CN112651466A - 土壤重金属污染的微生物种类选择的神经网络训练方法 - Google Patents

土壤重金属污染的微生物种类选择的神经网络训练方法 Download PDF

Info

Publication number
CN112651466A
CN112651466A CN202110048594.3A CN202110048594A CN112651466A CN 112651466 A CN112651466 A CN 112651466A CN 202110048594 A CN202110048594 A CN 202110048594A CN 112651466 A CN112651466 A CN 112651466A
Authority
CN
China
Prior art keywords
heavy metal
microorganism
soil
neural network
loss function
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
Application number
CN202110048594.3A
Other languages
English (en)
Inventor
韩培培
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Zouying Qizi Technology Co ltd
Original Assignee
Chengdu Zouying Qizi Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Zouying Qizi Technology Co ltd filed Critical Chengdu Zouying Qizi Technology Co ltd
Priority to CN202110048594.3A priority Critical patent/CN112651466A/zh
Publication of CN112651466A publication Critical patent/CN112651466A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/243—Earth materials for determining biological parameters concerning composting, biodegradability or bioavailability
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G01N33/245—Earth materials for agricultural purposes
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Evolutionary Computation (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Medicinal Chemistry (AREA)
  • Biochemistry (AREA)
  • Food Science & Technology (AREA)
  • Immunology (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)

Abstract

本申请智慧农业领域下的智慧决策，其公开了一种土壤重金属污染的微生物种类选择的神经网络训练方法，其包括：获取受污染的土壤中重金属污染物的种类和含量；以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属‑微生物关联向量；将所述重金属‑微生物关联向量通过深度神经网络，以获得特征向量；将所述特征向量通过分类器，以获得分类损失函数值；对所述分类损失函数值施加一个所述特征向量的L1范数惩罚项，以获得损失函数值；以及，基于所述损失函数值，更新所述深度神经网络和所述分类器的参数。

Description

土壤重金属污染的微生物种类选择的神经网络训练方法
技术领域
本发明涉及智慧农业领域下的智慧决策，且更为具体地，涉及一种土壤重金属污染的微生物种类选择的神经网络训练方法、基于深度神经网络的受污染土壤的微生物种类选择方法、土壤重金属污染的微生物种类选择的神经网络训练系统、基于深度神经网络的受污染土壤的微生物种类选择系统和电子设备。
背景技术
目前，对于遭受了严重的重金属污染的土壤，普通的非有机修复方式时间长，周期慢，为此，大多数采用使用微生物的有机修复方式。但是，由于重金属污染的土壤中的重金属污染物质的成分比较多，且含量相差较大，如果不能够因地制宜地对土壤进行修复，则会浪费较多的人力物力。
因此，期待一种优化的用于土壤重金属污染修复的微生物种类选择的技术方案。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为土壤重金属污染修复的微生物种类选择问题提供了新的解决思路和方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种土壤重金属污染的微生物种类选择的神经网络训练方法、基于深度神经网络的受污染土壤的微生物种类选择方法、土壤重金属污染的微生物种类选择的神经网络训练系统、基于深度神经网络的受污染土壤的微生物种类选择系统和电子设备，其以深度神经网络来挖掘受污染土壤中重金属污染物的种类及其含量和对应的备选微生物种类之间的关联信息与所要采用的微生物类型之间的关联。并且，在训练过程中，在以特征向量计算分类器的损失函数值时，对所述分类损失函数值施加一个所述特征向量的L1范数的惩罚项以在训练过程中进行特征选择，通过这样的方式来提高深度神经网络的训练速度及其鲁棒性。
根据本申请的一个方面，提供了一种土壤重金属污染的微生物种类选择的神经网络训练方法，其包括：
获取受污染的土壤中重金属污染物的种类和含量；
以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；
