CN111612246B - 农田土壤的重金属含量预测方法、装置、设备及存储介质 - Google Patents
农田土壤的重金属含量预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111612246B CN111612246B CN202010423369.9A CN202010423369A CN111612246B CN 111612246 B CN111612246 B CN 111612246B CN 202010423369 A CN202010423369 A CN 202010423369A CN 111612246 B CN111612246 B CN 111612246B
- Authority
- CN
- China
- Prior art keywords
- heavy metal
- metal content
- neural network
- bird
- bird group
- 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
- 229910001385 heavy metal Inorganic materials 0.000 title claims abstract description 124
- 239000002689 soil Substances 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 108
- 230000006399 behavior Effects 0.000 claims description 78
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000019637 foraging behavior Effects 0.000 claims description 13
- 230000024703 flight behavior Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 244000144992 flock Species 0.000 claims description 4
- 230000002431 foraging effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract description 16
- 238000012549 training Methods 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 229910021654 trace metal Inorganic materials 0.000 description 1
- 238000012546 transfer Methods 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
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种农田土壤的重金属含量预测方法、装置、设备及存储介质,属于土壤重金属污染检测技术领域。本发明获取待预测农田土壤中已知区域的土地信息,将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值,将所述目标重金属含量值作为所述待预测农田土壤中未知区域的重金属含量预测结果,通过将已知区域的土地信息输入至改进的自适应广义回归神经网络模型中,得到农田土壤中未知区域的重金属含量值,节省了模型训练时间,提高了农田土壤中重金属含量值预测的精确度。
Description
技术领域
本发明涉及土壤重金属污染检测技术领域,尤其涉及一种农田土壤的重金属含量预测方法、装置、设备及存储介质。
背景技术
农田土壤重金属污染是指由于人类活动,导致农田土壤中的微量金属元素含量超过标准值,过量沉积而引起的含量过高,统称为农田土壤重金属污染。而农田土壤作为人类各种粮食作物赖以生存的自然环境,其生态环境问题一直是环境科学界研究的热点。目前对于农田土壤中重金属含量的预测采用的是传统的多元线性回归方法或广义回归神经网络,而传统方法中所采用的模型训练时间较长,预测精度较低。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种农田土壤的重金属含量预测方法、装置、设备及存储介质,旨在解决现有技术中农田土壤的重金属含量预测精度较低的技术问题。
为实现上述目的,本发明提供了一种农田土壤的重金属含量预测方法,所述方法包括以下步骤:
获取待预测农田土壤中已知区域的土地信息;
将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值;
将所述目标重金属含量值作为所述待预测农田土壤中未知区域的重金属含量预测结果。
优选地,所述将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值的步骤之前,还包括:
获取初始神经网络模型的目标参数;
