CN113792324B - 基于联邦学习的农产品数据交互方法、装置及电子设备 - Google Patents
基于联邦学习的农产品数据交互方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113792324B CN113792324B CN202111351123.6A CN202111351123A CN113792324B CN 113792324 B CN113792324 B CN 113792324B CN 202111351123 A CN202111351123 A CN 202111351123A CN 113792324 B CN113792324 B CN 113792324B
- Authority
- CN
- China
- Prior art keywords
- agricultural product
- data
- parameter
- growth
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
Abstract
本发明涉及人工智能领域,揭露一种基于联邦学习的农产品数据交互方法、装置及电子设备,所述方法包括:获取多个本地客户端的农产品,提取每个农产品的特征数据,得到多个农产品特征数据;将每个农产品特征数据输入至多个本地参数检测模型检测中,以输出每个农产品特征数据的生长参数,其中,每个参数检测模型与每个农产品特征数据为一一对应关系;将每个生长参数进行加密后传输至中心服务器,以通过中心服务器计算多个生长参数的均值参数;根据均值参数,更新每个本地客户端中农产品的生长参数,以实现多个本地客户端的农产品数据交互。本发明可以提高农产品的数据交互效率,同时又可以保障农产品的数据安全性。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于联邦学习的农产品数据交互方法、装置及电子设备。
背景技术
随着农科技的技术不断发展,农产品的种植技术也得到了大大的提高,伴随着农产品的种植技术的快速发展,在不同地区种植相同品种的农产品技术也有所不同,因此,如何使得不同地区的农产品种植技术得到有效的交互显得也愈发重要。
目前,通常是基于不同地域的农产品种植人员识别其对应的生长特征数据,并将识别的生长特征数据发送至相应需求的用户,以达到农产品的数据交互的效果,这样的方法容易消耗较多的人力时间去识别农产品的生长特征数据,从而影响后续农产品交互的时效性,进而影响农产品的交互效率,同时,在农产品的生长特征数据发送过程中,很容易被一些不法分子盗取利用,缺乏一定的安全保障。
发明内容
为了解决上述技术问题,本发明提供了一种基于联邦学习的农产品数据交互方法、装置、电子设备以及计算机可读存储介质,可以提高农产品的数据交互效率,同时又可以保障农产品的数据安全性。
第一方面,本发明提供了一种基于联邦学习的农产品数据交互方法,包括:
获取多个本地客户端的农产品,并提取每个所述农产品的特征数据,得到多个农产品特征数据;
将每个所述农产品特征数据输入至多个预先训练好的本地参数检测模型检测中,以输出每个所述农产品特征数据的生长参数,其中,每个所述参数检测模型与每个所述农产品特征数据为一一对应关系;
将每个所述生长参数进行加密后传输至中心服务器,以通过所述中心服务器计算所述多个生长参数的均值参数;
根据所述均值参数,更新每个所述本地客户端中农产品的生长参数,以实现所述多个本地客户端的农产品数据交互。
可以看出,本发明实施例首先通过提取每个本地客户端的农产品的特征数据,得到多个农产品特征数据,可以筛选出每个所述农产品中的一些无用数据,减少每个所述农产品的数据处理量,提高后续每个所述农产品的检测速度;其次,本发明实施例将每个所述农产品特征数据输入至多个预先训练好的本地参数检测模型检测中,以输出每个所述农产品特征数据的生长参数,可以智能分析出每个所述农产品特征数据的生长特征,避免过多人为参与识别的动作,提高农产品的生长参数的识别效率,并可以保障后续所述多个本地客户端的农产品数据交互的前提;进一步地,本发明实施例将每个所述生长参数进行加密后传输至中心服务器,以通过所述中心服务器计算所述多个生长参数的均值参数,可以保障所述生长参数在传输过程中的不被泄露,提高所述生长参数的安全性,并结合所述均值参数,更新每个所述本地客户端中农产品的生长参数,以实现所述多个本地客户端的农产品数据交互。因此,本发明实施例提出的一种基于联邦学习的农产品数据交互方法可以提高农产品的数据交互效率,同时又可以保障农产品的数据安全性。
在第一方面的一种可能实现方式中,所述提取每个所述农产品的特征数据,得到多个农产品特征数据,包括:
对每个所述农产品进行数据清洗,得到多个清洗农产品数据;
计算每个所述清洗农产品数据中每个清洗数据的数据权重值;