将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量；
将所述重金属-微生物关联向量通过深度神经网络，以获得特征向量；
将所述特征向量通过分类器，以获得分类损失函数值；
对所述分类损失函数值施加一个所述特征向量的L1范数惩罚项，以获得损失函数值；以及
基于所述损失函数值，更新所述深度神经网络和所述分类器的参数。
在上述土壤重金属污染的微生物种类选择的神经网络训练方法中，将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量，包括：将所述候选微生物的种类转化为数值数据；将转化为数值数据后的所述候选微生物的种类转化为种类向量；将所述受污染土壤中各种重金属污染物的含量转化为重金属向量；以及，将重金属向量和所述种类向量进行级联，以获得所述重金属-微生物关联向量。
在上述土壤重金属污染的微生物种类选择的神经网络训练方法中，在将所述重金属-微生物关联向量通过深度神经网络，以获得特征向量中，所述深度神经网络为多层感知机。
在上述土壤重金属污染的微生物种类选择的神经网络训练方法中，将所述特征向量通过分类器，以获得分类损失函数值，包括：将所述特征向量通过Softmax分类函数以获得分类结果，其中，所述分类器的标签包含单个种类的微生物以及几个种类的微生物的组合；以及，将所述分类结果与真实值输入损失函数，以获得所述分类损失函数值。
在上述土壤重金属污染的微生物种类选择的神经网络训练方法中，对所述分类损失函数值施加一个所述特征向量的L1范数惩罚项，以获得损失函数值，包括：以所述分类损失函数值减去所述特征向量的L1范数值，以获得所述损失函数值。
根据本申请的另一方面，提供了基于深度神经网络的受污染土壤的微生物种类选择方法，其包括：
获取待检测受污染的土壤中重金属污染物的种类和含量，并以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；
将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量输入根据如上所述的土壤重金属污染的微生物种类选择的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示对应于单个种类的微生物标签和几个种类的微生物的组合标签的概率值；以及
基于所述概率值，选择概率值较高的多个标签对应的单个种类的微生物以及几个种类的微生物的组合来进行土壤修复。
根据本申请的再一方面，提供了一种土壤重金属污染的微生物种类选择的神经网络训练系统，其包括：
数据获取单元，用于获取受污染的土壤中重金属污染物的种类和含量；
候选微生物查询单元，用于以所述数据获取单元获得的所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；
关联向量生成单元，用于将所述数据获取单元获得的所述受污染土壤中各种重金属污染物的含量和所述候选微生物查询单元获得的所述候选微生物的种类转化为重金属-微生物关联向量；
特征向量生成单元，用于将所述关联向量生成单元获得的所述重金属-微生物关联向量通过深度神经网络，以获得特征向量；
分类损失函数值生成单元，用于将所述特征向量生成单元获得的所述特征向量通过分类器，以获得分类损失函数值；
损失函数值生成单元，用于对所述分类损失函数值生成单元获得的所述分类损失函数值施加一个所述特征向量生成单元获得的所述特征向量的L1范数惩罚项，以获得损失函数值；以及
参数更新单元，用于基于所述损失函数值生成单元获得的所述损失函数值，更新所述深度神经网络和所述分类器的参数。
在上述土壤重金属污染的微生物种类选择的神经网络训练系统中，所述关联向量生成单元，包括：数值数据转化子单元，用于将所述候选微生物的种类转化为数值数据；种类向量转化子单元，用于将所述数值数据转化子单元获得的所述转化为数值数据后的所述候选微生物的种类转化为种类向量；重金属向量转化子单元，用于将所述受污染土壤中各种重金属污染物的含量转化为重金属向量；以及，级联子单元，用于将所述重金属向量转化子单元获得的所述重金属向量和所述种类向量转化子单元获得的所述种类向量进行级联，以获得所述重金属-微生物关联向量。
在上述土壤重金属污染的微生物种类选择的神经网络训练系统中，所述深度神经网络为多层感知机。
在上述土壤重金属污染的微生物种类选择的神经网络训练系统中，所述分类损失函数值生成单元，包括：分类结果生成子单元，用于将所述特征向量通过Softmax分类函数以获得分类结果，其中，所述分类器的标签包含单个种类的微生物以及几个种类的微生物的组合；以及，计算子单元，用于将所述分类结果生成子单元获得的所述分类结果与真实值输入损失函数，以获得所述分类损失函数值。
在上述土壤重金属污染的微生物种类选择的神经网络训练系统中，所述损失函数值生成单元，进一步用于：以所述分类损失函数值减去所述特征向量的L1范数值，以获得所述损失函数值。
根据本申请的又一方面，提供了一种基于深度神经网络的受污染土壤的微生物种类选择系统，其包括：
输入数据获取单元，用于获取待检测受污染的土壤中重金属污染物的种类和含量，并以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；
分类单元，用于将所述输入数据获取单元获得的所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量输入根据如上所述的土壤重金属污染的微生物种类选择的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示对应于单个种类的微生物标签和几个种类的微生物的组合标签的概率值；以及
微生物种类选择单元，用于基于所述分类单元获得的所述概率值，选择概率值较高的多个标签对应的单个种类的微生物以及几个种类的微生物的组合来进行土壤修复。
根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的土壤重金属污染的微生物种类选择的神经网络训练方法，或者，基于深度神经网络的受污染土壤的微生物种类选择方法。
根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的土壤重金属污染的微生物种类选择的神经网络训练方法，或者，基于深度神经网络的受污染土壤的微生物种类选择方法。