基于鸟群算法对所述初始神经网络模型中的目标参数进行修改,获得预设神经网络模型。
优选地,所述基于鸟群算法对所述初始神经网络模型中的目标参数进行修改,获得预设神经网络模型的步骤包括:
初始化并行鸟群算法,得到鸟群以及所述鸟群中的多个鸟群个体;
获取所述鸟群的飞行间隔;
根据所述飞行间隔判断所述鸟群是否进行飞行行为;
根据判断结果控制各个鸟群个体执行目标行为;
获取各个鸟群个体的当前位置;
根据所述当前位置确定所述鸟群的目标位置;
根据所述目标位置对所述初始神经网络模型的目标参数进行修改,获得预设神经网络模型。
优选地,所述根据判断结果控制各个鸟群个体执行目标行为的步骤包括:
在所述鸟群未进行飞行行为时,在预设范围内随机生成各个鸟群个体对应的常数;
根据所述常数控制对应的鸟群个体执行觅食行为或警戒行为;
或,在所述鸟群进行飞行行为时,获取各个鸟群个体的当前适应度值;
根据所述当前适应度值控制对应的鸟群个体执行生产行为或乞讨行为。
优选地,所述根据所述常数控制对应的鸟群个体执行觅食行为或警戒行为的步骤包括:
获取各个鸟群个体对应的初始值;
控制小于所述初始值的常数对应的鸟群个体执行觅食行为;
控制大于或等于所述初始值的常数对应的鸟群个体执行警戒行为。
优选地,所述根据所述当前适应度值控制对应的鸟群个体执行生产行为或乞讨行为的步骤包括:
对所述鸟群个体进行划分,得到多个鸟群团体;
比较各个鸟群团体中各鸟群个体的当前适应度值的大小;
控制各个鸟群团体中当前适应度值最大的鸟群个体执行生产行为;
控制各个鸟群团体中当前适应度值最小的鸟群个体执行乞讨行为;
控制各个鸟群团体中剩余的鸟群个体随机执行所述生产行为或所述乞讨行为。
优选地,所述将所述土地信息输入至所述预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值的步骤包括:
将所述土地信息依次输入至所述预设神经网络模型的输入层、模式层以及求和层进行计算;
获取所述预设神经网络模型的输出层输出的计算结果,将所述计算结果作为目标重金属含量值。
此外,为实现上述目的,本发明还提出一种农田土壤的重金属含量预测装置,所述装置包括:
获取模块,用于获取待预测农田土壤中已知区域的土地信息;
输入模块,用于将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值;
输出模块,用于将所述目标重金属含量值作为所述待预测农田土壤中未知区域的重金属含量预测结果。
此外,为实现上述目的,本发明还提出一种农田土壤的重金属含量预测设备,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的农田土壤的重金属含量预测程序,所述农田土壤的重金属含量预测程序配置为实现如上文所述的农田土壤的重金属含量预测方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有农田土壤的重金属含量预测程序,所述农田土壤的重金属含量预测程序被处理器执行时实现如上文所述的农田土壤的重金属含量预测方法的步骤。
本发明获取待预测农田土壤中已知区域的土地信息,将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值,将所述目标重金属含量值作为所述待预测农田土壤中未知区域的重金属含量预测结果,通过将已知区域的土地信息输入至改进的自适应广义回归神经网络模型中,得到农田土壤中未知区域的重金属含量值,节省了模型训练时间,提高了农田土壤中重金属含量值预测的精确度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的农田土壤的重金属含量预测设备的结构示意图;
图2为本发明农田土壤的重金属含量预测方法第一实施例的流程示意图;
图3为本发明农田土壤的重金属含量预测方法第二实施例的流程示意图;
图4为本发明农田土壤的重金属含量预测方法第三实施例的流程示意图;
图5为本发明农田土壤的重金属含量预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的农田土壤的重金属含量预测设备结构示意图。
如图1所示,该农田土壤的重金属含量预测设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储器(Non-Volatile Memory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对农田土壤的重金属含量预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及农田土壤的重金属含量预测程序。
在图1所示的农田土壤的重金属含量预测设备中,网络接口1004主要用于与网络服务器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明农田土壤的重金属含量预测设备中的处理器1001、存储器1005可以设置在农田土壤的重金属含量预测设备中,所述农田土壤的重金属含量预测设备通过处理器1001调用存储器1005中存储的农田土壤的重金属含量预测程序,并执行本发明实施例提供的农田土壤的重金属含量预测方法。