将所述数据权重值大于预设权重值的清洗数据作为所述清洗农产品数据的特征数据,得到所述多个农产品特征数据。
在第一方面的一种可能实现方式中,所述对每个所述农产品进行数据清洗,得到多个清洗农产品数据,包括:
删除每个所述农产品中的异常数据,得到多个初始农产品数据;
检测每个所述初始农产品数据是否存在数据缺失值;
若所述初始农产品数据不存在数据缺失值,则将所述初始农产品数据作为清洗农产品数据,得到多个清洗农产品数据;
若所述清洗农产品数据存在数据缺失值,则对所述数据缺失值进行数据填充,得到多个清洗农产品数据。
在第一方面的一种可能实现方式中,所述将每个所述农产品特征数据输入至多个预先训练好的本地参数检测模型检测中之前,还包括:
获取训练农产品特征数据及对应的标签,利用预构建本地参数检测模型中的输入门计算所述训练农产品特征数据的状态值;
利用所述预构建本地参数检测模型中的遗忘门计算所述训练农产品特征数据的激活值;
根据所述状态值和激活值,计算所述训练农产品特征数据的状态更新值,利用所述预构建本地参数检测模型中的输出门计算所述状态更新值的状态序列;
利用所述预构建本地参数检测模型中的分类层计算所述状态序列的参数类别概率,得到所述训练农产品特征数据的预测生长参数;
计算所述预测生长参数与所述标签的损失值;
若所述损失值大于预设阈值,调整所述预构建本地参数检测模型的参数,并返回所述利用预构建本地参数检测模型中的输入门计算所述训练农产品特征数据的状态值的步骤;
若所述损失值不大于所述预设阈值,得到所述预先训练好的本地参数检测模型。
在第一方面的一种可能实现方式中,所述利用所述预构建本地参数检测模型中的遗忘门计算所述训练农产品特征数据的激活值,包括:
利用下述公式计算所述训练农产品特征数据的激活值:
在第一方面的一种可能实现方式中,所述将每个所述生长参数进行加密,包括:
利用下述公式将每个所述生长参数进行加密:
在第一方面的一种可能实现方式中,所述通过所述中心服务器计算所述多个生长参数的均值参数,包括:
利用所述中心服务器的解密算法对每个所述生长参数进行解密,得到多个解密参数;
将所述多个解密参数中具有相同类别的参数进行聚类,得到一个或多个聚类中心点;
计算所述聚类中心点中所有参数的均值,得到所述多个生长参数的均值参数。
第二方面,本发明提供了一种基于联邦学习的农产品数据交互装置,所述装置包括:
特征数据提取模块,用于获取多个本地客户端的农产品,并提取每个所述农产品的特征数据,得到多个农产品特征数据;
生长参数检测模块,用于将每个所述农产品特征数据输入至多个预先训练好的本地参数检测模型检测中,以输出每个所述农产品特征数据的生长参数,其中,每个所述参数检测模型与每个所述农产品特征数据为一一对应关系;
均值参数获取模块,用于将每个所述生长参数进行加密后传输至中心服务器,以通过所述中心服务器计算所述多个生长参数的均值参数;
生长参数更新模块,用于根据所述均值参数,更新每个所述本地客户端中农产品的生长参数,以实现所述多个本地客户端的农产品数据交互。
第三方面,本发明提供一种电子设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的基于联邦学习的农产品数据交互方法。
可以理解的是,上述第二方面至第三方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于联邦学习的农产品数据交互方法的系统结构的示意图;
图2为本发明一实施例提供的一种基于联邦学习的农产品数据交互方法的详细流程示意图;
图3为为本发明一实施例中图2提供的一种基于联邦学习的农产品数据交互方法的其中一个步骤流程示意图;
图4为本发明一实施例提供的一种基于联邦学习的农产品数据交互装置的模块示意图;
图5为本发明一实施例提供的实现基于联邦学习的农产品数据交互方法的电子设备的内部结构示意图。
图中:1、中心服务器;2、本地客户端;50、处理器;51、存储器;52、通信总线;53、通信接口;400、基于联邦学习的农产品数据交互装置;401、特征数据提取模块;402、生长参数检测模块;403、均值参数获取模块;404、生长参数更新模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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做出创造性劳动的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。
参阅图1所示,是本发明一实施例提供的基于联邦学习的农产品数据交互方法的系统结构的示意图,该系统结构包括中心服务器1、多个本地客户端2。
