CN112270129A - 一种基于大数据分析的植物长势预测方法 - Google Patents
一种基于大数据分析的植物长势预测方法 Download PDFInfo
- Publication number
- CN112270129A CN112270129A CN202011240219.0A CN202011240219A CN112270129A CN 112270129 A CN112270129 A CN 112270129A CN 202011240219 A CN202011240219 A CN 202011240219A CN 112270129 A CN112270129 A CN 112270129A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- value
- environmental data
- node
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出的种基于大数据分析的植物长势预测方法,将采集的环境数据通过处理、分析、特征选择后输入到搭建的预测模型中,使预测模型不断训练学习并选择最优的状态进行保存。保存下的预测模型便是最终的预测模型,输入新的环境数据,即可得到植物株高与叶面积的预测值。本发明采用大数据分析与预测的方式,可以有效的节约人力和物力、节省成本,同时提高了测量结果的精度。
Description
技术领域
本发明涉及植物长势预测领域,更具体的说是涉及一种基于大数据分析的植物长势预测方法。
背景技术
农业科技的兴起为农业发展注入了新动力,近几年的农业科学技术手段层出不穷,基于大数据分析的技术方法在农业中许多方面都有应用,比如基于大数据的农业管理方法、农业设施等。
但是在植物长势预测领域,通常还是使用人工测量的方式,采用卷尺和测量仪来对植物的株高和叶面积进行测量,这样会造成人力的消耗和劳动力成本的增加,而且结果有时可能会不准确。
因此,为顺应技术发展潮流,如何利用大数据分析技术预测植物的未来长势,从而及时做出相应调整,收获更高产更高质量的产品,是我们亟待解决的问题。
发明内容
针对以上问题,本发明的目的在于提供一种基于大数据分析的植物长势预测方法,有效的节约了人力和物力,节省了成本,提高了测量结果的精度。
本发明为实现上述目的,通过以下技术方案实现:一种基于大数据分析的植物长势预测方法,包括如下步骤:
S1:使用预设装置采集植物的环境数据;
S2:对采集的环境数据进行数据清洗、数据删除及替换、数据转变处理,完成环境数据的预处理;
S3:将预处理后的环境数据进行探索性数据分析,并通过RFE-CV进行特征选择;
S4:对处理后的环境数据进行划分,划分成训练集、验证集,并进行归一化或者标准化处理,用训练集训练模型,验证集调优模型,选择最优的模型作为预测模型并进行保存;
S5:采集当前环境数据作为测试集,将测试集输入到预测模型中,生成植物的预测株高与叶面积。
进一步,所述环境数据包括:空气温湿度、CO2浓度、光照强度、营养液温度、株高和叶面积。
进一步,所述步骤S1包括:
使用预设传感器采集空气温湿度、CO2浓度、光照强度和营养液温度,使用卷尺测量株高,使用叶面积测试仪测量叶面积。
进一步,所述步骤S2包括:
S21:采用KNN模型对环境数据进行预测填充,将部分缺失数据补全;
S22:通过预设工具计算环境数据中的缺失值占比,查找环境数据的异常值和重复值,对缺失值数据占比异常、存在重复值和异常值的环境数据做删除或替换处理;
S23:通过独热编码的方式将环境数据有类别型变量转变成数值型变量。
进一步,所述步骤S22具体为:
使用pandas科学计算库中的统计数值的工具求出环境数据中每段数据的缺失值占比,通过表结构或者可视化的方式显示出来,将缺失占比超出预设阈值的数据直接删除;
通过数据的分布查找环境数据的异常值,对环境数据中存在的异常值的数据进行删除或者使用预设的统计学方法进行替换处理;
查看环境数据中是否存在重复值,对存在重复值的环境数据进行整行删除。
进一步,所述步骤S3包括:
S31:通过统计学皮尔逊相关系数或者数据可视化的热力图查看环境数据与目标之间的相关性;
S32:通过RFE-CV进行特征选择,将非重要的特征剔除,保留和目标相关的特征;
S33:通过查看模型中的特征重要度来进行特征选择。
进一步,所述步骤S4包括:
S41:选用随机森林模型进行环境数据的建模预测,建模前将使用归一化公式将环境数据进行归一化处理、使用标准化公式对环境数据进行标准化处理;
S42:将环境数据的训练集放入到随机森林模型对模型进行训练,模型使用bootstrap采样从输入训练数据集中采集多个子训练数据集来依次训练多个决策树;
S43:将训练好的模型用环境数据的验证集进行调优;
