CN110348490A - 一种基于支持向量机算法的土壤质量预测方法及装置 - Google Patents
一种基于支持向量机算法的土壤质量预测方法及装置 Download PDFInfo
- Publication number
- CN110348490A CN110348490A CN201910534702.0A CN201910534702A CN110348490A CN 110348490 A CN110348490 A CN 110348490A CN 201910534702 A CN201910534702 A CN 201910534702A CN 110348490 A CN110348490 A CN 110348490A
- Authority
- CN
- China
- Prior art keywords
- soil
- soil quality
- data
- training sample
- algorithm
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Abstract
本发明公开了一种基于支持向量机算法的土壤质量预测方法及装置,包括:对预先采集的土壤质量数据进行预处理,得到土壤数据集;根据所述土壤数据集,提取土壤质量特征;从所述土壤数据集中筛选训练样本,并基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型;将所述土壤数据集输入到所述土壤质量分类模型,得到土壤质量分类结果,能够有效解决现有技术的土壤肥沃质量监测方法存在智能化程度低、数据处理复杂的问题,能够有效提高土壤质量分类的准确度和效率,能够有效提高智能化程度,同时降低计算复杂度,以降低对硬件的要求,有利于产品化,并能大大降低人工成本,减少虚警率。
Description
技术领域
本发明涉及人工智能、大数据、农业技术领域,尤其涉及一种基于支持向量机算法的土壤质量预测方法及装置。
背景技术
随着移动互联网、物联网、大数据、智能决策等现代信息技术在农业生产中的加速应用,农业生产正在实现精细化、数字化、智能化管理,线上农业正在逐步成型,信息化在提高土地产出率、资源利用率和劳动生产率方面的重要作用日益凸显,为破解“谁来种地、怎么种地”的难题提供了新途径。
目前,国内外对于土壤肥沃质量监测的方法大致可以分为两类:基于网络通信的远程监测方法和基于机器视觉分析的方法。基于网络通信的远程监测方法是利用网络通讯和多种传感器,将水稻栽培现场的实时数据监测、采集、并上传至上位机,存入到终端以供检测人员监测土壤的质量数据。例如:专利CN201810709916通过风速传感器、温度传感器、湿度传感器、光照传感器对温度、湿度、二氧化碳含量及光亮度进行监测。这种方法能够减少了人工劳动力,且能避免操作人员出现错误判断。但是并未由采集到的原始数据自动分析出土壤的质量等级,智能化程度不高。基于机器视觉分析的方法通过对摄像头采集到的实时图像进行图像处理,并与数据库中的标准图像数据进行比较,实时发现异常。例如:专利CN201810000811通过摄像头来实时拍摄图像,并在图像与预设图像不匹配时将相关信息发送到专家平台,经由专家平台分析诊断,并给出反馈信息。专利CN201820652999通过对监测地的土壤进行光谱分析,从而了解该地的土壤养分分布,判断草原生态的土壤肥沃程度,完成对土壤的监测。这种方法可以有效检测出土壤的化学物质含量。但是,利用光谱分析的方法数据较为复杂,处理过程较为繁琐,且设备成本较高不适用于多数农村。综上,现有技术的土壤肥沃质量监测方法存在智能化程度低、数据处理复杂的问题。
发明内容
本发明实施例提供一种基于支持向量机算法的土壤质量预测方法及装置,能够有效提高土壤质量分类的准确度,能够有效提高智能化程度,同时降低计算复杂度。
本发明一实施例提供一种基于支持向量机算法的土壤质量预测方法,包括:
对预先采集的土壤质量数据进行预处理,得到土壤数据集;
根据所述土壤数据集,提取土壤质量特征;
从所述土壤数据集中筛选训练样本,并基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型;
将所述土壤数据集输入到所述土壤质量分类模型,得到土壤质量分类结果。
作为上述方案的改进,所述对预先采集的土壤质量数据进行预处理,得到土壤数据集,具体包括:
剔除所述土壤质量数据中的无效数据,得到所述土壤质量数据中的有效数据;其中,所述无效数据包括空数据、噪声数据及乱码数据;