本发明实施例中,所述中心服务器1是指在网络中为其它客户机(如PC机、智能手机、ATM等终端)提供计算或者应用服务的计算机,在本发明实施例中,所述中心服务器1可以理解为对所述多个本地客户端2传输的数据进行管理和计算的计算机,所述本地客户端2或称为用户端,是指与服务器相对应,为客户提供本地服务的程序,在本发明实施例中,所述本地客户端2可以理解为管理和计算本地农产品的数据的程序。
进一步地,本发明实施例中,所述多个本地客户端2通过检测其本地农产品的生长参数后传输至所述中心服务器1,以通过所述中心服务器1计算所述生长参数的均值参数后更新每个所述本地客户端2检测的生长参数,以实现所述多个本地客户端2的本地农产品数据交互。应该了解的是,由于每个所述本地客户端2将其检测的本地农产品的生长参数上传到所述中心服务器1中进行共享,因此,在本发明实施例中,每个所述本地客户端2中检测的本地农产品的品种是相同的,而每个所述本地客户端的部署位置是不同的。
参阅图2所示,是本发明一实施例提供的基于联邦学习的农产品数据交互方法的流程示意图。其中,图2中描述的基于联邦学习的农产品数据交互方法包括:
S1、获取多个本地客户端的农产品,并提取每个所述农产品的特征数据,得到多个农产品特征数据。
如上所述,所述本地客户端是指用于管理和计算本地的农产品程序,所述农产品是指可以为蔬菜、水果等产品,详细地,如青菜、苹果以及哈密瓜等。应该了解的是,相同品种的农产品在不同地域的生长属性有所不同,所述生长属性可以理解为农产品在生长过程中的产品特性,如生长环境、颜色、口味等,例如,在西北地域生长的哈密瓜和东南地域生长的哈密瓜,其生长的环境和生长的形状会有所不同,因此,本发明实施例通过获取多个本地客户端的农产品,以提取出每个所述客户端的农产品生长特征,实现不同地域的农产品数据交互,提高农产品的种植效率。
需要说明的是,本发明实施例中,所述多个本地客户端的农产品是指具有相同品种的产品,以保障后续多个本地客户端的农产品数据交互的前提,如存在西南、西北以及东南三个区域的本地客户端,则或许该三个区域的农产品是具有相同品种的产品,如该三个区域的农产品都可以为苹果。
进一步地,本发明实施例通过提取每个所述农产品的特征数据,以筛选出每个所述农产品中的一些无用数据,减少每个所述农产品的数据处理量,提高后续每个所述农产品的检测速度。
作为本发明的一个实施例,参阅图3所示。所述提取每个所述农产品的特征数据,得到多个农产品特征数据,包括:
S301、对每个所述农产品进行数据清洗,得到多个清洗农产品数据;
S302、计算每个所述清洗农产品数据中每个清洗数据的数据权重值;
S303、将所述数据权重值大于预设权重值的清洗数据作为所述清洗农产品数据的特征数据,得到所述多个农产品特征数据。
进一步地,本发明一可选实施例中,所述对每个所述农产品进行数据清洗,得到多个清洗农产品数据,包括:删除每个所述农产品中的异常数据,得到多个初始农产品数据,检测每个所述初始农产品数据是否存在数据缺失值;若所述初始农产品数据不存在数据缺失值,则将所述初始农产品数据作为清洗农产品数据,得到多个清洗农产品数据;若所述清洗农产品数据存在数据缺失值,则对所述数据缺失值进行数据填充,得到多个清洗农产品数据。
进一步地,本发明又一个可选实施例中,所述异常数据的删除通过正态分布算法实现,所述数据缺失值的检测可以通过当前已知的数据缺失值检测工具中的检测函数实现,如Amelia package工具中的missmap function检测函数实现。
进一步地,本发明一可选实施例中,利用下述公式计算每个所述清洗农产品数据中每个清洗数据的数据权重值:
其中,表示清洗数据的数据权重值,表示清洗农产品数据中第i个清洗数据,表示清洗农产品数据中第i个清洗数据的特征向量协方差,trace()表示空间滤波函数,
所述预设权重值设置为0.88,也可以根据实际业务场景设置。
S2、将每个所述农产品特征数据输入至多个预先训练好的本地参数检测模型检测中,以输出每个所述农产品特征数据的生长参数,其中,每个所述参数检测模型与每个所述农产品特征数据为一一对应关系。
由上述S1可知,每个所述农产品特征数据是基于其对应的本地客户端进行提取得到,因此,本发明实施例将每个所述农产品特征数据输入至多个预先训练好的本地参数检测模型检测中,以输出每个所述农产品特征数据的生长参数,可以智能分析出每个所述农产品特征数据的生长特征,避免过多人为参与识别的动作,提高农产品的生长参数的识别效率,并可以保障后续所述多个本地客户端的农产品数据交互的前提。其中,需要说明的是,所述多个预先训练好的本地参数检测模型是通过加载至所述多个本地客户端进行生成,因此,每个所述本地参数检测模型与每个所述农产品特征数据为一一对应关系,例如本地参数检测模型A对应农产品特征数据a,本地参数检测模型B对应农产品特征数据b。
