CN112926256A - 基于深度强化学习的土壤重金属含量预测方法及系统 - Google Patents

基于深度强化学习的土壤重金属含量预测方法及系统 Download PDF

Info

Publication number
CN112926256A
CN112926256A CN202110117345.5A CN202110117345A CN112926256A CN 112926256 A CN112926256 A CN 112926256A CN 202110117345 A CN202110117345 A CN 202110117345A CN 112926256 A CN112926256 A CN 112926256A
Authority
CN
China
Prior art keywords
heavy metal
metal content
data
soil heavy
reinforcement learning
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
Application number
CN202110117345.5A
Other languages
English (en)
Other versions
CN112926256B (zh
Inventor
张聪
张俊杰
曹文琪
陈方
胡殿涛
吕鑫涛
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.)
Wuhan Polytechnic University
Original Assignee
Wuhan Polytechnic University
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 Wuhan Polytechnic University filed Critical Wuhan Polytechnic University
Priority to CN202110117345.5A priority Critical patent/CN112926256B/zh
Publication of CN112926256A publication Critical patent/CN112926256A/zh
Application granted granted Critical
Publication of CN112926256B publication Critical patent/CN112926256B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Artificial Intelligence (AREA)
  • Food Science & Technology (AREA)
  • Analytical Chemistry (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Geology (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于深度强化学习的土壤重金属含量预测方法及系统，进行数据准备，包括对原始的数据集进行预处理，所述数据集包括土壤重金属含量数据和相应经纬度数据、海拔数据；使用深度强化学习模型对土壤重金属数据的特征进行提取，对每个采样点的反距离加权算法超参数进行学习和训练；使用回归支持向量机对学习到的最优超参数进行处理，并构建土壤重金属含量特征分布模型；将插值点数据输入到分布模型中得到相应的超参数，作为插值点的特征值，然后使用得到的特征值对插值点分别进行反距离加权插值，最终得到插值点的重金属含量预测值。本发明在低密度样本采集区域对区域中的各个地点的土壤重金属含量进行较为精准的分析和预测。