本发明实施例提供了一种农田土壤的重金属含量预测方法,参照图2,图2为本发明一种农田土壤的重金属含量预测方法第一实施例的流程示意图。
本实施例中,所述农田土壤的重金属含量预测方法包括以下步骤:
步骤S10:获取待预测农田土壤中已知区域的土地信息。
在本实施例中,本实施例的执行主体为计算机处理器或者一种独立的检测设备,可以采集数据和进行数据处理分析,以计算器处理器为例进行说明,本实施例中计算机处理器所采集到的数据为待预测农田土壤中已知区域的土地信息,待预测农田土壤为需要进行重金属含量预测的农田土壤,待预测农田土壤的面积大小根据实际情况进行预先设置,本实施例不加以限制。
需要说明的是,本实施例是通过已知区域的已知信息去推测其他未知区域的重金属含量,从而达到预测的目的,因此需要获取待预测农田土壤中已知区域的土地信息,已知区域的面积大小也可根据实际情况自行设置,土地信息包括已知区域农田土壤的重金属含量值、经度、纬度、海拔、种植物类型以及有机物含量等农田土壤相关的数据。
步骤S20:将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值。
步骤S30:将所述目标重金属含量值作为所述待预测农田土壤中未知区域的重金属含量预测结果。
需要说明的是,本实施例通过将获取到的已知区域的土地信息输入至预设神经网络模型得到目标重金属含量值,从而完成预测,目标重金属含量值为所预测的未知区域的农田土壤的重金属含量值,预设神经网络模型是为一种自适应广义回归神经网络模型,与传统广义回归神经网络模型相比,本实施例中所采用的自适应广义回归神经网络模型是在传统广义回归神经网络模型的基础上进行的改进,广义回归神经网络模型需要根据超参数进行计算,而传统广义回归神经网络模型则需要大量时间进行模型训练,本实施例中自适应广义回归神经网络直接根据优化后的超参数进行计算即可得到结果,可以省去大量的训练时间,并且通过自适应的方式使得预测结果更加准确。
在具体实施中,将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值的步骤具体包括:将所述土地信息依次输入至所述预设神经网络模型的输入层、模式层以及求和层进行计算,获取所述预设神经网络模型的输出层输出的计算结果,将所述计算结果作为目标重金属含量值,本实施例中预设神经网络模型有四层,包括输入层、模式层、求和层以及输出层,输入层用于将接收到的土地信息作为变量传递给模式层和求和层,模式层和求和层用于对接收到的变量进行计算,输出层将计算结果进行输出,本实施例中输出层所输出的计算结果即为目标金属含量值。
本实施例中获取待预测农田土壤中已知区域的土地信息,将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值,将所述目标重金属含量值作为所述待预测农田土壤中未知区域的重金属含量预测结果,通过将已知区域的土地信息输入至改进的自适应广义回归神经网络模型中,得到农田土壤中未知区域的重金属含量值,节省了模型训练时间,提高了农田土壤中重金属含量值预测的精确度。
参考图3,图3为本发明一种农田土壤的重金属含量预测方法第二实施例的流程示意图。
基于上述第一实施例,本实施例农田土壤的重金属含量预测方法在所述步骤S20之前,还包括:
步骤S101:获取初始神经网络模型的目标参数。
步骤S102:基于鸟群算法对所述初始神经网络模型中的目标参数进行修改,获得预设神经网络模型。
易于理解的是,由于预设神经网络模型是一种改进后的自适应广义回归神经网络模型,因此在已知区域的土地信息输入前需要对传统自适应广义回归神经网络模型进行优化,本实例中通过对传统广义回归神经网络模型中的超参数进行修改,从而完成对传统自适应广义回归神经网络模型的优化,初始神经网络模型即为传统广义回归神经网络模型,目标参数为超参数,超参数是一种预先设定的广义回归神经网络模型中的参数,本实施例中通过鸟群算法计算出鸟群的最佳位置,并通过最佳位置替换目标参数的方式对初始神经网络模型中的目标参数进行修改,目标参数修改后的初始神经网络模型即为预设神经网络模型,预设神经网络即为自适应广义回归神经网络模型,需要注意的是,本实施例中所采用的鸟群算法也非传统鸟群算法,是一种并行鸟群算法,在传统鸟群算法中添加了鸟群的抱团行为和解散行为,增加了鸟群内部的信息交流,从而使得所计算出的鸟群的最佳位置更准确。
本实施例通过初始化并行鸟群算法,得到鸟群以及所述鸟群中的多个鸟群个体,获取所述鸟群的飞行间隔,根据所述飞行间隔判断所述鸟群是否进行飞行行为,根据判断结果控制各个鸟群个体执行目标行为,获取各个鸟群个体的当前位置,根据所述当前位置确定所述鸟群的目标位置,根据所述目标位置对所述初始神经网络模型的目标参数进行修改,获得预设神经网络模型,通过对鸟群算法进行相应的设置,使得预设神经网络模型更加准确,从而提高农田土壤重金属含量预测的准确性。
参考图4,图4为本发明一种农田土壤的重金属含量预测方法第三实施例的流程示意图。
基于上述第一和第二实施例,所述步骤S102包括:
步骤S1021:初始化并行鸟群算法,得到鸟群以及所述鸟群中的多个鸟群个体。
步骤S1022:获取所述鸟群的飞行间隔。
步骤S1023:根据所述飞行间隔判断所述鸟群是否进行飞行行为。
步骤S1024:根据判断结果控制各个鸟群个体执行目标行为。
步骤S1025:获取各个鸟群个体的当前位置。