根据预设的状态标签,将所述土壤质量数据中的有效数据进行分组并标记,得到所述土壤数据集;其中,所述状态标签基于土壤质量进行划分。
作为上述方案的改进,所述基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型,具体包括:
对所述训练样本进行缩放,得到缩放后的训练样本;
采用所述缩放后的训练样本对预先建立的分类器的核函数进行测试,并根据测试结果选取目标核函数;
采用交叉验证,选择最佳参数;
采用所述目标核函数、所述最佳参数对所述训练样本和所述土壤质量特征进行训练,得到土壤质量分类模型。
作为上述方案的改进,所述将所述土壤数据集输入到所述土壤质量分类模型,得到土壤质量分类结果,具体包括:
将所述土壤数据集作为测试数据,并采用所述测试数据对所述土壤质量分类模型进行测试,得到土壤质量分类结果;
将所述土壤质量分类结果与所述测试数据对应的所述状态标签进行对比,并根据对比结果对所述土壤质量分类模型进行评价。
作为上述方案的改进,所述根据对比结果对所述土壤质量分类模型进行评价,具体包括:
根据所述对比结果,提取所述土壤质量分类模型的置信度和召回率;
根据所述土壤质量分类模型的置信度和召回率,计算所述土壤质量分类模型的评价值。
作为上述方案的改进,所述从所述土壤数据集中筛选训练样本,具体包括:
选取所述土壤数据集中各预设的时间段采集到的土壤数据,并将其组织成所述训练样本。
作为上述方案的改进,所述从所述土壤数据集中筛选训练样本,还包括:
对所述土壤数据集进行聚类分析,得到若干个类别的土壤数据组;
选取各土壤数据组中的土壤数据,并将其组织成所述训练样本。
本发明另一实施例对应提供了一种基于支持向量机算法的土壤质量预测装置,包括:
预处理模块,用于对预先采集的土壤质量数据进行预处理,得到土壤数据集;
特征提取模块,用于根据所述土壤数据集,提取土壤质量特征;
模型训练模块,用于从所述土壤数据集中筛选训练样本,并基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型;
分类模块,用于将所述土壤数据集输入到所述土壤质量分类模型,得到土壤质量分类结果。
与现有技术相比,本发明实施例公开的基于支持向量机算法的土壤质量预测方法及装置,通过对预先采集的土壤质量数据进行预处理,得到土壤数据集,根据所述土壤数据集,提取土壤质量特征,从所述土壤数据集中筛选训练样本,并基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型,将所述土壤数据集输入到所述土壤质量分类模型,得到土壤质量分类结果,本发明通过训练土壤质量分类模型,能够有效解决现有技术的土壤肥沃质量监测方法存在智能化程度低、数据处理复杂的问题,能够有效提高土壤质量分类的准确度和效率,能够有效提高智能化程度,同时降低计算复杂度,以降低对硬件的要求,有利于产品化,并能大大降低人工成本,减少虚警率。
本发明另一实施例提供了一种基于支持向量机算法的土壤质量预测装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现上述发明实施例所述的基于支持向量机算法的土壤质量预测方法。
本发明另一实施例提供了一种存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的基于支持向量机算法的土壤质量预测方法。
附图说明
图1是本发明实施例一提供的一种基于支持向量机算法的土壤质量预测方法的流程示意图;
图2是本发明实施例二提供的一种基于支持向量机算法的土壤质量预测装置的结构示意图。
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作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。
实施例一
参见图1,是本发明实施例一提供的一种基于支持向量机算法的土壤质量预测方法的流程示意图,包括:
S101、对预先采集的土壤质量数据进行预处理,得到土壤数据集。
在步骤S101中,即数据采集阶段,采用预先采集到的土壤质量数据进行预处理。其中,土壤质量数据也可以是土壤肥沃程度的各项参数,预处理过程可以包括对无效数据进行剔除,对有效数据添加状态标签并分组。
在一种可选的实施例中,该步骤S101具体包括:
剔除所述土壤质量数据中的无效数据,得到所述土壤质量数据中的有效数据;其中,所述无效数据包括空数据、噪声数据及乱码数据;
根据预设的状态标签,将所述土壤质量数据中的有效数据进行分组并标记,得到所述土壤数据集;其中,所述状态标签基于土壤质量进行划分。