S44:采用K-fold交叉验证方式选择选择最优的模型作为预测模型并进行保存。
进一步,所述步骤S5具体为:
采集当前环境数据作为测试集,使用选择好的预测模型对测试集进行预测,预测模型将内部多个决策树的预测结果取平均值得到最终结果,根据最终结果输出植物的预测株高与叶面积。
进一步,所述预测模型将内部多个决策树的预测结果取平均值得到最终结果具体包括如下步骤:
S51:针对每一输入样本,从二叉决策树的根节点起,判断当前节点是否为叶子节点,如果是,返回叶子节点预测值;如果不是,转到步骤S52;
S52:根据当前节点的最优切分变量和切分值,将样本中对应变量的值与节点的切分值对比,如果样本变量小于当前节点切分值,则访问当前节点左子树节点;如果样本变量值大于当前子节点切分值,则访问当前节点右子树节点;
S53:循环步骤S52,直到访问到最终的叶子节点或小于预设阈值的叶子节点为止,并返回节点预测值的平均值。
对比现有技术,本发明有益效果在于:本发明提供了一种基于大数据分析的植物长势预测方法,将采集的环境数据通过处理、分析、特征选择后输入到搭建的预测模型中,使预测模型不断训练学习并选择最优的状态进行保存。保存下的预测模型便是最终的预测模型,输入新的环境数据,即可得到植物株高与叶面积的预测值。本发明采用大数据分析与预测的方式,可以有效的节约人力和物力、节省成本,同时提高了测量结果的精度。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著的进步,其实施的有益效果也是显而易见的。
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。
附图1是本发明的方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做出说明。
如图1所示的一种基于大数据分析的植物长势预测方法,包括如下步骤:
S1:使用预设装置采集植物的环境数据。
具体为:使用预设传感器采集空气温湿度、CO2浓度、光照强度和营养液温度,使用卷尺测量株高,使用叶面积测试仪测量叶面积。
S2:对采集的环境数据进行数据清洗、数据删除及替换、数据转变处理,完成环境数据的预处理。
本步骤具体如下:
1、数据清洗:采用机器学习建模的方式将部分缺失数据补全,其原理是采用KNN模型(K-Nearest Neighbor,K-近邻模型)来进行预测填充,具体实现步骤:
(1)将缺失的样本作为目标,将未缺失的样本当做特征样本数据,输入到KNN模型中;
(2)KNN模型根据输入的特征数据和目标数据进行训练;
(3)训练完成后将缺失的样本中的未缺失的部分输入到模型中进行预测,预测出的结果就是我们要填补的样本。
KNN回归模型实现的步骤:
将每个样本视为一个点,随机选择k个最近的点,计算欧式距离,欧式距离公式:
选择与待测样本距离最小的k个邻居取均值作为预测值。
2、数据删除:先将缺失值占比通过表结构或者可视化的方式显示出来,用pandas科学计算库中的统计数值的工具求出每段缺失值数据的占比,将缺失占比小或者占比庞大的数据直接删除。
再通过数据的分布查找环境数据的异常值,对环境数据中存在的异常值的数据进行删除或者统计学方法进行替换处理;
接着再看环境数据中是否存在重复值,对重复数据进行整行删除。
3、数据转变:通过独热编码的方式将类别型变量转变成数值型变量。
S3:将预处理后的环境数据进行探索性数据分析,并通过RFE-CV进行特征选择。
本步骤具体包括:
1、通过统计学皮尔逊相关系数或者数据可视化的热力图查看环境数据与目标之间的相关性。
2、特征选择,通过RFE-CV进行特征选择,将不重要的特征剔除,保留和目标相关性高的特征,或者查看模型中的特征重要度来进行特征选择;
RFE-CV(具有交叉验证的递归特征消除)具体包括:
RFE阶段:
(a)初始的特征集为所有可用的特征。
(b)使用当前特征集进行建模,然后计算每个特征的重要性。
(c)删除最不重要的一个(或多个)特征,更新特征集。
(d)跳转到步骤d,直到完成所有特征的重要性评级。
CV阶段:
(a)根据RFE阶段确定的特征重要性,依次选择不同数量的特征。
(b)对选定的特征集进行交叉验证。
(c)确定平均分最高的特征数量,完成特征选择。
S4:对处理后的环境数据进行划分,划分成训练集、验证集,并进行归一化或者标准化处理,用训练集训练模型,验证集调优模型,选择最优的模型作为预测模型并进行保存。
本步骤选用随机森林模型进行建模预测,建模前将环境数据进行归一化或者标准化处理,可消除数据间量纲不同对之后建模所造成的影响。
归一化处理采用归一化公式实现,具体如下:
其中x是样本数据,min是最小值,max是最大值。
标准化处理采用标准化公式实现,具体如下:
其中μ为样本数据的期望值,σ为标准差。
随机森林模型的建立步骤如下:
(1)训练集放入到模型对模型进行训练,模型使用bootstrap采样从输入训练数据集中采集多个不同的子训练数据集来依次训练多个不同决策树;
(2)训练好的模型用验证集进行调优;
(3)选择优化后最优的模型进行保存,也可以采用K-fold交叉验证方式选择最终的模型。
K-fold交叉验证法,随机将训练集等分为K份,每次训练时取其中的一份作为验证集,剩下的作为训练集,通过观察模型在K次实验中的各个指标的平均值,可以对模型的效果有一个比较准确地了解,而不至于受到验证集选择方式的影响。我们可以设置不同的模型参数并逐一观察它们的平均效果,最终可以选择出一组最优的参数应用到测试集上
S5:采集当前环境数据作为测试集,将测试集输入到预测模型中,生成植物的预测株高与叶面积。
本步骤具体为:采集当前环境数据作为测试集,使用选择好的预测模型对测试集进行预测,预测模型将内部多个决策树的预测结果取平均值得到最终结果,根据最终结果输出植物的预测株高与叶面积。
其中,首先建立决策树,包括:对输入数据进行行、列采样,采用放回方式进行行采样;并对采样之后的数据使用完全分裂的方式建立出决策树。
最终结果是由内部所有二叉决策树的预测结果取平均值得到,具体包括如下步骤:
第一步:针对每一输入样本,从二叉决策树的根节点起,判断当前节点是否为叶子节点,如果是,返回叶子节点预测值(及当前叶子中样本目标变量的平均值);如果不是,进入下一步;
第二步:根据当前节点的最优切分变量和切分值,将样本中对应变量的值与节点的切分值对比,如果样本变量小于当前节点切分值,则访问当前节点左子树节点;如果样本变量值大于当前子节点切分值,则访问当前节点右子树节点;
循环步骤第二步,直到访问到最终的叶子节点或小于设定的阈值的叶子节点为止,并返回节点预测值的平均值。
结合附图和具体实施例,对本发明作进一步说明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所限定的范围。
Claims (9)
1.一种基于大数据分析的植物长势预测方法,其特征在于,包括如下步骤:
S1:使用预设装置采集植物的环境数据;
S2:对采集的环境数据进行数据清洗、数据删除及替换、数据转变处理,完成环境数据的预处理;
S3:将预处理后的环境数据进行探索性数据分析,并通过RFE-CV进行特征选择;
S4:对处理后的环境数据进行划分,划分成训练集、验证集,并进行归一化或者标准化处理,用训练集训练模型,验证集调优模型,选择最优的模型作为预测模型并进行保存;
S5:采集当前环境数据作为测试集,将测试集输入到预测模型中,生成植物的预测株高与叶面积。
2.根据权利要求1所述的基于大数据分析的植物长势预测方法,其特征在于,所述环境数据包括:空气温湿度、CO2浓度、光照强度、营养液温度、株高和叶面积。
3.根据权利要求2所述的基于大数据分析的植物长势预测方法,其特征在于,所述步骤S1包括:
使用预设传感器采集空气温湿度、CO2浓度、光照强度和营养液温度,使用卷尺测量株高,使用叶面积测试仪测量叶面积。
4.根据权利要求1所述的基于大数据分析的植物长势预测方法,其特征在于,所述步骤S2包括:
S21:采用KNN模型对环境数据进行预测填充,将部分缺失数据补全;
S22:通过预设工具计算环境数据中的缺失值占比,查找环境数据的异常值和重复值,对缺失值数据占比异常、存在重复值和异常值的环境数据做删除或替换处理;
S23:通过独热编码的方式将环境数据有类别型变量转变成数值型变量。
5.根据权利要求1所述的基于大数据分析的植物长势预测方法,其特征在于,所述步骤S22具体为:
使用pandas科学计算库中的统计数值的工具求出环境数据中每段数据的缺失值占比,通过表结构或者可视化的方式显示出来,将缺失占比超出预设阈值的数据直接删除;
通过数据的分布查找环境数据的异常值,对环境数据中存在的异常值的数据进行删除或者使用预设的统计学方法进行替换处理;
查看环境数据中是否存在重复值,对存在重复值的环境数据进行整行删除。
6.根据权利要求1所述的基于大数据分析的植物长势预测方法,其特征在于,所述步骤S3包括:
S31:通过统计学皮尔逊相关系数或者数据可视化的热力图查看环境数据与目标之间的相关性;
S32:通过RFE-CV进行特征选择,将非重要的特征剔除,保留和目标相关的特征;
S33:通过查看模型中的特征重要度来进行特征选择。
7.根据权利要求1所述的基于大数据分析的植物长势预测方法,其特征在于,所述步骤S4包括:
S41:选用随机森林模型进行环境数据的建模预测,建模前将使用归一化公式将环境数据进行归一化处理、使用标准化公式对环境数据进行标准化处理;
S42:将环境数据的训练集放入到随机森林模型对模型进行训练,模型使用bootstrap采样从输入训练数据集中采集多个子训练数据集来依次训练多个决策树;
S43:将训练好的模型用环境数据的验证集进行调优;