Description

基于深度强化学习的土壤重金属含量预测方法及系统
技术领域
本发明属于环境科学中的空间预测领域，特别是涉及到一种利用反距离插值算法进行空间预测的土壤重金属含量预测技术方案。
背景技术
空间预测是空间和时空统计的核心。其主要目的是通过对空间中若干个已知点的属性的分析和建模，预测同一空间中未知点的属性。一个理想的空间预测不仅提供点预测，还提供分位数或密度函数等分布信息来量化不确定性、风险和极值。空间预测的广泛应用在地质和环境科学领域，由于近几年交叉学科的兴起，空间预测已经扩展到其他领域，如生物科学、计算机视觉、经济学和公共卫生。
随着人们日常生活的增多和工厂生产活动的发展，重金属会过多流入土壤，导致土壤的利用价值降低，对生态环境造成污染，更严重的可能危害到人体健康，造成巨大损失，因此要预防土壤重金属污染，对重金属的检测是必要且重要的一环。
在空间预测方面应用较为广泛的方法有反距离加权插值法和普通克里金插值法。其中，在使用普通克里金插值法进行空间预测时，通常假设协方差函数是平稳的，但是实际上的物理过程往往是非高斯和非平稳的。空间协方差可能会随着空间而变化，例如，在城市和农村地区。对于反距离加权算法，插值点的预测值是各个采样点的加权平均值。其优点在于计算速度快，并且对插值数据集规模的要求不高。但是反距离加权插值算法的插值过程与任何实际的物理过程都不关联。然而，更一般的空间过程的空间预测仍然是一个开放的问题。
最近，由于机器学习的兴起，深度学习已经广泛应用在空间预测和分类方面，特别是在计算机视觉和自然语言处理。DNNs不仅在线性且平稳的空间特征上是有效的，并且在非线性和非平稳性等复杂特征的预测也是有效的。不仅如此，对于使用gpu分析大量数据集的计算效率很高。然而，使用深度学习对数据进行空间预测时，会遇到一个障碍。经典的深度神经网络(DNNs)不能直接包含空间依赖。神经网络在空间预测中的应用通常只包含空间坐标作为特征。使用这些特征进行空间预测可能是不够的。
最近，卷积神经网络(CNNs)被证实可以通过相关滤波器成功捕获图像处理中的时空相关性。然而，该框架是为具有较大特征空间的应用而设计的，对数据规模的要求较严格，并不适用于许多只有原位观测和稀疏观测的空间预测问题。
与CNNs相比，空间预测的目的是考虑观测特征有限和观测稀疏的响应变量的空间相关性。因此，本发明将深度强化学习网络模型的特性和反距离加权算法的超参数结合，提出了一种可以实现差异化空间插值的方法。提出的方法适用于非高斯数据的小样本数据集，并且在插值前，并未对插值空间做出任何假设。
发明内容
本发明针对反距离加权插值效果差的问题，提供了一种基于深度强化学习的空间插值技术方案。
本发明提供的技术方案提供一种基于深度强化学习的土壤重金属含量预测方法，包括以下步骤：
步骤1，数据准备，包括对原始的数据集进行预处理，所述数据集包括土壤重金属含量数据和相应经纬度数据、海拔数据，预处理得到经纬度数据在笛卡尔坐标系下的坐标数据；
步骤2，超参数学习，包括使用深度强化学习模型对土壤重金属数据的特征进行提取，对每个采样点的反距离加权算法超参数进行学习和训练，得到最优超参数；
步骤3，分布模型构建，包括使用回归支持向量机对步骤2学习到的最优超参数进行处理，结合每个样本点最近邻统计构建土壤重金属含量特征分布模型；
步骤4，分析预测，包括将插值点数据输入到分布模型中得到相应的超参数，作为插值点的特征值，然后使用得到的特征值对插值点分别进行反距离加权插值，最终得到插值点的重金属含量预测值。
而且，步骤2中使用深度强化学习模型对反距离加权算法中的加权幂次数进行学习和训练。
而且，步骤2中选取采样点的方式为逐点选取。
而且，步骤2中使用深度强化学习模型对每个采样点的反距离加权算法超参数进行学习和训练时，采用竞争深度Q学习网络模型；
模型中智能体的动作空间为[-0.1,0,0.1]，代表反距离加权法的幂指数参数的变动；模型中智能体的状态为反距离加权法的幂指数参数值，模型中环境反馈的奖励信号的计算公式为，
R＝|c-c0|-|c'-c0|
其中，c为上一状态下进行插值时得到的预测值，c’为当前状态下进行插值得到的预测值，c0为当前插值点的真实值。
而且，步骤3中利用步骤2学习到的最优超参数和每个样本点最近邻统计进行建模，包括加入最近邻统计值，使用回归方法对样本点位置数据和最近邻统计值进行建模；构建完成的土壤重金属含量特征分布模型支持根据点的位置数据和对应的最近邻统计值计算出相应的反距离插值算法的理论最优超参数。
而且，步骤4中利用步骤3得到的超参数进行差异化反距离加权插值，最终得到插值点的重金属含量预测值。
本发明还提供一种基于深度强化学习的土壤重金属含量预测系统，用于实现如上所述的一种基于深度强化学习的土壤重金属含量预测方法。
而且，包括以下模块，
数据准备模块，用于对原始的数据集进行预处理，所述数据集包括土壤重金属含量数据和相应经纬度数据、海拔数据，预处理得到经纬度数据在笛卡尔坐标系下的坐标数据；