进一步地,本发明实施例中,所述预先训练好的本地参数检测模型检测可以通过长短期记忆网络(LSTM,Long Short-Term Memory)构建,所述LSTM网络用于解决循环神经网络长期依赖的问题,在本发明中,所述LSTM网络用于检测农产品特征数据的生长参数,需要说明的是,本发明实施例中,所述预先训练好的本地参数检测模型检测是通过预先收集大量的训练数据及对应的标签进行训练得到,所述训练数据可以通过采集农产品对应的历史特征数据获取,所述标签用于表征所述训练数据的真实生长参数,如湿度、浓度、氧气等生长参数。
进一步地,本发明实施例中,所述预先训练好的本地参数检测模型包括输入门、遗忘门、输出门及分类层,所述输入门用于接收和存储输入的农产品特征数据,所述遗忘门用于记录和更新农产品特征数据,所述输出门用于计算农产品特征数据的状态信息,所述分类层用于计算农产品特征数据中每个数据的参数类别概率,以输出所述农产品特征数据的生长参数。
进一步地,本发明实施例在所述将每个所述农产品特征数据输入至多个预先训练好的本地参数检测模型检测中之前,还包括:获取训练农产品特征数据及对应的标签,利用预构建本地参数检测模型中的输入门计算所述训练农产品特征数据的状态值;利用所述预构建本地参数检测模型中的遗忘门计算所述训练农产品特征数据的激活值;根据所述状态值和激活值,计算所述训练农产品特征数据的状态更新值,利用所述预构建本地参数检测模型中的输出门计算所述状态更新值的状态序列;利用所述预构建本地参数检测模型中的分类层计算所述状态序列的参数类别概率,得到所述训练农产品特征数据的预测生长参数;计算所述预测生长参数与所述标签的损失值;若所述损失值大于预设阈值,调整所述预构建本地参数检测模型的参数,并返回所述利用预构建本地参数检测模型中的输入门计算所述训练农产品特征数据的状态值的步骤,若所述损失值不大于所述预设阈值,得到所述预先训练好的本地参数检测模型。
一个可选实施例中,利用下述公式计算所述训练农产品特征数据的状态值:
一个可选实施例中,利用下述公式计算所述训练农产品特征数据的激活值:
一个可选实施例中,利用下述公式计算所述训练农产品特征数据的状态更新值:
一个可选实施例中,利用下述公式计算所述状态更新值的状态序列:
一个可选实施例中,所述状态序列的参数类别概率的计算可以通过所述分类层中的激活函数实现,如softmax函数。
一个可选实施例中,利用下述公式计算计算所述预测生长参数与所述标签的损失值:
其中,LC表示损失值,表示预测生长参数,表示标签。可选的,所述预设阈值为0.1,也可以根据实际业务场景设置。
S3、将每个所述生长参数进行加密后传输至中心服务器,以通过所述中心服务器计算所述多个生长参数的均值参数。
本发明实施例中通过将每个所述生长参数进行加密后传输至中心服务器,以实现所述生长参数的共享,从而可以更新对应本地客户端中农产品的生长参数,其中,所述生长参数的加密是用于保障所述生长参数在传输过程中的不被泄露,提高所述生长参数的安全性。
本发明的一个可选实施例中,利用下述公式将每个所述生长参数进行加密:
进一步地,本发明实施例通过所述中心服务器计算所述多个生长参数的均值参数,以作为后续每个所述本地客户端中农产品的生长参数更新标准,从而实现在保障每个所述本地客户端中农产品的生长参数不被泄露的情况下又能实现生长参数共享的效果。
作为本发明的一个实施例,所述通过所述中心服务器计算所述多个生长参数的均值参数,包括:利用所述中心服务器的解密算法对每个所述生长参数进行解密,得到多个解密参数,将所述多个解密参数中具有相同类别的参数进行聚类,得到一个或多个聚类中心点,计算所述聚类中心点中所有参数的均值,得到所述多个生长参数的均值参数。
其中,所述解密算法与上述加密算法相对应,所述相同类别的参数的聚类可以通过聚类算法实现,如k-means算法。
S4、根据所述均值参数,更新每个所述本地客户端中农产品的生长参数,以实现所述多个本地客户端的农产品数据交互。
本发明实施例中,所述根据所述均值参数,更新每个所述本地客户端中农产品的生长参数,即将所述均值参数作为每个所述本地客户端中农产品的生长参数的标准参数,可以实现所述多个本地客户端的农产品数据交互,并同时所述均值参数,可以用于作为后续每个所述本地客户端中农产品在种植过程中的参考范围,进而提高每个所述本地客户端中农产品的种植效率。
可以看出,本发明实施例首先通过提取每个本地客户端的农产品的特征数据,得到多个农产品特征数据,可以筛选出每个所述农产品中的一些无用数据,减少每个所述农产品的数据处理量,提高后续每个所述农产品的检测速度;其次,本发明实施例将每个所述农产品特征数据输入至多个预先训练好的本地参数检测模型检测中,以输出每个所述农产品特征数据的生长参数,可以智能分析出每个所述农产品特征数据的生长特征,避免过多人为参与识别的动作,提高农产品的生长参数的识别效率,并可以保障后续所述多个本地客户端的农产品数据交互的前提;进一步地,本发明实施例将每个所述生长参数进行加密后传输至中心服务器,以通过所述中心服务器计算所述多个生长参数的均值参数,可以保障所述生长参数在传输过程中的不被泄露,提高所述生长参数的安全性,并结合所述均值参数,更新每个所述本地客户端中农产品的生长参数,以实现所述多个本地客户端的农产品数据交互。因此,本发明实施例提出的一种基于联邦学习的农产品数据交互方法可以提高农产品的数据交互效率,同时又可以保障农产品的数据安全性。