与现有技术相比，本申请提供的一种土壤重金属污染的微生物种类选择的神经网络训练方法、基于深度神经网络的受污染土壤的微生物种类选择方法、土壤重金属污染的微生物种类选择的神经网络训练系统、基于深度神经网络的受污染土壤的微生物种类选择系统和电子设备，其以深度神经网络来挖掘受污染土壤中重金属污染物的种类及其含量和对应的备选微生物种类之间的关联信息与所要采用的微生物类型之间的关联。并且，在训练过程中，在以特征向量计算分类器的损失函数值时，对所述分类损失函数值施加一个所述特征向量的L1范数的惩罚项以在训练过程中进行特征选择，通过这样的方式来提高深度神经网络的训练速度及其鲁棒性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练方法的应用场景图；
图2图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练方法的流程图；
图3图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练方法的系统架构示意图；
图4图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练方法中，将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量的流程图；
图5图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练方法中，将所述特征向量通过分类器，以获得分类损失函数值的流程图；
图6图示了根据本申请实施例的基于深度神经网络的受污染土壤的微生物种类选择方法的流程图；
图7图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练系统的框图。
图8图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练系统中关联向量生成单元的框图。
图9图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练系统中分类损失函数值生成单元的框图。
图10图示了根据本申请实施例的基于深度神经网络的受污染土壤的微生物种类选择系统的框图。
图11图示了根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，目前，对于遭受了严重的重金属污染的土壤，普通的非有机修复方式时间长，周期慢，为此，大多数采用使用微生物的有机修复方式。但是，由于重金属污染的土壤中的重金属污染物质的成分比较多，且含量相差较大，如果不能够因地制宜地对土壤进行修复，则会浪费较多的人力物力。
本申请的发明人考虑到在对重金属污染的土壤进行修复的过程当中，除了受污染土壤本身的污染成分参数，比如污染的金属元素种类及其含量以外，还需要针对性地选择适宜的微生物种类，是一个比较复杂的关联关系。如果使用传统的统计方式来建立其中的关联，则很难构造一个适当的映射关系来表征这种关联。
基于此，本申请的发明人考虑使用深度神经网络来挖掘出受污染的土壤中的各种重金属污染物的种类及其含量以及所要采用的微生物类型之间的关联。并且，在实际的应用过程当中，本申请的申请人建立了一个编码器-分类器的模型架构，以用于实现该目的。
在编码器架构中，本申请的发明人对于输入数据进行了预处理，代替使用待修复的受污染的土壤中的重金属污染物的种类作为输入，而是通过查询的方式获得每种重金属污染物对应的候选微生物的种类以作为输入数据。这样，可以在输入数据中就包含重金属污染物与微生物之间的关联信息，从而提高深度神经网络的训练速度及其鲁棒性。
这样，将所述待修复的受污染的土壤中的重金属污染物的含量及其对应的用于修复的候选微生物的种类数据转换为输入向量，并通过作为编码器的深度神经网络以获得特征向量。但是，在对特征向量进行分类时，因为表征为编码输出的特征向量中包含了一定的冗余信息，也就是，在确定每种重金属污染物对应的候选微生物的种类时，仅是简单地将其合并使用而没有考虑到特征选择问题，因而，在基于该特征向量计算分类器的分类损失函数值时，进一步对所述分类损失函数值施加一个所述特征向量的L1范数的惩罚项，即以分类损失函数值减去所述特征向量的L1范数值作为损失函数值，来训练所述编码器和所述分类器。并且，在本申请的方案中，所述分类器的标签可以包含单个种类的微生物以及几个种类的微生物的组合，且分类结果表示对应于每个标签的概率值，且在应用中，可以选择概率值较高的多个标签对应的单个种类的微生物以及几个种类的微生物的组合来进行土壤修复。
基于此，本申请提出了一种土壤重金属污染的微生物种类选择的神经网络训练方法，其包括：获取受污染的土壤中重金属污染物的种类和含量；以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量；将所述重金属-微生物关联向量通过深度神经网络，以获得特征向量；将所述特征向量通过分类器，以获得分类损失函数值；对所述分类损失函数值施加一个所述特征向量的L1范数惩罚项，以获得损失函数值；以及，基于所述损失函数值，更新所述深度神经网络和所述分类器的参数。
基于此，本申请还提出了一种基于深度神经网络的受污染土壤的微生物种类选择方法，其包括：获取待检测受污染的土壤中重金属污染物的种类和含量作为输入数据；将所述输入数据输入根据如权利要求1到5中任意一项所述的土壤重金属污染的微生物种类选择的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示所述受污染的土壤中重金属污染物的种类和含量有效减少的第一概率和所述受污染的土壤中重金属污染物的种类和含量没有减少的第二概率；以及，基于所述第一概率和所述第二概率确定所述受污染的土壤是否被修复。
图1图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练方法和基于深度神经网络的受污染土壤的微生物种类选择方法的应用场景图。