超参数学习模块，用于使用深度强化学习模型对土壤重金属数据的特征进行提取，对每个采样点的反距离加权算法超参数进行学习和训练，得到最优超参数；
分布模型构建模块，用于使用回归支持向量机对学习到的最优超参数进行处理，结合每个样本点最近邻统计构建土壤重金属含量特征分布模型；
分析预测模块，用于将插值点数据输入到分布模型中得到相应的超参数，作为插值点的特征值，然后使用得到的特征值对插值点分别进行反距离加权插值，最终得到插值点的重金属含量预测值。
或者，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度强化学习的土壤重金属含量预测方法。
或者，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度强化学习的土壤重金属含量预测方法。
本发明提供了一种基于深度学习的土壤重金属含量预测技术方案，实现了无需对研究区域的土壤重金属进行高密度地采样和分析，即可对研究区域中的各个地点的土壤重金属含量进行较为精准的分析和预测，为进一步提高对当前区域的重金属污染评价和治理方案提供了依据。该方法具有简单、有效、精度高、易于实现的特点。
附图说明
图1为本发明实施例的流程图。
具体实施方式
以下结合附图和实施例详细说明本发明技术方案。
本发明在低密度样本采集区域对区域中的各个地点的土壤重金属含量进行较为精准的分析和预测。
图1表示的是本发明实施例提供的基于深度强化学习的土壤重金属含量预测方法流程图，以下针对实施例流程中的各步骤，对本发明方法做进一步详细描述。
(1)数据准备：对原始的数据集进行预处理，所述数据集包括土壤重金属含量数据和相应经纬度数据、海拔数据，预处理得到经纬度数据在笛卡尔坐标系下的坐标数据。
对原始的土壤重金属数据进行预处理，得到形式统一，利于处理的土壤重金属含量数据。
土壤重金属含量数据中的地理坐标数据是以经度和纬度数据形式记录，需要将其转换为适合在机器学习模型中进行训练学习的笛卡尔坐标。不仅如此，由于土壤重金属含量数据，经纬度和海拔数据的数值范围不同，需要对这些数据进行标准化和归一化。并且使用剔除法对数据集中的缺失值进行处理。
(2)超参数学习：包括使用深度强化学习模型对每个采样点的反距离加权算法超参数进行学习和训练，学习到的最优超参数即土壤重金属数据的特征。
步骤(2)中选取的经典深度强化学习模型为竞争深度Q学习网络模型。
在此过程中，使用深度强化学习模型中的竞争深度Q学习网络模型对土壤重金属数据集进行特征提取。步骤(2)中选取样本点的方式为逐点选取。
深度Q网络模型具体实现可参见现有文献：Wang Z,Schaul T,Hessel M,etal.Dueling network architectures for deep reinforcement learning[C]//International conference on machine learning.PMLR,2016:1995-2003.
其中，竞争深度Q学习网络模型中智能体的目标为寻求当前点的最佳反距离加权法的超参数。反距离加权法的公式如下：
Figure BDA0002921220780000041
Figure BDA0002921220780000042
(i＝0,1,...,n；p∈N)
式中：Y(x)为插值点x处的值；wi为xi的加权值；x为插值点；xi为已知点；Yi为已知点xi处的值；n为用于插值的已知点的总数；i表示插值点的序号；N为正整数集合。d(x,xi)为已知点xi到未知点x的距离。权重wi随着与未知点距离的增加而减小，p值越大，则距离未知点越近，对未知点的值影响也越大。
因此，深度强化学习模型的目标是搜寻到点xi在反距离加权算法中的最佳p值，即使用深度强化学习模型对反距离加权算法中的加权幂次数进行学习和训练。即模型中智能体的状态为反距离加权法的幂指数参数值。
使用深度强化学习模型对每个采样点的反距离加权算法超参数进行学习和训练，包括利用深度强化学习模型中智能体的初始值设计，智能体的动作空间设计；模型中环境根据智能体所执行动作进行奖励的设计和模型终止训练条件的设计。
竞争深度Q学习网络模型的智能体的初始状态的选取根据反距离加权法的幂指数常用参数值，可以设置为2或者3，由于竞争深度Q学习网络模型具有强大的自学习功能，智能体的初始值对最终智能体收敛时的状态影响不大。
实施例中，智能体的初始状态为2或者3。智能体的整体动作空间为连续空间，为了降低计算成本，加速整个过程的学习速率，将智能体的动作空间离散化。离散后的智能体的动作空间为[-0.1,0,0.1]，代表反距离加权法的幂指数参数的变动。模型中环境反馈的奖励信号R的计算公式为：
R＝|c-c0|-|c'-c0|
其中，c为上一状态下进行插值时得到的预测值，c’为当前状态下进行插值得到的预测值，c0为当前插值点的真实值。
实施例使用深度强化学习模型对每个采样点的反距离加权算法超参数进行学习和训练，实现步骤如下，