如图4所示,是本发明基于联邦学习的农产品数据交互装置的功能模块图。
本发明所述基于联邦学习的农产品数据交互装置400可以安装于电子设备中。根据实现的功能,所述基于联邦学习的农产品数据交互装置可以包括特征数据提取模块401、生长参数检测模块402、均值参数获取模块403、以及生长参数更新模块404。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述特征数据提取模块401,用于获取多个本地客户端的农产品,并提取每个所述农产品的特征数据,得到多个农产品特征数据;
所述生长参数检测模块402,用于将每个所述农产品特征数据输入至多个预先训练好的本地参数检测模型检测中,以输出每个所述农产品特征数据的生长参数,其中,每个所述参数检测模型与每个所述农产品特征数据为一一对应关系;
所述均值参数获取模块403,用于将每个所述生长参数进行加密后传输至中心服务器,以通过所述中心服务器计算所述多个生长参数的均值参数;
所述生长参数更新模块404,用于根据所述均值参数,更新每个所述本地客户端中农产品的生长参数,以实现所述多个本地客户端的农产品数据交互。
详细地,本发明实施例中所述基于联邦学习的农产品数据交互装置400中的所述各模块在使用时采用与上述的图2和图3中所述的基于联邦学习的农产品数据交互方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明实现基于联邦学习的农产品数据交互方法的电子设备的结构示意图。
所述电子设备可以包括处理器50、存储器51、通信总线52以及通信接口53,还可以包括存储在所述存储器51中并可在所述处理器50上运行的计算机程序,如基于联邦学习的农产品数据交互程序。
其中,所述处理器50在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器50是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器51内的程序或者模块(例如执行基于联邦学习的农产品数据交互程序等),以及调用存储在所述存储器51内的数据,以执行电子设备的各种功能和处理数据。
所述存储器51在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器51在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(Secure Digital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器51不仅可以用于存储安装于电子设备的应用软件及各类数据,例如基于联邦学习的农产品数据交互程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线52可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器51以及至少一个处理器50等之间的连接通信。
所述通信接口53用于上述电子设备与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,所述用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器50逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器51存储的基于联邦学习的农产品数据交互程序是多个计算机程序的组合,在所述处理器50中运行时,可以实现:
随着农科技的技术不断发展,农产品的种植技术也得到了大大的提高,伴随着农产品的种植技术的快速发展,在不同地区种植相同品种的农产品技术也有所不同,因此,如何使得不同地区的农产品种植技术得到有效的交互显得也愈发重要。
目前,通常是基于不同地域的农产品种植人员识别其对应的生长特征数据,并将识别的生长特征数据发送至相应需求的用户,以达到农产品的数据交互的效果,这样的方法容易消耗较多的人力时间去识别农产品的生长特征数据,从而影响后续农产品交互的时效性,进而影响农产品的交互效率,同时,在农产品的生长特征数据发送过程中,很容易被一些不法分子盗取利用,缺乏一定的安全保障。