S44:采用K-fold交叉验证方式选择选择最优的模型作为预测模型并进行保存。
8.根据权利要求1所述的基于大数据分析的植物长势预测方法,其特征在于,所述步骤S5具体为:
采集当前环境数据作为测试集,使用选择好的预测模型对测试集进行预测,预测模型将内部多个决策树的预测结果取平均值得到最终结果,根据最终结果输出植物的预测株高与叶面积。
9.根据权利要求1所述的基于大数据分析的植物长势预测方法,其特征在于,所述预测模型将内部多个决策树的预测结果取平均值得到最终结果具体包括如下步骤:
S51:针对每一输入样本,从二叉决策树的根节点起,判断当前节点是否为叶子节点,如果是,返回叶子节点预测值;如果不是,转到步骤S52;
S52:根据当前节点的最优切分变量和切分值,将样本中对应变量的值与节点的切分值对比,如果样本变量小于当前节点切分值,则访问当前节点左子树节点;如果样本变量值大于当前子节点切分值,则访问当前节点右子树节点;
S53:循环步骤S52,直到访问到最终的叶子节点或小于预设阈值的叶子节点为止,并返回节点预测值的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011240219.0A CN112270129B (zh) | 2020-11-09 | 2020-11-09 | 一种基于大数据分析的植物长势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011240219.0A CN112270129B (zh) | 2020-11-09 | 2020-11-09 | 一种基于大数据分析的植物长势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270129A true CN112270129A (zh) | 2021-01-26 |
CN112270129B CN112270129B (zh) | 2023-03-24 |
Family
ID=74340792
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011240219.0A Active CN112270129B (zh) | 2020-11-09 | 2020-11-09 | 一种基于大数据分析的植物长势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270129B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466135A (zh) * | 2021-06-09 | 2021-10-01 | 汕头大学 | 一种基于gee的海水水质在线反演监测方法 |
CN113514724A (zh) * | 2021-07-15 | 2021-10-19 | 阳光电源股份有限公司 | 光伏系统及其电弧检测方法、装置 |
CN113796228A (zh) * | 2021-09-26 | 2021-12-17 | 南京邮电大学 | 一种基于数字孪生的植物培育系统及方法 |
CN116627193A (zh) * | 2023-07-21 | 2023-08-22 | 山东梦芯信息科技有限公司 | 一种温室大棚智能管控平台及方法 |
CN117251004A (zh) * | 2023-11-17 | 2023-12-19 | 金杲易光电科技(深圳)有限公司 | 一种植物生长的ph值控制系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
CN109815223A (zh) * | 2019-01-21 | 2019-05-28 | 北京科技大学 | 一种针对工业监测数据缺失的补全方法及补全装置 |
US20200342226A1 (en) * | 2019-04-23 | 2020-10-29 | Farmers Edge Inc. | Yield forecasting using crop specific features and growth stages |
-
2020
- 2020-11-09 CN CN202011240219.0A patent/CN112270129B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
CN109815223A (zh) * | 2019-01-21 | 2019-05-28 | 北京科技大学 | 一种针对工业监测数据缺失的补全方法及补全装置 |