在本实施例中,无效数据可以是由数据采集器采集到的异常数据,其中,数据采集器可以是传感器等具有数据采集功能的智能设备;该异常数据可以包括空数据(即全为0的数据)、噪声数据(即由于噪声产生的数据,具体为只在某一时刻明显偏离正常水平的数据)、乱码数据(即由于通信异常接收到的错误格式的数据)等。进一步,将剔除无效数据后得到的所述土壤质量数据中的有效数据进行存储,用于标记状态标签。进一步,状态标签可以是检测土壤的质量等级标签,添加状态标签的过程可以是人工标记数据,可以是根据操作者的经验、土壤的参数、土壤实际观察时的效果评定土壤的质量。具体的,将土壤质量划分为预设的质量等级,后按照土壤的质量对存储的有效数据进行分组并添加对应的状态标签,从而将具有状态标签的有效数据组织成土壤数据集。
S102、根据所述土壤数据集,提取土壤质量特征。
需要说明的是,在特征选择阶段,根据特征的发散性和与土壤的相关性,提取步骤S101中获得的土壤数据集的对土壤质量分类有效的特征,也是土壤肥沃程度的特征。其中,土壤质量特征可以包括光照强度、肥料等级、土壤湿度、温度、土壤密度、海拔高度等。其中,通过如下方法提取特征:可采用方差法判断特征是否发散,进而判断特征与目标数据的相关性;可采用过滤法,按照发散性或者相关性对各特征进行评分,设定阈值或者待选择阈值的个数,选择特征;可采用包装法,根据目标函数(通常是预测效果评分),每次选择若干特征,或者排除若干特征;可采用嵌入法,使用预设的机器学习算法和模型进行训练,得到各特征的权值系数,根据该权值系数从大到小选择特征。
S103、从所述土壤数据集中筛选训练样本,并基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型。
在步骤S103中采用支持向量机作为分类器,即寻找最优的决策边界,使得距离两个类别最近的训练样本点的距离最远。在分类器训练阶段,从数据采集阶段得到的土壤数据集中提取具有代表性的数据,将其作为训练样本,可降低训练样本的重复性,如数据采集器在同一段时间采集到的数据可能差距不大,而且同一组数据重复率过高时易造成过拟合,因此需对土壤数据集进行筛选。进一步,使用训练样本与土壤质量特征作为训练特征,对预先建立的分类器进行训练,得到土壤质量分类模型。
可选的,所述从所述土壤数据集中筛选训练样本,可以为:
选取所述土壤数据集中各预设的时间段采集到的土壤数据,并将其组织成所述训练样本。
可选的,所述从所述土壤数据集中筛选训练样本,还可以为:
对所述土壤数据集进行聚类分析,得到若干个类别的土壤数据组;
选取各土壤数据组中的土壤数据,并将其组织成所述训练样本。
在一种可选的实施例中,该步骤S103具体包括:
对所述训练样本进行缩放,得到缩放后的训练样本;
采用所述缩放后的训练样本对预先建立的分类器的核函数进行测试,并根据测试结果选取目标核函数;
采用交叉验证,选择最佳参数;
采用所述目标核函数、所述最佳参数对所述训练样本和所述土壤质量特征进行训练,得到土壤质量分类模型。
需要说明的是,从所述土壤数据集中筛选训练样本,进而对所述训练样本进行缩放操作,进而选择核函数,以生成用于训练的分类器,采用训练样本经多次测试后选择分类效果最佳的核函数作为用于训练的核函数。本实施例中,核函数可以包括线性核函数、多项式核函数、径向基函数、二层神经网络核函数等。进一步,采用交叉验证,选择最佳参数;其中,交叉验证可以为5折交叉验证。更进一步,根据选择得到的核函数和最佳参数,生成用于训练的分类器,进而采用所述训练样本和所述土壤质量特征对该分类器进行训练,得到土壤质量分类模型。
S104、将所述土壤数据集输入到所述土壤质量分类模型,得到土壤质量分类结果。
需要说明的是,在模型分类阶段,使用训练得到的土壤质量分类模型对输入的土壤数据集进行分类,输出土壤质量分类结果,即为土壤质量等级,进而将各土壤数据的土壤质量分类结果与步骤S101中该土壤数据的状态标签进行比较,提取出模型的精确率、召回率,以测试并评价模型的分类性能。
在一种可选的实施例中,该步骤S104,具体包括:
将所述土壤数据集作为测试数据,并采用所述测试数据对所述土壤质量分类模型进行测试,得到土壤质量分类结果;
将所述土壤质量分类结果与所述测试数据对应的所述状态标签进行对比,并根据对比结果对所述土壤质量分类模型进行评价。
进一步,根据所述对比结果,提取所述土壤质量分类模型的置信度和召回率;
根据所述土壤质量分类模型的置信度和召回率,计算所述土壤质量分类模型的评价值。