具体地,所述处理器50对上述计算机程序的具体实现方法可参考图2对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/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,可以存储在一个非易失性计算机可读取存储介质中。所述计算机可读存储介质可以是易失性的,也可以是非易失性的。例如,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)。
随着农科技的技术不断发展,农产品的种植技术也得到了大大的提高,伴随着农产品的种植技术的快速发展,在不同地区种植相同品种的农产品技术也有所不同,因此,如何使得不同地区的农产品种植技术得到有效的交互显得也愈发重要。
目前,通常是基于不同地域的农产品种植人员识别其对应的生长特征数据,并将识别的生长特征数据发送至相应需求的用户,以达到农产品的数据交互的效果,这样的方法容易消耗较多的人力时间去识别农产品的生长特征数据,从而影响后续农产品交互的时效性,进而影响农产品的交互效率,同时,在农产品的生长特征数据发送过程中,很容易被一些不法分子盗取利用,缺乏一定的安全保障。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于联邦学习的农产品数据交互方法,其特征在于,所述方法包括:获取多个本地客户端的农产品,并提取每个所述农产品的特征数据,得到多个农产品特征数据;将每个所述农产品特征数据输入至每个预先训练好的本地参数检测模型中检测,以输出每个所述农产品特征数据的生长参数,其中,每个所述参数检测模型与每个所述农产品特征数据为一一对应关系;将每个所述生长参数进行加密后传输至中心服务器,以通过所述中心服务器计算所述多个生长参数的均值参数,所述中心服务器是指在网络中为其它客户机提供计算或者应用服务的计算机;根据所述均值参数,更新每个所述本地客户端中农产品的生长参数,以实现所述多个本地客户端的农产品数据交互;
所述通过所述中心服务器计算所述多个生长参数的均值参数,包括:利用所述中心服务器的解密算法对每个所述生长参数进行解密,得到多个解密参数;将所述多个解密参数中具有相同类别的参数进行聚类,得到一个或多个聚类中心点;计算所述聚类中心点中所有参数的均值,得到所述多个生长参数的均值参数。
2.如权利要求1所述的基于联邦学习的农产品数据交互方法,其特征在于,所述提取每个所述农产品的特征数据,得到多个农产品特征数据,包括:对每个所述农产品进行数据清洗,得到多个清洗农产品数据;计算每个所述清洗农产品数据中每个清洗数据的数据权重值;将所述数据权重值大于预设权重值的清洗数据作为所述清洗农产品数据的特征数据,得到所述多个农产品特征数据。
3.如权利要求2所述的基于联邦学习的农产品数据交互方法,其特征在于,所述对每个所述农产品进行数据清洗,得到多个清洗农产品数据,包括:删除每个所述农产品中的异常数据,得到多个初始农产品数据;检测每个所述初始农产品数据是否存在数据缺失值;若所述初始农产品数据不存在数据缺失值,则将所述初始农产品数据作为清洗农产品数据,得到多个清洗农产品数据;若所述清洗农产品数据存在数据缺失值,则对所述数据缺失值进行数据填充,得到多个清洗农产品数据。
4.如权利要求1所述的基于联邦学习的农产品数据交互方法,其特征在于,所述将每个所述农产品特征数据输入至每个预先训练好的本地参数检测模型检测之前,还包括:获取训练农产品特征数据及对应的标签,利用预构建本地参数检测模型中的输入门计算所述训练农产品特征数据的状态值;利用所述预构建本地参数检测模型中的遗忘门计算所述训练农产品特征数据的激活值;根据所述状态值和激活值,计算所述训练农产品特征数据的状态更新值,利用所述预构建本地参数检测模型中的输出门计算所述状态更新值的状态序列;利用所述预构建本地参数检测模型中的分类层计算所述状态序列的参数类别概率,得到所述训练农产品特征数据的预测生长参数;计算所述预测生长参数与所述标签的损失值;若所述损失值大于预设阈值,调整所述预构建本地参数检测模型的参数,并返回所述利用预构建本地参数检测模型中的输入门计算所述训练农产品特征数据的状态值的步骤;若所述损失值不大于所述预设阈值,得到所述预先训练好的本地参数检测模型。
7.一种基于联邦学习的农产品数据交互装置,其特征在于,所述装置包括:特征数据提取模块,用于获取多个本地客户端的农产品,并提取每个所述农产品的特征数据,得到多个农产品特征数据;生长参数检测模块,用于将每个所述农产品特征数据输入至每个预先训练好的本地参数检测模型检测,以输出每个所述农产品特征数据的生长参数,其中,每个所述参数检测模型与每个所述农产品特征数据为一一对应关系;均值参数获取模块,用于将每个所述生长参数进行加密后传输至中心服务器,以通过所述中心服务器计算所述多个生长参数的均值参数,所述中心服务器是指在网络中为其它客户机提供计算或者应用服务的计算机;生长参数更新模块,用于根据所述均值参数,更新每个所述本地客户端中农产品的生长参数,以实现所述多个本地客户端的农产品数据交互;