a)模型初始化
模型中神经网络的所有神经元的权重通过随机方法进行初始化，所有随机值的期望为0，方差为1。
b)模型训练
设定模型在500轮训练之后，开始进行学习。在此阶段中，模型中智能体通过随机方法对将要执行的动作进行决策。每次执行动作之后，将上个状态的状态值，执行的动作，环境反馈的奖励值和当前状态的状态值存储在经验池中，以备模型学习阶段时使用。
c)模型学习
在此阶段中，智能体通过ε-贪婪法对将要执行的动作进行决策。每次执行动作之后，依然将本轮训练的信息存储在经验池中。然而，和模型训练阶段不同的是，每轮训练过后，竞争深度Q学习网络模型中的Q-target网络使用随机梯度下降法对网络中的参数进行更新。每进行一定次数训练之后，模型中的Q-Evaluate网络将自身网络的参数全部替换为Q-target网络的参数。
d)模型收敛
当模型训练达到设定次数，终止训练模型。
(3)分布模型构建：使用回归支持向量机对学习到的最优超参数进行处理，并构建土壤重金属含量特征分布模型。
步骤(3)中利用步骤(2)学习到的超参数和每个样本点最近邻统计进行建模，包括通过加入最近邻统计值进行回归建模的设计，使用回归方法对样本点位置数据和最近邻统计值进行建模的设计。构建完成的超参数模型可以根据点的位置数据和对应的最近邻统计值计算出相应的反距离插值算法的理论最优超参数。
实施例中，根据既定公式计算出每个样本点的最邻近统计值(nearest neighborstatistic)。将学习到的超参数，计算得到的最近邻统计值和采样点的位置信息结合，形成若干个多维空间离散点。再使用回归支持向量机对多维空间离散点进行建模，得到一个超参数分布模型。换句话说，采样点在深度强化学习模型中学习到的最优超参数和采样点的最邻近统计值为因变量，使用回归支持向量机对其进行拟合，构建超参数分布模型。将插值点的位置信息和最近邻统计值输入到超参数分布模型中，计算出对应插值点的理论最优超参数。此超参数分布模型可以根据不同点的坐标和插值点的最邻近统计值输出对应坐标的反距离插值算法的理论最优超参数。
随机模式的预期最近邻距离的计算公式为：
Figure BDA0002921220780000061
其中：davg表示整个区域的最近邻距离，N表示研究区域中的样本点个数，A表示研究区域的面积。
最近邻统计值M计算公式为：
Figure BDA0002921220780000062
其中：dn表示插值点的预期最近邻距离；davg表示整个区域的最近邻距离。
(4)分析预测：将插值点数据输入到分布模型中得到相应的超参数，作为插值点的特征值，再使用得到的特征值对插值点分别进行反距离加权插值，最终得到插值点的重金属含量预测值。
步骤(4)中利用步骤(3)得到的算法超参数进行差异化反距离加权插值，最终得到插值点的重金属含量预测值。即根据不同的差值点自动分配与之相对应的超参数进行插值，实现差异化反距离加权插值。
计算需要预测含量的点的最邻近统计值，并将得到的最邻近统计值和点的坐标(x,y)输入到超参数分布模型中，超参数模型会输出对应的坐标的反距离插值算法的理论最优超参数p0，将点的坐标(x,y)和p0带入反距离加权法中计算公式中，即可得到当前插值点对应重金属含量的预测值。
为便于了解本发明的技术效果起见，采用本发明实施例的方法和现有技术对比效果如下：
Figure BDA0002921220780000071
具体实施时，本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程，实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备，也应当在本发明的保护范围内。
在一些可能的实施例中，提供一种基于深度强化学习的土壤重金属含量预测系统，包括以下模块，
数据准备模块，用于对原始的数据集进行预处理，所述数据集包括土壤重金属含量数据和相应经纬度数据、海拔数据，预处理得到经纬度数据在笛卡尔坐标系下的坐标数据；
超参数学习模块，用于使用深度强化学习模型对土壤重金属数据的特征进行提取，对每个采样点的反距离加权算法超参数进行学习和训练，得到最优超参数；
分布模型构建模块，用于使用回归支持向量机对学习到的最优超参数进行处理，并构建土壤重金属含量特征分布模型；
分析预测模块，用于将插值点数据输入到分布模型中得到相应的超参数，作为插值点的特征值，然后使用得到的特征值对插值点分别进行反距离加权插值，最终得到插值点的重金属含量预测值。
在一些可能的实施例中，提供一种基于深度强化学习的土壤重金属含量预测系统，包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如上所述的一种基于深度强化学习的土壤重金属含量预测方法。
在一些可能的实施例中，提供一种基于深度强化学习的土壤重金属含量预测系统，包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如上所述的一种基于深度强化学习的土壤重金属含量预测方法。