本实施例中,该评价值可以是F1分数,F1分数是分类问题的一个衡量指标,是精确率和召回率的调和平均数,最大为1,最小为0。
优选的,可通过如下方法评价模型的分类性能:由混淆矩阵评价土壤质量分类模型的性能,混淆矩阵的每一列代表了预测类别,每一列的总数表示预测为该类别的数据的数目;每一行代表了数据的真实归属类别,每一行的数据总数表示该类别的数据实例的数目。每一格中的数值表示真实数据被预测为该类的数目。由此,混淆矩阵可直观反应模型的分类准确率,以评价模型的分类性能。
本发明实施例提供的一种基于支持向量机算法的土壤质量预测方法,通过对预先采集的土壤质量数据进行预处理,得到土壤数据集,根据所述土壤数据集,提取土壤质量特征,从所述土壤数据集中筛选训练样本,并基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型,将所述土壤数据集输入到所述土壤质量分类模型,得到土壤质量分类结果,本发明通过训练土壤质量分类模型,能够有效解决现有技术的土壤肥沃质量监测方法存在智能化程度低、数据处理复杂的问题,能够有效提高土壤质量分类的准确度和效率,能够有效提高智能化程度,同时降低计算复杂度,以降低对硬件的要求,有利于产品化,并能大大降低人工成本,减少虚警率。
在一优选实施例中,在上述实施例的基础上,将上述基于支持向量机算法的土壤质量预测方法应用于实际情况中。具体地,所述方法的实施过程如下:
状态标签为土壤质量等级的标签,将状态标签划分为A、B、C、D四个土壤的质量等级,分别对应优良中差。本实施例中,传感器采集某地的土壤肥沃程度的各项参数,剔除人为删除等原因造成的无效数据,筛选出有效数据一共2867条。进而,对有效数据的土壤质量进行分组,并添加对应的状态标签,得到土壤数据集。由此分析,各状态标签的数据量分布为:A类状态标签占9.5%,B类状态标签占23.3%,C类状态标签占0.0%,D类状态标签占67.1%。可见,D类状态标签的数据量远远高于正常状态的数据量,比例高达6:4,是一个典型的高度不均衡样本。
进一步,提取以上得到的土壤数据集中土壤肥沃程度的所有潜在特征。本实施例中,选择光照强度、肥料等级、土壤湿度、温度作为土地肥沃程度的训练特征。
进一步,设土壤数据集有m条n维数据,训练SVM分类器的主要步骤描述如下:
步骤1:选取训练样本;
步骤2:对训练样本进行简单的缩放操作;
步骤3:选取核函数,选择不同的核函数,可以生成不同的SVM分类器,常用的核函数有以下4种:
⑴线性核函数K(x,y)=x·y;
⑵多项式核函数K(x,y)=[(x·y)+1]d;
⑶径向基函数K(x,y)=exp(-|x-y|2/d2);
⑷二层神经网络核函数K(x,y)=tanh(a(x·y)+b);
通过多次测试,当核函数为线性核函数时分类效果最好,故采用线性核函数;
步骤4:采用交叉验证,选择最佳参数;
步骤5:采用线性核函数和最佳参数,生成SVM分类器,进而采用训练样本和训练特征对该SVM分类器进行训练,得到土壤质量分类模型。
进一步,利用训练好的土壤质量分类模型,将土壤数据集中的全部2867条有效数据作为测试数据,根据输出的土壤质量分类结果提取出模型的置信度和召回率。最终结果如下表所示。
精准率 | 召回率 | F1-score |
84.51% | 96.3% | 96.21% |
其中,表中的F1-score为F1分数是分类问题的一个衡量指标,是精确率和召回率的调和平均数,最大为1,最小为0。
实施例二
参见图2,是本发明实施例二提供的一种基于支持向量机算法的土壤质量预测装置的结构示意图,包括:
预处理模块201,用于对预先采集的土壤质量数据进行预处理,得到土壤数据集;
特征提取模块202,用于根据所述土壤数据集,提取土壤质量特征;
模型训练模块203,用于从所述土壤数据集中筛选训练样本,并基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型;
分类模块204,用于将所述土壤数据集输入到所述土壤质量分类模型,得到土壤质量分类结果。
优选的,所述预处理模块201包括:
过滤单元,用于剔除所述土壤质量数据中的无效数据,得到所述土壤质量数据中的有效数据;其中,所述无效数据包括空数据、噪声数据及乱码数据;
标记单元,用于根据预设的状态标签,将所述土壤质量数据中的有效数据进行分组并标记,得到所述土壤数据集;其中,所述状态标签基于土壤质量进行划分。
优选的,所述模型训练模块203包括:
缩放单元,用于对所述训练样本进行缩放,得到缩放后的训练样本;
核函数选取单元,用于采用所述缩放后的训练样本对预先建立的分类器的核函数进行测试,并根据测试结果选取目标核函数;