如图1所示，在该应用场景的训练阶段中，通过土壤重金属检测仪(例如，如图1中所示意的D)获取受污染的土壤中重金属污染物的种类和含量；然后，将所述受污染的土壤中重金属污染物的种类和含量输入至部署有土壤重金属污染的微生物种类选择的神经网络训练算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够基于土壤重金属污染的微生物种类选择的神经网络训练算法以所述受污染的土壤中重金属污染物的种类和含量对土壤重金属污染的微生物种类选择的神经网络进行训练。
在通过如上所述的土壤重金属污染的微生物种类选择的神经网络训练算法训练好所述神经网络后，可基于所述深度神经网络对土壤重金属污染的微生物种类进行选择。
进一步地，如图1所示，在该应用场景的应用阶段，通过土壤重金属检测仪(例如，如图1中所示意的D)获取待检测的受污染的土壤中重金属污染物的种类和含量，并以所述重金属污染物的种类作为输入，在数据库中查询与每种所述重金属污染物对应的候选微生物的种类；然后，将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量输入至部署有基于深度神经网络的受污染土壤的微生物种类选择算法的服务器中(例如，如图1中所示意的S)，其中，所述服务器能够基于深度神经网络的受污染土壤的微生物种类选择算法对所述重金属-微生物关联向量进行处理，以生成微生物种类的选择结果。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图2图示了土壤重金属污染的微生物种类选择的神经网络训练方法的流程图。如图2所示，根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练方法，包括：S110，获取受污染的土壤中重金属污染物的种类和含量；S120，以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；S130，将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量；S140，将所述重金属-微生物关联向量通过深度神经网络，以获得特征向量；S150，将所述特征向量通过分类器，以获得分类损失函数值；S160，对所述分类损失函数值施加一个所述特征向量的L1范数惩罚项，以获得损失函数值；以及，S170，基于所述损失函数值，更新所述深度神经网络和所述分类器的参数。
图3图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练方法的架构示意图。如图3所示，在所述土壤重金属污染的微生物种类选择的神经网络训练方法的网络架构中，首先，获取受污染的土壤中重金属污染物的种类(例如，如图3中所示意的IN1)和含量(例如，如图3中所示意的IN2)；接着以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类(例如，如图3中所示意的D1)；接着，将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量(例如，如图3中所示意的Vr),并通过深度神经网络(例如，如图3中所示意的DNN)以获得特征向量(例如，如图3中所示意的V1)；接着，将所述特征向量通过分类器(例如，如图3中所示意的圈S)，以获得分类损失函数值；接着，对所述分类损失函数值施加一个所述特征向量的L1范数惩罚项，以获得损失函数值；然后，基于所述损失函数值，更新所述深度神经网络和所述分类器的参数。
在步骤S110中，获取受污染的土壤中重金属污染物的种类和含量。如前所述，重金属污染的土壤大多数采用使用微生物的有机修复方式，但是由于重金属污染的土壤中的重金属污染物质的成分比较多，且含量相差较大，如果不能够因地制宜地对土壤进行修复，则会浪费较多的人力物力。因此，为了因地制宜地对土壤进行修复，需要获取受污染的土壤中重金属污染物的种类和含量。具体地，在本申请实施例中，可通过土壤重金属检测仪检测受污染土壤中重金属污染物的种类和含量。
在步骤S120中，以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类。应可以理解，在对重金属污染的土壤进行修复的过程当中，除了受污染土壤本身的污染成分参数，比如污染的金属元素种类及其含量以外，还需要针对性地选择适宜的微生物种类，也就是，查询与每种所述重金属污染物对应的候选微生物的种类。
在步骤S130中，将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量。也就是，将所述待修复的受污染的土壤中的重金属污染物的含量及其对应的用于修复的候选微生物的种类数据进行融合，以获得重金属-微生物关联向量。
具体地，在本申请实施例中，将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量的过程，包括：首先，将所述候选微生物的种类转化为数值数据，应可以理解，种类数据为文本数据，非结构化数据，可先将其转化为数值数据，例如，第一种微生物对应于1，第二中微生物对应于2，以此类推。接着，将转化为数值数据后的所述候选微生物的种类转化为种类向量，也就是，转化为计算机可以便于计算的数据格式，即，种类向量。接着，将所述受污染土壤中各种重金属污染物的含量转化为重金属向量。然后，将重金属向量和所述种类向量进行级联，以获得所述重金属-微生物关联向量，应可以理解，级联后的向量包含重金属污染物与微生物之间的关联信息。
图4图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练方法中，将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量的流程图。如图4所示，将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量，包括：S210，将所述候选微生物的种类转化为数值数据；S220，将转化为数值数据后的所述候选微生物的种类转化为种类向量；S230，将所述受污染土壤中各种重金属污染物的含量转化为重金属向量；以及，S240，将重金属向量和所述种类向量进行级联，以获得所述重金属-微生物关联向量。