步骤S1026:根据所述当前位置确定所述鸟群的目标位置。
步骤S1027:根据所述目标位置对所述初始神经网络模型的目标参数进行修改,获得预设神经网络模型。
在具体实施中,对所采用的并行鸟群算法进行初始化,并行鸟群算法的初始化为对并行鸟群算法的基本参数进行初始化,基本参数包括鸟群大小、抱团个数、感知系数、社会加速度以及迭代次数等,在完成并行鸟群算法的初始化之后,可以得到鸟群以及鸟群中的多个鸟群个体,然后再获取鸟群的飞行间隔,鸟群的飞行间隔是预先设定的,可以根据实际情况进行相应更改,在得到鸟群的飞行间隔之后,将飞行间隔与预设值进行比较,预设值可以根据实际情况自行设置,并根据判断结果控制各个鸟群个体执行目标行为,本实施例中的目标行为包括觅食行为、警戒行为、生产行为以及乞讨行为,并行鸟群算法是一种模拟鸟类飞行的算法,鸟群个体是不断在移动的,执行的行为不同时,所处的位置也是不同的,需要实时获取鸟群个体在执行觅食行为、警戒行为、生产行为以及乞讨行为的当前位置,并且每一次在获取到当前位置之后,每个鸟群个体都会进行一次位置学习,位置学习是以鸟群团体为基础进行的,鸟群团体通过将鸟群个体进行划分后得到,划分方式可以为将多个鸟群个体平均分配成多个鸟群团体,通过鸟群的行为轨迹可以确定每个鸟群团体的最佳位置以及中心位置,在确定最佳位置以及中心位置之后,根据执行行为的不同,选择不同的位置学习方式,在鸟群个体执行觅食行为之后,每个鸟群个体根据所在鸟群团体的最佳位置进行学习,同理,在鸟群个体执行警戒行为之后,每个鸟群个体根据所在鸟群团体的中心位置进行学习,在鸟群个体执行生产行为或乞讨行为时,需要获取鸟群团体中适应度值最大和最削的鸟群个体的当前位置,适应度值是指在某种环境条件下,某已知基因型的个体将其基因传递到其后代基因库中的相对能力,是衡量个体存活和生殖机会的尺度,而在本实施例中则表示鸟群个体在农田土壤环境中的适应能力,在鸟群个体进行生产行为时,鸟群团体中适应度值最大鸟群个体的当前位置即为鸟群团体的最佳位置,鸟群团体中其他鸟群个体需要根据最佳位置进行学习,具体地,当鸟群个体在进行乞讨行为之后,根据预设位置变换公式向最佳位置移动,从而完成位置学习,本实施例中预设位置变换公式为其中,FLmax与FLmin为0到1之间的数,且FLmax>FLmin,而fmax与fmin分别为每个鸟群团体中最大适应度值和最小适应度值,fk与fi分别为鸟群团体中其他鸟群个体的随机适应度值。
需要说明的是,并行鸟群算法的实质是将各个鸟群个体所移动到的位置进行不断迭代,最终得到整个鸟群的最佳位置,即目标位置,例如通过初始化鸟群算法得到鸟群中的两个鸟群个体分别为A和B,在第一次初始化之后得到鸟群个体A的当前位置为X,鸟群个体B的当前位置为Y,在第二次初始化之后得到鸟群个体A的当前位置为Y,鸟群个体B的当前为Z,将两次获取到的鸟群个体A和B的当前位置进行迭代,可以得到当前位置Y为鸟群目标位置,进一步地,将目标位置作为初始神经网络模型的目标参数,即可得到预设神经网络模型。
在具体实施中,所述根据判断结果控制各个鸟群个体执行目标行为的步骤包括在所述鸟群未进行飞行行为时,在预设范围内随机生成各个鸟群个体对应的常数;根据所述常数控制对应的鸟群个体执行觅食行为或警戒行为;或,在所述鸟群进行飞行行为时,获取各个鸟群个体的当前适应度值;根据所述当前适应度值控制对应的鸟群个体执行生产行为或乞讨行为。
在本实施例中,在鸟群未进行飞行行为时,在预设范围内随机生成各个鸟群个体对应的常数,本实施例中预设范围优选为0至1,根据随机生产的常数控制各个鸟群个体执行觅食行为或警戒行为,具体地,根据所述常数控制对应的鸟群个体执行觅食行为或警戒行为的步骤包括:获取各个鸟群个体对应的初始值,控制小于所述初始值的常数对应的鸟群个体执行觅食行为,控制大于或等于所述初始值的常数对应的鸟群个体执行警戒行为,其中,鸟群个体对应的初始值为预先设定的值,将初始值与随机生产的常数进行大小比较,根据比较结果控制各个鸟群个体执行相应的行为,例如鸟群个体C的初始为0.5,而随机生成的常数为0.3,根据比较结果控制鸟群个体C执行觅食行为,假设随机生成的常数为0.7,则控制鸟群个体C执行警戒行为。
在本实施例中,在鸟群未进行飞行行为时,获取各个鸟群个体的当前适应度值,根据当前适应度值控制各个鸟群个体执行生产行为或乞讨行为,具体地,根据所述当前适应度值控制对应的鸟群个体执行生产行为或乞讨行为的步骤包括:对所述鸟群个体进行划分,得到多个鸟群团体,比较各个鸟群团体中各鸟群个体的当前适应度值的大小,根据比较结果控制各个鸟群团体中当前适应度值最大的鸟群个体执行生产行为,控制当前适应度值最小的鸟群个体执行乞讨行为,以及控制剩余的鸟群个体随机执行所述生产行为或所述乞讨行为,本实施例中采用平均分配的方式将多个鸟群个体划分成多个鸟群团体,获取各个鸟群个体的当前适应度值,并将各个鸟群团体中鸟群个体的当前适应度值进行大小比较,根据比较结果控制各个鸟群个体执行相应的行为,例如对鸟群个体进行划分后得到其中一鸟群团体为T,鸟群团体中包括A、B、C及D四个鸟群个体,假设鸟群个体A、B、C及D的当前适应度值分别为6、4、1以及8,根据比较结果可知鸟群个体D的当前适应度值最大,则控制鸟群个体D执行生产行为,而鸟群个体C的当前适应度值最小,则控制鸟取个体C执行乞讨行为,鸟群个体A和B随机执行生产行为或乞讨行为中的一种。