参数选取单元,用于采用交叉验证,选择最佳参数;
建模单元,用于采用所述目标核函数、所述最佳参数对所述训练样本和所述土壤质量特征进行训练,得到土壤质量分类模型。
优选的,所述分类模块204包括:
测试单元,用于将所述土壤数据集作为测试数据,并采用所述测试数据对所述土壤质量分类模型进行测试,得到土壤质量分类结果;
评价单元,用于将所述土壤质量分类结果与所述测试数据对应的所述状态标签进行对比,并根据对比结果对所述土壤质量分类模型进行评价。
优选的,所述分类模块204包括:
置信度和召回率提取单元,用于根据所述对比结果,提取所述土壤质量分类模型的置信度和召回率;
评价值计算单元,用于根据所述土壤质量分类模型的置信度和召回率,计算所述土壤质量分类模型的评价值。
优选的,所述模型训练模块203包括:
第一训练样本构建单元,用于选取所述土壤数据集中各预设的时间段采集到的土壤数据,并将其组织成所述训练样本。
优选的,所述模型训练模块203包括:
聚类分析单元,用于对所述土壤数据集进行聚类分析,得到若干个类别的土壤数据组;
第二训练样本构建单元,用于选取各土壤数据组中的土壤数据,并将其组织成所述训练样本。
本实施例二提供的所述基于支持向量机算法的土壤质量预测装置用于执行上述实施例一任意一项所述基于支持向量机算法的土壤质量预测方法的步骤,两者的工作原理和有益效果一一对应,因而不再赘述。
参见图2,是本发明实施例二提供的基于支持向量机算法的土壤质量预测装置的结构示意图。该实施例的基于支持向量机算法的土壤质量预测装置包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个基于支持向量机算法的土壤质量预测方法实施例中的步骤,例如图1所示的步骤S103、从所述土壤数据集中筛选训练样本,并基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型。或者,所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如模型训练模块203,用于从所述土壤数据集中筛选训练样本,并基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述基于支持向量机算法的土壤质量预测装置中的执行过程。
所述基于支持向量机算法的土壤质量预测装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于支持向量机算法的土壤质量预测装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述示意图仅仅是基于支持向量机算法的土壤质量预测装置的示例,并不构成对基于支持向量机算法的土壤质量预测装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于支持向量机算法的土壤质量预测装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于支持向量机算法的土壤质量预测装置的控制中心,利用各种接口和线路连接整个基于支持向量机算法的土壤质量预测装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于支持向量机算法的土壤质量预测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述基于支持向量机算法的土壤质量预测装置集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于支持向量机算法的土壤质量预测方法,其特征在于,包括:
对预先采集的土壤质量数据进行预处理,得到土壤数据集;
根据所述土壤数据集,提取土壤质量特征;
从所述土壤数据集中筛选训练样本,并基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型;
将所述土壤数据集输入到所述土壤质量分类模型,得到土壤质量分类结果。
2.如权利要求1所述的基于支持向量机算法的土壤质量预测方法,其特征在于,所述对预先采集的土壤质量数据进行预处理,得到土壤数据集,具体包括:
剔除所述土壤质量数据中的无效数据,得到所述土壤质量数据中的有效数据;其中,所述无效数据包括空数据、噪声数据及乱码数据;
根据预设的状态标签,将所述土壤质量数据中的有效数据进行分组并标记,得到所述土壤数据集;其中,所述状态标签基于土壤质量进行划分。