在步骤S140中，将所述重金属-微生物关联向量通过深度神经网络，以获得特征向量。也就是，将所述待修复的受污染的土壤中的重金属污染物的含量及其对应的用于修复的候选微生物的种类数据转换为输入向量，并通过作为编码器的深度神经网络以获得特征向量。应可以理解，对于输入数据进行了预处理，代替使用待修复的受污染的土壤中的重金属污染物的种类作为输入，而是通过查询的方式获得每种重金属污染物对应的候选微生物的种类以作为输入数据。这样，可以在输入数据中就包含重金属污染物与微生物之间的关联信息，从而提高深度神经网络的训练速度及其鲁棒性。
特别地，在本申请实施例中，所述深度神经网络为多层感知机。本领域普通技术人员应知晓，多层感知机是一种深度神经网络模型，其能够充分地利用重金属-微生物关联向量中重金属含量和微生物种类之间的关联信息，以提取出能够表达受污染的土壤中的各种重金属污染物的含量以及所要采用的微生物类型之间的关联的高维特征。多层感知机模型是一种前馈人工神经网络模型，除了输入输出层，它中间可以有多个隐层，其将输入的多个数据集映射到单一的输出的数据集上。
在步骤S150中，将所述特征向量通过分类器，以获得分类损失函数值。也就是，将所述分类特征向量输入Softmax分类函数进行分类。
具体地，在本申请实施例中，将所述特征向量通过分类器，以获得分类损失函数值的过程，包括：首先，将所述特征向量通过Softmax分类函数以获得分类结果，其中，所述分类器的标签包含单个种类的微生物以及几个种类的微生物的组合，且分类结果表示对应于每个标签的概率值。然后，将所述分类结果与真实值输入损失函数，以获得所述分类损失函数值。
图5图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练方法中，将所述特征向量通过分类器，以获得分类损失函数值的流程图。如图5所示，在本申请实施例中，将所述特征向量通过分类器，以获得分类损失函数值，包括：S310，将所述特征向量通过Softmax分类函数以获得分类结果；以及，S320，将所述分类结果与真实值输入损失函数，以获得所述分类损失函数值。
在步骤S160中，对所述分类损失函数值施加一个所述特征向量的L1范数惩罚项，以获得损失函数值。具体地，在本申请实施例中，对所述分类损失函数值施加一个所述特征向量的L1范数惩罚项，以获得损失函数值的过程，包括：以所述分类损失函数值减去所述特征向量的L1范数值，以获得所述损失函数值。
应可以理解，在对特征向量进行分类时，因为表征为编码输出的特征向量中包含了一定的冗余信息，也就是，在确定每种重金属污染物对应的候选微生物的种类时，仅是简单地将其合并使用而没有考虑到特征选择问题，因而，在基于该特征向量计算分类器的分类损失函数值时，进一步对所述分类损失函数值施加一个所述特征向量的L1范数的惩罚项，即以分类损失函数值减去所述特征向量的L1范数值作为损失函数值。。
在步骤S170中，基于所述损失函数值，更新所述深度神经网络和所述分类器的参数。也就是，以所述损失函数值来训练所述作为编码器的深度神经网络和所述分类器。
根据本申请的另一方面，还提供了一种基于深度神经网络的受污染土壤的微生物种类选择方法。
图6图示了根据本申请实施例的基于深度神经网络的受污染土壤的微生物种类选择方法的流程图。如图6所示，根据本申请实施例的基于深度神经网络的受污染土壤的微生物种类选择方法，包括：S410，获取待检测受污染的土壤中重金属污染物的种类和含量，并以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；S420，将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量输入根据如上所述的土壤重金属污染的微生物种类选择的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示对应于单个种类的微生物标签和几个种类的微生物的组合标签的概率值；以及，S430，基于所述概率值，选择概率值较高的多个标签对应的单个种类的微生物以及几个种类的微生物的组合来进行土壤修复。。
综上，本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练方法、基于深度神经网络的受污染土壤的微生物种类选择方法被阐明，其基于深度神经网络来挖掘受污染的土壤中的各种重金属污染物的种类及其含量以及所要采用的微生物类型之间的关联。具体地，将所述重金属-微生物关联向量作为输入向量，并在分类时，对所述分类损失函数值施加一个所述特征向量的L1范数的惩罚项来训练所述编码器和所述分类器，进而提高深度神经网络的训练速度及其鲁棒性。
示例性系统
图7图示了根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练系统的框图。
如图7所示，根据本申请实施例的土壤重金属污染的微生物种类选择的神经网络训练系统700，包括：数据获取单元710，用于获取受污染的土壤中重金属污染物的种类和含量；候选微生物查询单元720，用于以所述数据获取单元710获得的所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；关联向量生成单元730，用于将所述数据获取单元710获得的所述受污染土壤中各种重金属污染物的含量和所述候选微生物查询单元720获得的所述候选微生物的种类转化为重金属-微生物关联向量；特征向量生成单元740，用于将所述关联向量生成单元730获得的所述重金属-微生物关联向量通过深度神经网络，以获得特征向量；分类损失函数值生成单元750，用于将所述特征向量生成单元740获得的所述特征向量通过分类器，以获得分类损失函数值；损失函数值生成单元760，用于对所述分类损失函数值生成单元750获得的所述分类损失函数值施加一个所述特征向量生成单元740获得的所述特征向量的L1范数惩罚项，以获得损失函数值；以及，参数更新单元770，用于基于所述损失函数值生成单元760获得的所述损失函数值，更新所述深度神经网络和所述分类器的参数。
在一个示例中，在上述土壤重金属污染的微生物种类选择的神经网络训练系统700中，如图8所示，所述关联向量生成单元730，包括：数值数据转化子单元731，用于将所述候选微生物的种类转化为数值数据；种类向量转化子单元732，用于将所述数值数据转化子单元731获得的所述转化为数值数据后的所述候选微生物的种类转化为种类向量；重金属向量转化子单元733，用于将所述受污染土壤中各种重金属污染物的含量转化为重金属向量；以及，级联子单元734，用于将所述重金属向量转化子单元733获得的所述重金属向量和所述种类向量转化子单元732获得的所述种类向量进行级联，以获得所述重金属-微生物关联向量。