本实施例在所述鸟群未进行飞行行为时,在预设范围内随机生成各个鸟群个体对应的常数,根据所述常数控制对应的鸟群个体执行觅食行为或警戒行为,或在所述鸟群进行飞行行为时,获取各个鸟群个体的当前适应度值,根据所述当前适应度值控制对应的鸟群个体执行生产行为或乞讨行为,使得鸟群个体能够准确执行相应的行为,从而准确获取鸟群的目标位置,进一步提高预设神经网络模型的准确性。
参照图5,图5为本发明农田土壤的重金属含量预测装置第一实施例的结构框图。
如图5所示,本发明实施例提出的农田土壤的重金属含量预测装置包括:
获取模块10,用于获取待预测农田土壤中已知区域的土地信息。
在本实施例中,本实施例的执行主体为农田土壤的重金属含量预测装置,可以采集数据和进行数据处理分析,本实施例中农田土壤的重金属含量预测装置所采集到的数据为待预测农田土壤中已知区域的土地信息,待预测农田土壤为需要进行重金属含量预测的农田土壤,待预测农田土壤的面积大小根据实际情况进行预先设置,本实施例不加以限制。
需要说明的是,本实施例是通过已知区域的已知信息去推测其他未知区域的重金属含量,从而达到预测的目的,因此需要获取待预测农田土壤中已知区域的土地信息,已知区域的面积大小也可根据实际情况自行设置,土地信息包括已知区域农田土壤的重金属含量值、经度、纬度、海拔、种植物类型以及有机物含量等农田土壤相关的数据。
输入模块20,用于将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值。
输出模块30,用于将所述目标重金属含量值作为所述待预测农田土壤中未知区域的重金属含量预测结果。
需要说明的是,本实施例通过将获取到的已知区域的土地信息输入至预设神经网络模型得到目标重金属含量值,从而完成预测,目标重金属含量值为所预测的未知区域的农田土壤的重金属含量值,预设神经网络模型是为一种自适应广义回归神经网络模型,与传统广义回归神经网络模型相比,本实施例中所采用的自适应广义回归神经网络模型是在传统广义回归神经网络模型的基础上进行的改进,广义回归神经网络模型需要根据超参数进行计算,而传统广义回归神经网络模型则需要大量时间进行模型训练,本实施例通过预设的算法对超参数进行优化,自适应广义回归神经网络直接根据优化后的超参数进行计算即可得到结果,可以省去大量的训练时间,并且通过自适应的方式使得预测结果更加准确。
在具体实施中,将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值的步骤具体包括:将所述土地信息依次输入至所述预设神经网络模型的输入层、模式层以及求和层进行计算,获取所述预设神经网络模型的输出层输出的计算结果,将所述计算结果作为目标重金属含量值,本实施例中预设神经网络模型有四层,包括输入层、模式层、求和层以及输出层,输入层用于将接收到的土地信息作为变量传递给模式层和求和层,模式层和求和层用于对接收到的变量进行计算,输出层将计算结果进行输出,本实施例中输出层所输出的计算结果即为目标金属含量值。
本实施例中获取待预测农田土壤中已知区域的土地信息,将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值,将所述目标重金属含量值作为所述待预测农田土壤中未知区域的重金属含量预测结果,通过将已知区域的土地信息输入至改进的自适应广义回归神经网络模型中,得到农田土壤中未知区域的重金属含量值,节省了模型训练时间,提高了农田土壤中重金属含量值预测的精确度。
在一实施例中,还包括优化模块,用于获取初始神经网络模型的目标参数;基于鸟群算法对所述初始神经网络模型中的目标参数进行修改,获得预设神经网络模型。
在一实施例中,所述优化模块,还用于初始化并行鸟群算法,得到鸟群以及所述鸟群中的多个鸟群个体;获取所述鸟群的飞行间隔;根据所述飞行间隔判断所述鸟群是否进行飞行行为;根据判断结果控制各个鸟群个体执行目标行为;获取各个鸟群个体的当前位置;根据所述当前位置确定所述鸟群的目标位置;根据所述目标位置对所述初始神经网络模型的目标参数进行修改,获得预设神经网络模型。
在一实施例中,所述优化模块,还用于在所述鸟群未进行飞行行为时,在预设范围内随机生成各个鸟群个体对应的常数;根据所述常数控制对应的鸟群个体执行觅食行为或警戒行为;或,在所述鸟群进行飞行行为时,获取各个鸟群个体的当前适应度值;根据所述当前适应度值控制对应的鸟群个体执行生产行为或乞讨行为。
在一实施例中,所述优化模块,还用于获取各个鸟群个体对应的初始值;控制小于所述初始值的常数对应的鸟群个体执行觅食行为;控制大于或等于所述初始值的常数对应的鸟群个体执行警戒行为。
在一实施例中,所述优化模块,还用于对所述鸟群个体进行划分,得到多个鸟群团体;比较各个鸟群团体中各鸟群个体的当前适应度值的大小;控制各个鸟群团体中当前适应度值最大的鸟群个体执行生产行为;控制各个鸟群团体中当前适应度值最小的鸟群个体执行乞讨行为;控制各个鸟群团体中剩余的鸟群个体随机执行所述生产行为或所述乞讨行为。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有农田土壤的重金属含量预测程序,所述农田土壤的重金属含量预测程序被处理器执行时实现如上文所述的农田土壤的重金属含量预测方法的步骤。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的农田土壤的重金属含量预测方法,此处不再赘述。