US20200342226A1 (en) * | 2019-04-23 | 2020-10-29 | Farmers Edge Inc. | Yield forecasting using crop specific features and growth stages |
Non-Patent Citations (1)
Title |
---|
李颀等: "基于双目视觉与深度学习的番茄本体特征检测系统", 《南方农业学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466135A (zh) * | 2021-06-09 | 2021-10-01 | 汕头大学 | 一种基于gee的海水水质在线反演监测方法 |
CN113514724A (zh) * | 2021-07-15 | 2021-10-19 | 阳光电源股份有限公司 | 光伏系统及其电弧检测方法、装置 |
CN113796228A (zh) * | 2021-09-26 | 2021-12-17 | 南京邮电大学 | 一种基于数字孪生的植物培育系统及方法 |
CN113796228B (zh) * | 2021-09-26 | 2022-08-23 | 南京邮电大学 | 一种基于数字孪生的植物培育系统及方法 |
CN116627193A (zh) * | 2023-07-21 | 2023-08-22 | 山东梦芯信息科技有限公司 | 一种温室大棚智能管控平台及方法 |
CN117251004A (zh) * | 2023-11-17 | 2023-12-19 | 金杲易光电科技(深圳)有限公司 | 一种植物生长的ph值控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112270129B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270129B (zh) | 一种基于大数据分析的植物长势预测方法 | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
CN106408132A (zh) | 一种基于种植设备的作物产量预测方法及装置 | |
CN115660291B (zh) | 一种植物病害发生与潜在发生的识别评估方法及系统 | |
CN110824586B (zh) | 基于改进决策树算法的降水预测方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
CN116882562A (zh) | 一种农业碳排放影响因素分析方法及系统 | |
CN113127464B (zh) | 农业大数据环境特征处理方法、装置及电子设备 | |
Sudhamathy et al. | PREDICTION ON IPL DATA USING MACHINE LEARNING TECHNIQUES IN R PACKAGE. | |
CN116882637B (zh) | 一种农田碳排放分析方法及系统 | |
CN117172132A (zh) | 一种高炉炉温预测方法、装置、设备和存储介质 | |
CN116010884A (zh) | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 | |
CN109508822A (zh) | 一种农艺性状综合表现指数的油菜产量预估方法 | |
CN113496255B (zh) | 基于深度学习与决策树驱动的配电网混合观测布点方法 | |
CN114139408A (zh) | 一种电力变压器健康状态评估方法 | |
CN111382147A (zh) | 一种气象数据缺失插补方法和系统 | |
CN111489021A (zh) | 一种基于粒子群优化bp神经网络的甜菜产量预测方法 | |
CN111143436A (zh) | 用于大数据的数据挖掘方法 | |
Nurmalasari et al. | Classification for Papaya Fruit Maturity Level With Convolutional Neural Network | |
CN113487037B (zh) | 一种熵权算法和机器学习技术的甜樱桃裂果率评估方法 | |
Islam et al. | Machine Learning Models to Predict Soil Moisture for Irrigation Schedule | |
CN111370068B (zh) | 一种蛋白质异构体对相互作用预测方法及装置 | |
CN115983088B (zh) | 一种基于集成学习建立的海相页岩原地气量预测模型 |
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 |