其中,所述通过所述中心服务器计算所述多个生长参数的均值参数,包括:利用所述中心服务器的解密算法对每个所述生长参数进行解密,得到多个解密参数;将所述多个解密参数中具有相同类别的参数进行聚类,得到一个或多个聚类中心点;计算所述聚类中心点中所有参数的均值,得到所述多个生长参数的均值参数。
8.一种电子设备,其特征在于,所述电子设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至6中任意一项所述的基于联邦学习的农产品数据交互方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111351123.6A CN113792324B (zh) | 2021-11-16 | 2021-11-16 | 基于联邦学习的农产品数据交互方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111351123.6A CN113792324B (zh) | 2021-11-16 | 2021-11-16 | 基于联邦学习的农产品数据交互方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792324A CN113792324A (zh) | 2021-12-14 |
CN113792324B true CN113792324B (zh) | 2022-04-05 |
Family
ID=78955369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111351123.6A Active CN113792324B (zh) | 2021-11-16 | 2021-11-16 | 基于联邦学习的农产品数据交互方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792324B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115796711A (zh) * | 2023-02-06 | 2023-03-14 | 佰聆数据股份有限公司 | 配电线路降损的辅助决策方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795477A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 数据的训练方法及装置、系统 |
CN111259435A (zh) * | 2020-01-09 | 2020-06-09 | 平安科技(深圳)有限公司 | 合同的加密和解密方法、装置及计算机可读存储介质 |
CN112734032A (zh) * | 2020-12-31 | 2021-04-30 | 杭州电子科技大学 | 一种用于横向联邦学习的优化方法 |
CN113139743A (zh) * | 2021-05-12 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 污水排放指标分析方法、装置、电子设备及存储介质 |
CN113361618A (zh) * | 2021-06-17 | 2021-09-07 | 武汉卓尔信息科技有限公司 | 一种基于联邦学习的工业数据联合建模方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11455573B2 (en) * | 2019-09-30 | 2022-09-27 | International Business Machines Corporation | Data protection distributed learning |
CN111935168A (zh) * | 2020-08-19 | 2020-11-13 | 四川大学 | 面向工业信息物理系统的入侵检测模型建立方法 |
CN112668394B (zh) * | 2020-11-30 | 2023-10-31 | 山东大学 | 一种农业大棚生产的在线预测方法及系统 |
CN113435604B (zh) * | 2021-06-16 | 2024-05-07 | 清华大学 | 一种联邦学习优化方法及装置 |
CN113435649B (zh) * | 2021-06-29 | 2022-09-16 | 布瑞克农业大数据科技集团有限公司 | 一种全域农业数据整理方法、系统、装置及介质 |