此外,需要说明的是,在本文中,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、物品或者系统不仅包括那些要素,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、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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,该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种农田土壤的重金属含量预测方法,其特征在于,所述方法包括:
获取待预测农田土壤中已知区域的土地信息;
获取初始神经网络模型的目标参数,并基于鸟群算法对所述初始神经网络模型中的目标参数进行修改,得到预设神经网络模型;
所述获取初始神经网络模型的目标参数,并基于鸟群算法对所述初始神经网络模型中的目标参数进行修改,得到预设神经网络模型,包括:
初始化并行鸟群算法,得到鸟群以及所述鸟群中的多个鸟群个体;
获取所述鸟群的飞行间隔;
根据所述飞行间隔判断所述鸟群是否进行飞行行为;
根据判断结果控制各个鸟群个体执行目标行为,并根据所述各个鸟群个体执行目标行为对各个鸟群个体的位置进行改变;
获取各个鸟群个体的当前位置;
根据所述当前位置确定所述鸟群的目标位置;
根据所述目标位置对所述初始神经网络模型的目标参数进行修改,得到预设神经网络模型;
将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值;
将所述目标重金属含量值作为所述待预测农田土壤中未知区域的重金属含量预测结果;
所述根据所述各个鸟群个体执行目标行为对各个鸟群个体的位置进行改变,包括:
所述各个鸟群个体执行目标行为为乞讨行为,在进行乞讨行为后,通过预设位置变换公式对各个鸟群个体的位置进行改变;
所述预设位置变换公式具体为:
;
其中,表示进行变化后的各个鸟群个体的当前位置,/>与/>为0到1之间的常数,且/>>/>,而/>与/>分别为每个鸟群团体中最大适应度值和最小适应度值,与/>分别为鸟群团体中其他各鸟群个体的随机适应度值。
2.如权利要求1所述的农田土壤的重金属含量预测方法,其特征在于,
所述根据判断结果控制各个鸟群个体执行目标行为的步骤包括:
在所述鸟群未进行飞行行为时,在预设范围内随机生成各个鸟群个体对应的常数;
根据所述常数控制对应的鸟群个体执行觅食行为或警戒行为;
或,在所述鸟群进行飞行行为时,获取各个鸟群个体的当前适应度值;
根据所述当前适应度值控制对应的鸟群个体执行生产行为或乞讨行为。
3.如权利要求2所述的农田土壤的重金属含量预测方法,其特征在于,所述根据所述常数控制对应的鸟群个体执行觅食行为或警戒行为的步骤包括:
获取各个鸟群个体对应的初始值;
控制小于所述初始值的常数对应的鸟群个体执行觅食行为;
控制大于或等于所述初始值的常数对应的鸟群个体执行警戒行为。
4.如权利要求2所述的农田土壤的重金属含量预测方法,其特征在于,所述根据所述当前适应度值控制对应的鸟群个体执行生产行为或乞讨行为的步骤包括:
对所述鸟群个体进行划分,得到多个鸟群团体;
比较各个鸟群团体中各鸟群个体的当前适应度值的大小;
根据比较结果控制各个鸟群团体中当前适应度值最大的鸟群个体执行生产行为,控制当前适应度值最小的鸟群个体执行乞讨行为,以及控制剩余的鸟群个体随机执行所述生产行为或所述乞讨行为。
5.如权利要求1至4中任一项所述的农田土壤的重金属含量预测方法,其特征在于,所述将所述土地信息输入至所述预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值的步骤包括:
将所述土地信息依次输入至所述预设神经网络模型的输入层、模式层以及求和层进行计算;
获取所述预设神经网络模型的输出层输出的计算结果,将所述计算结果作为目标重金属含量值。
6.一种农田土壤的重金属含量预测装置,其特征在于,所述装置包括:
获取模块,用于获取待预测农田土壤中已知区域的土地信息;
所述获取模块,还用于获取初始神经网络模型的目标参数,并基于鸟群算法对所述初始神经网络模型中的目标参数进行修改,得到预设神经网络模型;
所述获取模块,还用于初始化并行鸟群算法,得到鸟群以及所述鸟群中的多个鸟群个体;获取所述鸟群的飞行间隔;根据所述飞行间隔判断所述鸟群是否进行飞行行为;根据判断结果控制各个鸟群个体执行目标行为,并根据所述各个鸟群个体执行目标行为对各个鸟群个体的位置进行改变;获取各个鸟群个体的当前位置;根据所述当前位置确定所述鸟群的目标位置;根据所述目标位置对所述初始神经网络模型的目标参数进行修改,得到预设神经网络模型;输入模块,用于将所述土地信息输入至预设神经网络模型,并获取所述预设神经网络模型输出的目标重金属含量值;
输出模块,用于将所述目标重金属含量值作为所述待预测农田土壤中未知区域的重金属含量预测结果;
所述获取模块,还用于所述各个鸟群个体执行目标行为为乞讨行为,在进行乞讨行为后,通过预设位置变换公式对各个鸟群个体的位置进行改变;