在一个示例中，在上述土壤重金属污染的微生物种类选择的神经网络训练系统700中，所述深度神经网络为多层感知机。
在一个示例中，在上述土壤重金属污染的微生物种类选择的神经网络训练系统700中，如图9所示，所述分类损失函数值生成单元750，包括：分类结果生成子单元751，用于将所述特征向量通过Softmax分类函数以获得分类结果，其中，所述分类器的标签包含单个种类的微生物以及几个种类的微生物的组合；以及，计算子单元752，用于将所述分类结果生成子单元751获得的所述分类结果与真实值输入损失函数，以获得所述分类损失函数值。
在一个示例中，在上述土壤重金属污染的微生物种类选择的神经网络训练系统700中，所述损失函数值生成单元760，进一步用于：以所述分类损失函数值减去所述特征向量的L1范数值，以获得所述损失函数值。
这里，本领域技术人员可以理解，上述训练系统700中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的土壤重金属污染的微生物种类选择的神经网络训练方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的训练系统700可以实现在各种终端设备中，例如用于土壤重金属污染的微生物种类选择的服务器等。在一个示例中，根据本申请实施例的训练系统700可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该训练系统700可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该训练系统700同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该训练系统700与该终端设备也可以是分立的设备，并且该训练系统700可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
根据本申请的另一方面，还提供了一种基于深度神经网络的受污染土壤的微生物种类选择系统。
图10图示了根据本申请实施例的基于深度神经网络的受污染土壤的微生物种类选择系统的框图。如图10所示，根据本申请实施例的基于深度神经网络的受污染土壤的微生物种类选择系统800，包括：输入数据获取单元810，用于获取待检测受污染的土壤中重金属污染物的种类和含量，并以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；分类单元820，用于将所述输入数据获取单元810获得的所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量输入根据如上所述的土壤重金属污染的微生物种类选择的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示对应于单个种类的微生物标签和几个种类的微生物的组合标签的概率值；以及，微生物种类选择单元830，用于基于所述分类单元820获得的所述概率值，选择概率值较高的多个标签对应的单个种类的微生物以及几个种类的微生物的组合来进行土壤修复。
这里，本领域技术人员可以理解，上述选择系统800中的各个单元和模块的具体功能和操作已经在上面参考图7的基于深度神经网络的受污染土壤的微生物种类选择方法描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的选择系统800可以实现在各种终端设备中，例如用于受污染土壤的微生物种类选择的服务器等。在一个示例中，根据本申请实施例的选择系统800可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该选择系统800可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该选择系统800同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该选择系统800与该终端设备也可以是分立的设备，并且该选择系统800可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性电子设备
下面，参考图11来描述根据本申请实施例的电子设备。
图11图示了根据本申请实施例的电子设备的框图。
如图11所示，电子设备包括10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的土壤重金属污染的微生物种类选择的神经网络训练方法，或者，基于深度神经网络的受污染土壤的微生物种类选择方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如分类损失函数值、损失函数值等各种内容。
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入系统13可以包括例如键盘、鼠标等等。
该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图11中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的土壤重金属污染的微生物种类选择的神经网络训练方法，或者，基于深度神经网络的受污染土壤的微生物种类选择方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的土壤重金属污染的微生物种类选择的神经网络训练方法，或者，基于深度神经网络的受污染土壤的微生物种类选择方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种土壤重金属污染的微生物种类选择的神经网络训练方法，其特征在于，包括：
获取受污染的土壤中重金属污染物的种类和含量；
以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；
将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量；