本文中所描述的具体实例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于深度强化学习的土壤重金属含量预测方法，其特征在于，包括以下步骤：
步骤1，数据准备，包括对原始的数据集进行预处理，所述数据集包括土壤重金属含量数据和相应经纬度数据、海拔数据，预处理得到经纬度数据在笛卡尔坐标系下的坐标数据；
步骤2，超参数学习，包括使用深度强化学习模型对土壤重金属数据的特征进行提取，对每个采样点的反距离加权算法超参数进行学习和训练，得到最优超参数；
步骤3，分布模型构建，包括使用回归支持向量机对步骤2学习到的最优超参数进行处理，结合每个样本点最近邻统计构建土壤重金属含量特征分布模型；
步骤4，分析预测，包括将插值点数据输入到分布模型中得到相应的超参数，作为插值点的特征值，然后使用得到的特征值对插值点分别进行反距离加权插值，最终得到插值点的重金属含量预测值。
2.根据权利要求1所述基于深度强化学习的土壤重金属含量预测方法，其特征在于：步骤2中使用深度强化学习模型对反距离加权算法中的加权幂次数进行学习和训练。
3.根据权利要求1所述基于深度强化学习的土壤重金属含量预测方法，其特征在于：步骤2中选取采样点的方式为逐点选取。
4.根据权利要求1或2或3所述基于深度强化学习的土壤重金属含量预测方法，其特征在于：步骤2中使用深度强化学习模型对每个采样点的反距离加权算法超参数进行学习和训练时，采用竞争深度Q学习网络模型；
模型中智能体的动作空间为[-0.1,0,0.1]，代表反距离加权法的幂指数参数的变动；模型中智能体的状态为反距离加权法的幂指数参数值，模型中环境反馈的奖励信号的计算公式为，
R＝|c-c0|-|c'-c0|
其中，c为上一状态下进行插值时得到的预测值，c’为当前状态下进行插值得到的预测值，c0为当前插值点的真实值。
5.根据权利要求1或2或3所述基于深度强化学习的土壤重金属含量预测方法，其特征在于：步骤3中利用步骤2学习到的最优超参数和每个样本点最近邻统计进行建模，包括加入最近邻统计值，使用回归方法对样本点位置数据和最近邻统计值进行建模；构建完成的土壤重金属含量特征分布模型支持根据点的位置数据和对应的最近邻统计值计算出相应的反距离插值算法的理论最优超参数。
6.根据权利要求1或2或3所述基于深度强化学习的土壤重金属含量预测方法，其特征在于：步骤4中利用步骤3得到的超参数进行差异化反距离加权插值，最终得到插值点的重金属含量预测值。
7.一种基于深度强化学习的土壤重金属含量预测系统，其特征在于：用于实现如权利要求1-6任一项所述的一种基于深度强化学习的土壤重金属含量预测方法。
8.根据权利要求7所述基于深度强化学习的土壤重金属含量预测系统，其特征在于：包括以下模块，
数据准备模块，用于对原始的数据集进行预处理，所述数据集包括土壤重金属含量数据和相应经纬度数据、海拔数据，预处理得到经纬度数据在笛卡尔坐标系下的坐标数据；
超参数学习模块，用于使用深度强化学习模型对土壤重金属数据的特征进行提取，对每个采样点的反距离加权算法超参数进行学习和训练，得到最优超参数；
分布模型构建模块，用于使用回归支持向量机对学习到的最优超参数进行处理，结合每个样本点最近邻统计构建土壤重金属含量特征分布模型；
分析预测模块，用于将插值点数据输入到分布模型中得到相应的超参数，作为插值点的特征值，然后使用得到的特征值对插值点分别进行反距离加权插值，最终得到插值点的重金属含量预测值。
9.根据权利要求7所述基于深度强化学习的土壤重金属含量预测系统，其特征在于：包括处理器和存储器，存储器用于存储程序指令，处理器用于调用存储器中的存储指令执行如权利要求1-6任一项所述的一种基于深度强化学习的土壤重金属含量预测方法。
10.根据权利要求7所述基于深度强化学习的土壤重金属含量预测系统，其特征在于：包括可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序执行时，实现如权利要求1-6任一项所述的一种基于深度强化学习的土壤重金属含量预测方法。
CN202110117345.5A 2021-01-28 2021-01-28 基于深度强化学习的土壤重金属含量预测方法及系统 Active CN112926256B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110117345.5A CN112926256B (zh) 2021-01-28 2021-01-28 基于深度强化学习的土壤重金属含量预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110117345.5A CN112926256B (zh) 2021-01-28 2021-01-28 基于深度强化学习的土壤重金属含量预测方法及系统

