;
排序子单元,用于依据每个霉变因素对应的相关系数,按照从大到小的顺序,对各个所述霉变因素进行排序;
第三选取子单元,用于从所述已排序的霉变因素中,按照从大到小的顺序,依次选取预设数目的霉变因素作为目标霉变因素;
降维子单元,用于依据所述目标霉变因素,对每个所述粮食霉变样本数据对应的初始多维数据进行降维,获得每个所述粮食霉变样本数据对应的目标多维数据;
所述训练子单元,包括:
第三计算子单元,用于计算所述训练数据中霉变结果为发生霉变的目标多维数据在所述训练数据中的比重,获得与所述训练数据对应的霉变概率,以及计算所述训练数据中霉变结果为未发生霉变的目标多维数据在所述训练数据中的比重,获得与所述训练数据对应的未霉变概率;
第一确定子单元,用于确定所述训练数据中每个霉变因素对应的各个数值,并确定与每个数值对应的目标多维数据;
第四计算子单元,用于计算所述与每个数值对应的目标多维数据在所述训练数据中的比重,获得每个霉变因素对应的各个数值中与每个数值对应的概率;
第五计算子单元,用于确定所述与每个数值对应的目标多维数据中霉变结果为发生霉变的目标多维数据,并计算所述与每个数值对应的目标多维数据中霉变结果为发生霉变的目标多维数据,在所述训练数据中霉变结果为发生霉变对应的多维数据中的比重,获得在发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第一后验概率;
第六计算子单元,用于确定所述与每个数值对应的目标多维数据中霉变结果为未发生霉变的目标多维数据,并计算所述与每个数值对应的目标多维数据中霉变结果为未发生霉变的目标多维数据,在所述训练数据中霉变结果为未发生霉变对应的多维数据中的比重,获得在未发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第二后验概率;
第一获取子单元,用于依据所述训练数据对应的霉变概率、所述每个霉变因素对应的各个数值中与每个数值对应的概率、以及所述在发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第一后验概率,通过预设的贝叶斯公式,获得所述训练数据对应的每个目标多维数据中霉变因素对应的霉变概率;
第二获取子单元,用于依据所述训练数据对应的未霉变概率、所述每个霉变因素对应的各个数值中与每个数值对应的概率、以及所述在未发生霉变的条件下,每个霉变因素对应的各个数值中与每个数值对应的第二后验概率,通过所述贝叶斯公式,获得所述训练数据对应的每个目标多维数据中霉变因素对应的未霉变概率。
5.根据权利要求4所述的装置,其特征在于,所述预处理单元,包括:
映射子单元,用于将所述储藏信息按照预设的映射规则进行维度映射,获得与所述储藏信息对应的初始多维数据;
第一选取子单元,用于依据预设的规则,从所述储藏信息对应的初始多维数据中选取与所述预设的规则相匹配的多个霉变因素,获得与所述储藏信息对应的目标多维数据。
6.根据权利要求4所述的装置,其特征在于,所述第二获取单元,包括:
判断子单元,用于判断所述霉变概率是否大于所述未霉变概率;
第一预测子单元,用于若所述霉变概率大于所述未霉变概率,则预测为所述目标粮种发生霉变;
第二预测子单元,用于若所述霉变概率不大于所述未霉变概率,则预测为所述目标粮种未发生霉变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328977.9A CN110046770B (zh) | 2019-04-23 | 2019-04-23 | 粮食霉变预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910328977.9A CN110046770B (zh) | 2019-04-23 | 2019-04-23 | 粮食霉变预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110046770A CN110046770A (zh) | 2019-07-23 |
CN110046770B true CN110046770B (zh) | 2021-04-23 |
Family
ID=67278705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910328977.9A Active CN110046770B (zh) | 2019-04-23 | 2019-04-23 | 粮食霉变预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046770B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116993273B (zh) * | 2023-09-27 | 2023-12-15 | 中国标准化研究院 | 一种基于数据分析的粮库运行与维护管理系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015188395A1 (zh) * | 2014-06-13 | 2015-12-17 | 周家锐 | 一种面向大数据的代谢组特征数据分析方法及其系统 |
CN107730286A (zh) * | 2016-08-10 | 2018-02-23 | 中国移动通信集团黑龙江有限公司 | 一种目标客户筛选方法及装置 |
CN107977731A (zh) * | 2017-10-06 | 2018-05-01 | 贵州师范学院 | 一种基于深度学习的茶鲜叶保鲜时间预测方法 |
-
2019
- 2019-04-23 CN CN201910328977.9A patent/CN110046770B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015188395A1 (zh) * | 2014-06-13 | 2015-12-17 | 周家锐 | 一种面向大数据的代谢组特征数据分析方法及其系统 |
CN107730286A (zh) * | 2016-08-10 | 2018-02-23 | 中国移动通信集团黑龙江有限公司 | 一种目标客户筛选方法及装置 |
CN107977731A (zh) * | 2017-10-06 | 2018-05-01 | 贵州师范学院 | 一种基于深度学习的茶鲜叶保鲜时间预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110046770A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | An equivalent measure of partial correlation coefficients for high-dimensional gaussian graphical models | |
CN109800307B (zh) | 产品评价的分析方法、装置、计算机设备及存储介质 | |
US20130198118A1 (en) | Annotation of a biological sequence | |
CN110020877B (zh) | 点击率的预测方法、点击率的确定方法及服务器 | |
CN111738589B (zh) | 基于内容推荐的大数据项目工作量评估方法、装置及设备 | |
CN107016416B (zh) | 基于邻域粗糙集和pca融合的数据分类预测方法 | |
CN109636212B (zh) | 作业实际运行时间的预测方法 | |
CN106452934B (zh) | 一种网络性能指标变化趋势的分析方法和装置 | |
CN112885415B (zh) | 基于分子表面点云的雌激素活性快速筛查方法 | |
CN111048214A (zh) | 外来畜禽疫病传播态势的预警方法及装置 | |
CN114154252B (zh) | 新能源汽车动力电池系统失效模式的风险评估方法及装置 | |
Teimouri | EM algorithm for mixture of skew-normal distributions fitted to grouped data | |
CN110046770B (zh) | 粮食霉变预测方法及装置 | |
US20160259882A1 (en) | Method and system for estimating genomic health | |
CN109460474B (zh) | 用户偏好趋势挖掘方法 | |
CN114118526A (zh) | 一种企业风险预测方法、装置、设备及存储介质 | |
CN110019832B (zh) | 语言模型的获取方法和装置 | |
CN110852322B (zh) | 感兴趣区域的确定方法及装置 | |
Hein et al. | Can we compare effect size of spatial genetic structure between studies and species using Moran eigenvector maps? | |
CN112232343A (zh) | 一种粮食霉变粒识别神经网络和识别方法 | |
CN110634006B (zh) | 广告点击率的预测方法、装置、设备及可读存储介质 | |
CN107665244B (zh) | 一种获取粮食产量与化肥使用量之间关系的方法及装置 | |
CN112001760B (zh) | 潜在用户挖掘方法、装置、电子设备和存储介质 | |
CN111882046B (zh) | 多媒体数据的识别方法、装置、设备及计算机存储介质 | |
CN114420219A (zh) | 相对保留时间预测模型的构建方法、预测方法及装置 |
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 |