CN113469746A (zh) * | 2021-07-09 | 2021-10-01 | 布瑞克农业大数据科技集团有限公司 | 一种农产品预测方法和系统 |
CN113392539B (zh) * | 2021-07-13 | 2022-06-21 | 北京邮电大学 | 基于联邦强化学习的机器人通信控制方法、系统及设备 |
-
2021
- 2021-11-16 CN CN202111351123.6A patent/CN113792324B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110795477A (zh) * | 2019-09-20 | 2020-02-14 | 平安科技(深圳)有限公司 | 数据的训练方法及装置、系统 |
CN111259435A (zh) * | 2020-01-09 | 2020-06-09 | 平安科技(深圳)有限公司 | 合同的加密和解密方法、装置及计算机可读存储介质 |
CN112734032A (zh) * | 2020-12-31 | 2021-04-30 | 杭州电子科技大学 | 一种用于横向联邦学习的优化方法 |
CN113139743A (zh) * | 2021-05-12 | 2021-07-20 | 平安国际智慧城市科技股份有限公司 | 污水排放指标分析方法、装置、电子设备及存储介质 |
CN113361618A (zh) * | 2021-06-17 | 2021-09-07 | 武汉卓尔信息科技有限公司 | 一种基于联邦学习的工业数据联合建模方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113792324A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107678845A (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
CN111475804A (zh) | 一种告警预测方法及系统 | |
CN104495545B (zh) | 基于动态二维码的电梯维保电子监管系统及方法 | |
CN106611291A (zh) | 信息推送方法和装置 | |
WO2017107422A1 (zh) | 一种用户性别识别方法及装置 | |
EP3231199B1 (en) | Notifications on mobile devices | |
CN114625976B (zh) | 一种基于联邦学习的数据推荐方法、装置、设备及介质 | |
WO2019062405A1 (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN113626606B (zh) | 信息分类方法、装置、电子设备及可读存储介质 | |
CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
CN113792324B (zh) | 基于联邦学习的农产品数据交互方法、装置及电子设备 | |
CN108595448A (zh) | 信息推送方法和装置 | |
CN113688923A (zh) | 订单异常智能检测方法、装置、电子设备及存储介质 | |
CN113298159A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN116311539A (zh) | 基于毫米波的睡眠动作捕捉方法、装置、设备及存储介质 | |
CN115423535A (zh) | 基于市场先验大数据的产品采购方法、装置、设备及介质 | |
CN111931707A (zh) | 基于对抗补丁的人脸图像预测方法、装置、设备和介质 | |
CN115545103A (zh) | 异常数据识别、标签识别方法和异常数据识别装置 | |
CN113435335B (zh) | 微观表情识别方法、装置、电子设备及存储介质 | |
CN111538852A (zh) | 多媒体资源处理方法、装置、存储介质及设备 | |
CN115048174A (zh) | 基于用户的个性化菜单生成方法、装置、设备及存储介质 | |
WO2019062404A1 (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN106951244B (zh) | 智能分享方法、系统与装置 | |
CN107665307A (zh) | 一种应用识别方法、装置、电子设备以及存储介质 | |
CN116719891A (zh) | 中医信息分组聚类方法、装置、设备及计算机存储介质 |
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 |