将所述重金属-微生物关联向量通过深度神经网络，以获得特征向量；
将所述特征向量通过分类器，以获得分类损失函数值；
对所述分类损失函数值施加一个所述特征向量的L1范数惩罚项，以获得损失函数值；以及
基于所述损失函数值，更新所述深度神经网络和所述分类器的参数。
2.根据权利要求1所述的土壤重金属污染的微生物种类选择的神经网络训练方法，其中，将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量，包括：
将所述候选微生物的种类转化为数值数据；
将转化为数值数据后的所述候选微生物的种类转化为种类向量；
将所述受污染土壤中各种重金属污染物的含量转化为重金属向量；以及
将重金属向量和所述种类向量进行级联，以获得所述重金属-微生物关联向量。
3.根据权利要求1所述的土壤重金属污染的微生物种类选择的神经网络训练方法，其中，在将所述重金属-微生物关联向量通过深度神经网络，以获得特征向量中，所述深度神经网络为多层感知机。
4.根据权利要求3所述的土壤重金属污染的微生物种类选择的神经网络训练方法，其中，将所述特征向量通过分类器，以获得分类损失函数值，包括：
将所述特征向量通过Softmax分类函数以获得分类结果，其中，所述分类器的标签包含单个种类的微生物以及几个种类的微生物的组合；以及
将所述分类结果与真实值输入损失函数，以获得所述分类损失函数值。
5.根据权利要求1所述的土壤重金属污染的微生物种类选择的神经网络训练方法，其中，对所述分类损失函数值施加一个所述特征向量的L1范数惩罚项，以获得损失函数值，包括：
以所述分类损失函数值减去所述特征向量的L1范数值，以获得所述损失函数值。
6.一种基于深度神经网络的受污染土壤的微生物种类选择方法，其特征在于，包括：
获取待检测受污染的土壤中重金属污染物的种类和含量，并以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；
将所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量输入根据如权利要求1到5中任意一项所述的土壤重金属污染的微生物种类选择的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示对应于单个种类的微生物标签和几个种类的微生物的组合标签的概率值；以及
基于所述概率值，选择概率值较高的多个标签对应的单个种类的微生物以及几个种类的微生物的组合来进行土壤修复。
7.一种土壤重金属污染的微生物种类选择的神经网络训练系统，其特征在于，包括：
数据获取单元，用于获取受污染的土壤中重金属污染物的种类和含量；
候选微生物查询单元，用于以所述数据获取单元获得的所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；
关联向量生成单元，用于将所述数据获取单元获得的所述受污染土壤中各种重金属污染物的含量和所述候选微生物查询单元获得的所述候选微生物的种类转化为重金属-微生物关联向量；
特征向量生成单元，用于将所述关联向量生成单元获得的所述重金属-微生物关联向量通过深度神经网络，以获得特征向量；
分类损失函数值生成单元，用于将所述特征向量生成单元获得的所述特征向量通过分类器，以获得分类损失函数值；
损失函数值生成单元，用于对所述分类损失函数值生成单元获得的所述分类损失函数值施加一个所述特征向量生成单元获得的所述特征向量的L1范数惩罚项，以获得损失函数值；以及
参数更新单元，用于基于所述损失函数值生成单元获得的所述损失函数值，更新所述深度神经网络和所述分类器的参数。
8.根据权利要求7所述的土壤重金属污染的微生物种类选择的神经网络训练系统，其中，所述关联向量生成单元，包括：
数值数据转化子单元，用于将所述候选微生物的种类转化为数值数据；
种类向量转化子单元，用于将所述数值数据转化子单元获得的所述转化为数值数据后的所述候选微生物的种类转化为种类向量；
重金属向量转化子单元，用于将所述受污染土壤中各种重金属污染物的含量转化为重金属向量；以及
级联子单元，用于将所述重金属向量转化子单元获得的所述重金属向量和所述种类向量转化子单元获得的所述种类向量进行级联，以获得所述重金属-微生物关联向量。
9.一种基于深度神经网络的受污染土壤的微生物种类选择系统，其特征在于，包括：
输入数据获取单元，用于获取待检测受污染的土壤中重金属污染物的种类和含量，并以所述重金属污染物的种类作为输入，查询与每种所述重金属污染物对应的候选微生物的种类；
分类单元，用于将所述输入数据获取单元获得的所述受污染土壤中各种重金属污染物的含量和所述候选微生物的种类转化为重金属-微生物关联向量输入根据如权利要求1到5中任意一项所述的土壤重金属污染的微生物种类选择的神经网络训练方法所训练的深度神经网络和分类器，所述分类器的输出为表示对应于单个种类的微生物标签和几个种类的微生物的组合标签的概率值；以及
微生物种类选择单元，用于基于所述分类单元获得的所述概率值，选择概率值较高的多个标签对应的单个种类的微生物以及几个种类的微生物的组合来进行土壤修复。
10.一种电子设备，包括：
处理器；以及
存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1-5中任一项所述的土壤重金属污染的微生物种类选择的神经网络训练方法或者如权利要求6所述的基于深度神经网络的受污染土壤的微生物种类选择方法。
CN202110048594.3A 2021-01-14 2021-01-14 土壤重金属污染的微生物种类选择的神经网络训练方法 Pending CN112651466A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110048594.3A CN112651466A (zh) 2021-01-14 2021-01-14 土壤重金属污染的微生物种类选择的神经网络训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110048594.3A CN112651466A (zh) 2021-01-14 2021-01-14 土壤重金属污染的微生物种类选择的神经网络训练方法

Publications (1)

Publication Number Publication Date