所述预设位置变换公式具体为:
;
其中,表示进行变化后的各个鸟群个体的当前位置,/>与/>为0到1之间的常数,且/>>/>,而/>与/>分别为每个鸟群团体中最大适应度值和最小适应度值,与/>分别为鸟群团体中其他各鸟群个体的随机适应度值。
7.一种农田土壤的重金属含量预测设备,其特征在于,所述农田土壤的重金属含量预测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的农田土壤的重金属含量预测程序,所述农田土壤的重金属含量预测程序配置为实现如权利要求1至5中任一项所述的农田土壤的重金属含量预测方法的步骤。
8.一种存储介质,其特征在于,所述存储介质上存储有农田土壤的重金属含量预测程序,所述农田土壤的重金属含量预测程序被处理器执行时实现如权利要求1至5任一项所述的农田土壤的重金属含量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010423369.9A CN111612246B (zh) | 2020-05-18 | 2020-05-18 | 农田土壤的重金属含量预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010423369.9A CN111612246B (zh) | 2020-05-18 | 2020-05-18 | 农田土壤的重金属含量预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612246A CN111612246A (zh) | 2020-09-01 |
CN111612246B true CN111612246B (zh) | 2023-09-29 |
Family
ID=72203033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010423369.9A Active CN111612246B (zh) | 2020-05-18 | 2020-05-18 | 农田土壤的重金属含量预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612246B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926256B (zh) * | 2021-01-28 | 2022-06-14 | 武汉轻工大学 | 基于深度强化学习的土壤重金属含量预测方法及系统 |
CN115458071B (zh) * | 2022-08-08 | 2024-02-02 | 北京信息科技大学 | 土壤重金属含量预测方法、装置与设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013174145A1 (zh) * | 2012-05-23 | 2013-11-28 | 国家电网公司 | 基于改进人工鱼群混合优化算法的大规模风电并网无功电压优化方法 |
CN108875159A (zh) * | 2018-05-31 | 2018-11-23 | 西安交通大学 | 一种压电驱动器的率相关迟滞建模方法 |
CN108896492A (zh) * | 2018-08-07 | 2018-11-27 | 华南农业大学 | Pso-bp神经网络模型的训练方法、存储介质及终端 |
-
2020
- 2020-05-18 CN CN202010423369.9A patent/CN111612246B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013174145A1 (zh) * | 2012-05-23 | 2013-11-28 | 国家电网公司 | 基于改进人工鱼群混合优化算法的大规模风电并网无功电压优化方法 |
CN108875159A (zh) * | 2018-05-31 | 2018-11-23 | 西安交通大学 | 一种压电驱动器的率相关迟滞建模方法 |
CN108896492A (zh) * | 2018-08-07 | 2018-11-27 | 华南农业大学 | Pso-bp神经网络模型的训练方法、存储介质及终端 |
Non-Patent Citations (5)
Title |
---|
Application of bird swarm algorithm for solution of optimal power flow problems;Manzoor Ahmad 等;CISIS;第280-291页 * |
吕棚棚.基于鸟群算法的土壤水分特征 曲线模型参数估算.水资源开发与管理.2018,(第10期),第22-26页. * |
李芳凤 ; 张国权 ; .粒子群投影寻踪模型在土壤重金属监测中的应用.广东农业科学.2012,(第08期),第68-70页. * |
王燕燕 ; 王宏伟 ; .基于粒子群的后件多项式RBF神经网络算法.计算机工程与应用.2019,(第12期),第77-81,149页. * |
邵鹏 等.一种带正弦函数因子的粒子群优化算法.小型微型计算机系统.2015,第36卷(第1期),第156-161页. * |