3.如权利要求1所述的基于支持向量机算法的土壤质量预测方法,其特征在于,所述基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型,具体包括:
对所述训练样本进行缩放,得到缩放后的训练样本;
采用所述缩放后的训练样本对预先建立的分类器的核函数进行测试,并根据测试结果选取目标核函数;
采用交叉验证,选择最佳参数;
采用所述目标核函数、所述最佳参数对所述训练样本和所述土壤质量特征进行训练,得到土壤质量分类模型。
4.如权利要求1所述的基于支持向量机算法的土壤质量预测方法,其特征在于,所述将所述土壤数据集输入到所述土壤质量分类模型,得到土壤质量分类结果,具体包括:
将所述土壤数据集作为测试数据,并采用所述测试数据对所述土壤质量分类模型进行测试,得到土壤质量分类结果;
将所述土壤质量分类结果与所述测试数据对应的所述状态标签进行对比,并根据对比结果对所述土壤质量分类模型进行评价。
5.如权利要求4所述的基于支持向量机算法的土壤质量预测方法,其特征在于,所述根据对比结果对所述土壤质量分类模型进行评价,具体包括:
根据所述对比结果,提取所述土壤质量分类模型的置信度和召回率;
根据所述土壤质量分类模型的置信度和召回率,计算所述土壤质量分类模型的评价值。
6.如权利要求1所述的基于支持向量机算法的土壤质量预测方法,其特征在于,所述从所述土壤数据集中筛选训练样本,具体包括:
选取所述土壤数据集中各预设的时间段采集到的土壤数据,并将其组织成所述训练样本。
7.如权利要求1所述的基于支持向量机算法的土壤质量预测方法,其特征在于,所述从所述土壤数据集中筛选训练样本,还包括:
对所述土壤数据集进行聚类分析,得到若干个类别的土壤数据组;
选取各土壤数据组中的土壤数据,并将其组织成所述训练样本。
8.一种基于支持向量机算法的土壤质量预测装置,其特征在于,包括:
预处理模块,用于对预先采集的土壤质量数据进行预处理,得到土壤数据集;
特征提取模块,用于根据所述土壤数据集,提取土壤质量特征;
模型训练模块,用于从所述土壤数据集中筛选训练样本,并基于所述训练样本和所述土壤质量特征对预先建立的分类器进行训练,得到土壤质量分类模型;
分类模块,用于将所述土壤数据集输入到所述土壤质量分类模型,得到土壤质量分类结果。
9.一种基于支持向量机算法的土壤质量预测装置,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的基于支持向量机算法的土壤质量预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的基于支持向量机算法的土壤质量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910534702.0A CN110348490A (zh) | 2019-06-20 | 2019-06-20 | 一种基于支持向量机算法的土壤质量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910534702.0A CN110348490A (zh) | 2019-06-20 | 2019-06-20 | 一种基于支持向量机算法的土壤质量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110348490A true CN110348490A (zh) | 2019-10-18 |
Family
ID=68182433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910534702.0A Pending CN110348490A (zh) | 2019-06-20 | 2019-06-20 | 一种基于支持向量机算法的土壤质量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348490A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488520A (zh) * | 2020-03-19 | 2020-08-04 | 武汉工程大学 | 一种农作物种植种类推荐信息处理装置、方法及存储介质 |
CN111832481A (zh) * | 2020-07-13 | 2020-10-27 | 武汉轻工大学 | 食用植物油加工质量检测方法、设备、存储介质及装置 |