Publications (2)

Publication Number Publication Date
CN112926256A true CN112926256A (zh) 2021-06-08
CN112926256B CN112926256B (zh) 2022-06-14

Family

ID=76168511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110117345.5A Active CN112926256B (zh) 2021-01-28 2021-01-28 基于深度强化学习的土壤重金属含量预测方法及系统

Country Status (1)

Country Link
CN (1) CN112926256B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114065921A (zh) * 2021-11-19 2022-02-18 湖南工商大学 基于深度学习的空间领域的插值方法、装置及相关设备
CN114925152A (zh) * 2022-05-19 2022-08-19 河北大学 基于反距离加权法和克里金法的土壤养分空间插值方法
CN115458071A (zh) * 2022-08-08 2022-12-09 北京信息科技大学 土壤重金属含量预测方法、装置与设备
CN116048106A (zh) * 2023-02-08 2023-05-02 海南大学 一种多水下机器人自适应采样的海洋观测控制方法及装置
CN117787570A (zh) * 2024-02-26 2024-03-29 山东公用环保科技集团有限公司 一种水环境重金属污染综合评价方法及系统
CN118537441A (zh) * 2024-05-27 2024-08-23 浙江大学 一种基于土壤空间邻域信息的数字土壤制图方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120089344A1 (en) * 2010-10-07 2012-04-12 Wright David A Methods of Automated Spectral Peak Detection and Quantification Having Learning Mode
CN106996969A (zh) * 2017-03-03 2017-08-01 北京农业质量标准与检测技术研究中心 一种土壤重金属空间分布预测方法及系统
WO2018125620A1 (en) * 2016-12-29 2018-07-05 Exxonmobil Upstream Research Company Method and system for interpolating discontinuous functions in a subsurface model
CN109063903A (zh) * 2018-07-19 2018-12-21 山东建筑大学 一种基于深度强化学习的建筑能耗预测方法及系统
CN111612246A (zh) * 2020-05-18 2020-09-01 武汉轻工大学 农田土壤的重金属含量预测方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120089344A1 (en) * 2010-10-07 2012-04-12 Wright David A Methods of Automated Spectral Peak Detection and Quantification Having Learning Mode
WO2018125620A1 (en) * 2016-12-29 2018-07-05 Exxonmobil Upstream Research Company Method and system for interpolating discontinuous functions in a subsurface model
CN106996969A (zh) * 2017-03-03 2017-08-01 北京农业质量标准与检测技术研究中心 一种土壤重金属空间分布预测方法及系统
CN109063903A (zh) * 2018-07-19 2018-12-21 山东建筑大学 一种基于深度强化学习的建筑能耗预测方法及系统
CN111612246A (zh) * 2020-05-18 2020-09-01 武汉轻工大学 农田土壤的重金属含量预测方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张俊杰 等: "重复利用状态值的竞争深度Q网络算法", 《计算机工程与应用》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114065921A (zh) * 2021-11-19 2022-02-18 湖南工商大学 基于深度学习的空间领域的插值方法、装置及相关设备
CN114925152A (zh) * 2022-05-19 2022-08-19 河北大学 基于反距离加权法和克里金法的土壤养分空间插值方法
CN115458071A (zh) * 2022-08-08 2022-12-09 北京信息科技大学 土壤重金属含量预测方法、装置与设备
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
CN116048106A (zh) * 2023-02-08 2023-05-02 海南大学 一种多水下机器人自适应采样的海洋观测控制方法及装置
CN116048106B (zh) * 2023-02-08 2024-04-12 海南大学 一种多水下机器人自适应采样的海洋观测控制方法及装置
CN117787570A (zh) * 2024-02-26 2024-03-29 山东公用环保科技集团有限公司 一种水环境重金属污染综合评价方法及系统
CN117787570B (zh) * 2024-02-26 2024-05-17 山东公用环保科技集团有限公司 一种水环境重金属污染综合评价方法及系统
CN118537441A (zh) * 2024-05-27 2024-08-23 浙江大学 一种基于土壤空间邻域信息的数字土壤制图方法和装置