Also Published As
Publication number | Publication date |
---|---|
CN111612246A (zh) | 2020-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Applying various algorithms for species distribution modelling | |
CN105488528B (zh) | 基于改进自适应遗传算法的神经网络图像分类方法 | |
Razgour et al. | Painting maps with bats: species distribution modelling in bat research and conservation | |
CN108694390B (zh) | 一种布谷鸟搜索改进灰狼优化支持向量机的调制信号分类方法 | |
CN109617888B (zh) | 一种基于神经网络的异常流量检测方法及系统 | |
CN111612246B (zh) | 农田土壤的重金属含量预测方法、装置、设备及存储介质 | |
CN116982113A (zh) | 机器学习驱动的植物基因发现和基因编辑 | |
Borgy et al. | Dynamics of weeds in the soil seed bank: a hidden Markov model to estimate life history traits from standing plant time series | |
CN111598460B (zh) | 土壤重金属含量的监测方法、装置、设备及存储介质 | |
CN113269252A (zh) | 一种基于改进麻雀搜索算法优化elm的电力电子电路故障诊断方法 | |
Alwajih et al. | Hybrid binary whale with harris hawks for feature selection | |
Bressan et al. | Using Bayesian networks with rule extraction to infer the risk of weed infestation in a corn-crop | |
Rodzin et al. | Theory of bionic optimization and its application to evolutionary synthesis of digital devices | |
WO2022146955A1 (en) | Analog circuits for implementing brain emulation neural networks | |
CN114117787A (zh) | 基于ssa优化bp神经网络的短期风功率预测方法 | |
Chadœuf et al. | Modelling unbiased dispersal kernels over continuous space by accounting for spatial heterogeneity in marking and observation efforts | |
Yang et al. | Bio-inspired computation and its applications in image processing: an overview | |
CN115345207B (zh) | 一种自适应的多气象要素预测方法 | |
Yadav et al. | Use of different approaches to model catch per unit effort (CPUE) abundance of fish | |
CN115829097A (zh) | 一种基于vmd和kelm的空调超短期负荷预测方法 | |
Moore et al. | Forest management decisions for wildlife objectives: system resolution and optimality | |
Baryshev et al. | Comparison of machine learning methods for solving the problem of wheat seeds classification by yield properties | |
Tan et al. | Time Series Prediction using Backpropagation Network Optimized by Hybrid K-means-Greedy Algorithm. | |
CN115242428A (zh) | 一种基于优化cw-rnn的网络安全态势预测方法 | |
Keller | Leveraging biologically inspired models for cyber–physical systems analysis |
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 |