CN111950621A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 基于人工智能的目标数据检测方法、装置、设备及介质 |
CN111985545A (zh) * | 2020-08-10 | 2020-11-24 | 中国平安人寿保险股份有限公司 | 基于人工智能的目标数据检测方法、装置、设备及介质 |
CN114441410A (zh) * | 2022-02-08 | 2022-05-06 | 鹤壁市人元生物技术发展有限公司 | 土壤状态的检测方法及系统 |
CN114778795A (zh) * | 2022-04-01 | 2022-07-22 | 中国科学院地理科学与资源研究所 | 一种基于城市布局的土壤质量等级确定方法及装置 |
CN117171660A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于支持向量机的微生物修复状态监测方法、系统及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897592A (zh) * | 2015-06-11 | 2015-09-09 | 石河子大学 | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 |
CN105139093A (zh) * | 2015-09-07 | 2015-12-09 | 河海大学 | 基于Boosting算法和支持向量机的洪水预报方法 |
CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
CN108509996A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于Filter和Wrapper选择算法的特征选择方法 |
CN108535200A (zh) * | 2018-01-23 | 2018-09-14 | 江苏大学 | 基于可见光、太赫兹融合光谱技术的叶菜类蔬菜叶片重金属镉的检测装置及方法 |
-
2019
- 2019-06-20 CN CN201910534702.0A patent/CN110348490A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104897592A (zh) * | 2015-06-11 | 2015-09-09 | 石河子大学 | 基于高光谱技术的盐渍化土壤盐分离子含量监测方法 |
CN105139093A (zh) * | 2015-09-07 | 2015-12-09 | 河海大学 | 基于Boosting算法和支持向量机的洪水预报方法 |
CN106124449A (zh) * | 2016-06-07 | 2016-11-16 | 中国科学院合肥物质科学研究院 | 一种基于深度学习技术的土壤近红外光谱分析预测方法 |
CN108535200A (zh) * | 2018-01-23 | 2018-09-14 | 江苏大学 | 基于可见光、太赫兹融合光谱技术的叶菜类蔬菜叶片重金属镉的检测装置及方法 |
CN108509996A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于Filter和Wrapper选择算法的特征选择方法 |
Non-Patent Citations (3)
Title |
---|
甘杨兰等: "《面向基因组分析的数据挖掘算法研究》", 31 August 2017 * |
赵汝东等: "应用支持向量机方法对北京平原粮田区土壤养", 《土壤通报》 * |
黄婷等: "基于支持向量机的土壤基础肥力评价和土壤有机质含量预测研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488520A (zh) * | 2020-03-19 | 2020-08-04 | 武汉工程大学 | 一种农作物种植种类推荐信息处理装置、方法及存储介质 |
CN111488520B (zh) * | 2020-03-19 | 2023-09-26 | 武汉工程大学 | 一种农作物种植种类推荐信息处理装置、方法及存储介质 |
CN111832481A (zh) * | 2020-07-13 | 2020-10-27 | 武汉轻工大学 | 食用植物油加工质量检测方法、设备、存储介质及装置 |