Also Published As

Publication number Publication date
CN112926256B (zh) 2022-06-14

Similar Documents

Publication Publication Date Title
CN112926256B (zh) 基于深度强化学习的土壤重金属含量预测方法及系统
Yu et al. LSTM-EFG for wind power forecasting based on sequential correlation features
CN114707227B (zh) 一种基于数字孪生的大坝安全预警消警方法及系统
Qolomany et al. Parameters optimization of deep learning models using particle swarm optimization
Jalali et al. New hybrid deep neural architectural search-based ensemble reinforcement learning strategy for wind power forecasting
CN109508360A (zh) 一种基于元胞自动机的地理多元流数据时空自相关分析方法
CN109978283B (zh) 一种基于分支进化神经网络的光伏发电功率预测方法
CN113094860B (zh) 一种基于注意力机制的工控网络流量建模方法
CN112784493A (zh) 基于自适应深度q网络的地理空间预测方法及系统
CN114119273A (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
CN110689183A (zh) 一种集群光伏功率概率预测方法、系统、介质及电子设备
CN112241802A (zh) 一种风电功率的区间预测方法
CN115128978A (zh) 物联网环境大数据检测与智能监控系统
CN118114031B (zh) 基于机器学习的无线电波形预测方法及系统
CN117458480A (zh) 基于改进lof的光伏发电功率短期预测方法及系统
CN117388953B (zh) 一种基于大数据框架的SADBO改进MIM-rwkv的气象预报方法
CN114006411B (zh) 一种基于lstm-cnn联合模型的风电功率预测方法和系统
Pandhiani et al. Time series forecasting by using hybrid models for monthly streamflow data
CN116525135B (zh) 基于气象因素的时空模型对疫情发展态势进行预测的方法
CN112270123A (zh) 一种基于卷积生成对抗网络的流域水库群径流随机生成方法
CN117354172A (zh) 网络流量预测方法及系统
CN116843069A (zh) 一种基于人群活动强度特征的通勤流量估计方法及系统
CN117332227A (zh) 一种多时空尺度注意力机制的环境变量预测方法及设备
CN116663745A (zh) 一种基于pca_ dwt的lstm流域水流量预测方法
Rafik et al. Learning and Predictive Energy Consumption Model based on LSTM recursive neural networks

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