CN112651466A true CN112651466A (zh) 2021-04-13

Family

ID=75368184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110048594.3A Pending CN112651466A (zh) 2021-01-14 2021-01-14 土壤重金属污染的微生物种类选择的神经网络训练方法

Country Status (1)

Country Link
CN (1) CN112651466A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117172988A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 基于大数据分析的微生物修复方案生成方法及系统
CN117171597A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 一种基于微生物的污染场地分析方法、系统及介质
CN117172991A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 基于场地污染特征的微生物修复方案推荐方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117172988A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 基于大数据分析的微生物修复方案生成方法及系统
CN117171597A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 一种基于微生物的污染场地分析方法、系统及介质
CN117172991A (zh) * 2023-11-02 2023-12-05 北京建工环境修复股份有限公司 基于场地污染特征的微生物修复方案推荐方法及系统
CN117171597B (zh) * 2023-11-02 2024-01-02 北京建工环境修复股份有限公司 一种基于微生物的污染场地分析方法、系统及介质
CN117172988B (zh) * 2023-11-02 2024-01-12 北京建工环境修复股份有限公司 基于大数据分析的微生物修复方案生成方法及系统
CN117172991B (zh) * 2023-11-02 2024-03-08 北京建工环境修复股份有限公司 基于场地污染特征的微生物修复方案推荐方法及系统
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
Xu et al. A simple baseline for open-vocabulary semantic segmentation with pre-trained vision-language model
CN112651466A (zh) 土壤重金属污染的微生物种类选择的神经网络训练方法
CN108959482B (zh) 基于深度学习的单轮对话数据分类方法、装置和电子设备
CN109816032B (zh) 基于生成式对抗网络的无偏映射零样本分类方法和装置
CN112085012B (zh) 项目名称和类别识别方法及装置
CN115796173A (zh) 针对监管报送需求的数据处理方法和系统
CN110390110B (zh) 用于语义匹配的预训练生成句子向量的方法和装置
CN116308754B (zh) 一种银行信贷风险预警系统及其方法
CN111831783B (zh) 一种篇章级关系抽取方法
CN116257406A (zh) 用于智慧城市的网关数据管理方法及其系统
CN112651940A (zh) 基于双编码器生成式对抗网络的协同视觉显著性检测方法
CN112464655A (zh) 中文字符和拼音相结合的词向量表示方法、装置、介质
KR20200063313A (ko) 순차적 정보 기반의 순환 신경망 모델을 이용하여 사용자 의도 시퀀스를 예측하기 위한 장치 및 그 방법
CN111597816A (zh) 一种自注意力命名实体识别方法、装置、设备及存储介质
Wang et al. Bilateral attention network for semantic segmentation
Wakchaure et al. A scheme of answer selection in community question answering using machine learning techniques
Li et al. Semantic feature extraction using genetic programming in image retrieval
CN114610871A (zh) 基于人工智能算法的情报系统建模分析方法
CN114428855A (zh) 用于分级体系和混合数据类型的业务记录分类方法
CN115705464A (zh) 一种信息的处理方法、装置及设备
Kang et al. Label definitions augmented interaction model for legal charge prediction
Kawano et al. TAG: Guidance-free Open-Vocabulary Semantic Segmentation
Sohel et al. Music Suggestions from Determining the Atmosphere of Images
Narayanan et al. Towards open ended and free form visual question answering: Modeling vqa as a factoid question answering problem
Nabizadeh et al. Target-aware prediction of tool usage in sequential repair tasks

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