CN111832481B (zh) * | 2020-07-13 | 2023-10-10 | 武汉轻工大学 | 食用植物油加工质量检测方法、设备、存储介质及装置 |
CN111950621A (zh) * | 2020-08-10 | 2020-11-17 | 中国平安人寿保险股份有限公司 | 基于人工智能的目标数据检测方法、装置、设备及介质 |
CN111985545A (zh) * | 2020-08-10 | 2020-11-24 | 中国平安人寿保险股份有限公司 | 基于人工智能的目标数据检测方法、装置、设备及介质 |
CN114441410A (zh) * | 2022-02-08 | 2022-05-06 | 鹤壁市人元生物技术发展有限公司 | 土壤状态的检测方法及系统 |
CN114778795A (zh) * | 2022-04-01 | 2022-07-22 | 中国科学院地理科学与资源研究所 | 一种基于城市布局的土壤质量等级确定方法及装置 |
CN114778795B (zh) * | 2022-04-01 | 2022-11-25 | 中国科学院地理科学与资源研究所 | 一种基于城市布局的土壤质量等级确定方法及装置 |
CN117171660A (zh) * | 2023-11-02 | 2023-12-05 | 北京建工环境修复股份有限公司 | 基于支持向量机的微生物修复状态监测方法、系统及介质 |
CN117171660B (zh) * | 2023-11-02 | 2024-03-12 | 北京建工环境修复股份有限公司 | 基于支持向量机的微生物修复状态监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348490A (zh) | 一种基于支持向量机算法的土壤质量预测方法及装置 | |
CN112966926B (zh) | 一种基于集成学习的洪水敏感性风险评估方法 | |
CN107194803A (zh) | 一种p2p网贷借款人信用风险评估的装置 | |
CN101763502B (zh) | 一种高效的敏感图像检测方法及其系统 | |
CN107133436A (zh) | 一种多重抽样模型训练方法及装置 | |
CN101484910A (zh) | 聚类系统及缺陷种类判定装置 | |
CN110225055A (zh) | 一种基于knn半监督学习模型的网络流量异常检测方法与系统 | |
CN109903053A (zh) | 一种基于传感器数据进行行为识别的反欺诈方法 | |
CN103617435A (zh) | 一种主动学习图像分类方法和系统 | |
CN111476280A (zh) | 植物叶片识别方法及系统 | |
CN113049509B (zh) | 一种基于光谱技术的农产品检测管理系统 | |
CN107145778A (zh) | 一种入侵检测方法及装置 | |
CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
CN110059568A (zh) | 基于深层卷积神经网络的多类白细胞自动识别方法 | |
CN115794803B (zh) | 一种基于大数据ai技术的工程审计问题监测方法与系统 | |
CN111986027A (zh) | 基于人工智能的异常交易处理方法、装置 | |
CN105930900A (zh) | 一种混合风力发电的预测方法及系统 | |
CN108074025A (zh) | 基于表面缺陷分布特征的钢卷表面缺陷判定方法 | |
CN114238033B (zh) | 板卡运行状态预警方法、装置、设备及可读存储介质 | |
CN113378831B (zh) | 一种小鼠胚胎器官识别与评分方法与系统 | |
CN110189170A (zh) | 市场情绪分析方法和系统 | |
CN106326914A (zh) | 一种基于svm的珍珠多分类方法 | |
CN109685133A (zh) | 基于构建的预测模型低成本、高区分度的数据分类方法 | |
CN110807174B (zh) | 一种基于统计分布的污水厂厂群出水分析及异常识别方法 | |
CN114817681B (zh) | 一种基于大数据分析的金融风控系统及其管理设备 |
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: 20191018 |
|
RJ01 | Rejection of invention patent application after publication |