CN116433050A - 应用于农业大数据管理系统的异常报警方法及系统 - Google Patents
应用于农业大数据管理系统的异常报警方法及系统 Download PDFInfo
- Publication number
- CN116433050A CN116433050A CN202310459115.6A CN202310459115A CN116433050A CN 116433050 A CN116433050 A CN 116433050A CN 202310459115 A CN202310459115 A CN 202310459115A CN 116433050 A CN116433050 A CN 116433050A
- Authority
- CN
- China
- Prior art keywords
- production data
- agricultural
- learned
- target
- production
- 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
- 238000013523 data management Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000005856 abnormality Effects 0.000 title claims abstract description 33
- 238000004519 manufacturing process Methods 0.000 claims abstract description 474
- 238000012271 agricultural production Methods 0.000 claims abstract description 146
- 238000013528 artificial neural network Methods 0.000 claims abstract description 85
- 230000002159 abnormal effect Effects 0.000 claims abstract description 66
- 239000012634 fragment Substances 0.000 claims abstract description 28
- 238000003860 storage Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
本申请实施例提供一种应用于农业大数据管理系统的异常报警方法及系统,通过获取对第一待学习农业设备生产数据进行拆分生成的目标生产数据片段分别对应的第一估计置信度,获取目标生产数据片段分别对应的第二估计置信度,基于第一估计置信度以及第二估计置信度得到估计置信度浮动信息,基于估计置信度浮动信息从目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段,基于标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络,使得目标农业生产异常估计网络的农业生产异常估计精度高,因此提高了后续异常报警的可靠性。
Description
技术领域
本申请涉及农业大数据服务技术领域,具体而言,涉及一种应用于农业大数据管理系统的异常报警方法及系统。
背景技术
农业大数据由结构化数据和非结构化构成,随着农业的发展建设和物联网的应用,非结构化数据呈现出快速增长的势头,其数量将大大超过结构化数据。对于农业大数据管理系统而言,其中通常涵盖有农业设备生产数据,如何对广泛的农业设备生产数据进行生产异常状态分析,以便于向相关农业服务端人员进行异常报警,是亟待解决的技术问题。
发明内容
有鉴于此,本申请的目的在于提供一种应用于农业大数据管理系统的异常报警方法及系统。
依据本申请的第一方面,提供一种应用于农业大数据管理系统的异常报警方法,应用于云服务器,所述方法包括:
获取对第一待学习农业设备生产数据进行拆分生成的目标生产数据片段序列,所述目标生产数据片段序列包括多个目标生产数据片段;
获取所述目标生产数据片段分别对应的第一估计置信度,所述第一估计置信度是将所述目标生产数据片段分别加载至第一农业生产异常估计网络,生成的所述目标生产数据片段包括异常状态节点的估计置信度,所述第一农业生产异常估计网络是依据所述第一待学习农业设备生产数据进行特征学习获得的;
获取所述目标生产数据片段分别对应的第二估计置信度,所述第二估计置信度是将所述目标生产数据片段分别加载至第二农业生产异常估计网络,生成的所述目标生产数据片段包括异常状态节点的估计置信度,所述第二农业生产异常估计网络是基于所述第二待学习农业设备生产数据对所述第一农业生产异常估计网络进行特征学习获得的;
基于所述第一估计置信度以及所述第二估计置信度得到估计置信度浮动信息,基于所述估计置信度浮动信息从所述目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段;
基于所述标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络,所述目标农业生产异常估计网络用于对农业大数据管理系统所指定的目标生产数据进行农业生产异常估计并报警。
在第一方面的一种可能的实施方式中,所述获取对第一待学习农业设备生产数据进行拆分生成的目标生产数据片段序列之前,还包括:
获取待学习农业设备生产数据序列,基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据,所述待学习农业设备生产数据序列包括多个待学习农业设备生产数据;
所述基于所述标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络包括:
基于所述标的生产数据片段对所述第二农业生产异常估计网络进行神经网络特征学习,生成第一待学习农业设备生产数据对应的神经网络特征学习后的第一农业生产异常估计网络;
返回所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据的步骤,直至神经网络特征学习后的第一农业生产异常估计网络收敛,生成目标农业生产异常估计网络;
所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据包括:
将所述待学习农业设备生产数据序列划分为多个待学习数据簇;
以待学习数据簇为网络训练单位,从所述待学习农业设备生产数据序列中依次获取当前待学习数据簇,当前待学习数据簇的待学习农业设备生产数据为第一待学习农业设备生产数据,非当前待学习数据簇的待学习农业设备生产数据为第二待学习农业设备生产数据;
所述返回所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据的步骤包括:
返回所述以待学习数据簇为网络训练单位,从所述待学习农业设备生产数据序列中依次获取当前待学习数据簇,当前待学习数据簇的待学习农业设备生产数据为第一待学习农业设备生产数据,非当前待学习数据簇的待学习农业设备生产数据为第二待学习农业设备生产数据的步骤;
所述获取所述目标生产数据片段分别对应的第一估计置信度包括:
将前一个批次神经网络特征学习时,基于同一待学习数据簇进行特征学习获得的神经网络作为优化的第一农业生产异常估计网络,基于优化的第一农业生产异常估计网络获取所述目标生产数据片段分别对应的第一估计置信度;
所述获取所述目标生产数据片段分别对应的第二估计置信度包括:
将当前批次神经网络特征学习时,基于当前待学习数据簇的前向待学习数据簇进行特征学习获得的神经网络作为优化的第二农业生产异常估计网络,基于优化的第二农业生产异常估计网络获取所述目标生产数据片段分别对应的第二估计置信度。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取目标节点预测模型;
将所述待学习农业设备生产数据序列中的各个待学习农业设备生产数据对应的目标生产数据片段分别加载至所述目标节点预测模型中,生成各个待学习农业设备生产数据的目标生产数据片段为异常状态节点所在的数据位置的第三估计置信度;
依据所述第三估计置信度从所述目标生产数据片段序列中提取包括异常状态节点的第一候选生产数据片段;
依据所述第一候选生产数据片段进行神经网络特征学习,生成第一轮特征学习获得的农业生产异常估计网络。
在第一方面的一种可能的实施方式中,所述基于所述估计置信度浮动信息从所述目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段包括:
从所述目标生产数据片段序列中提取所述估计置信度浮动信息满足设定浮动特征的目标生产数据片段,作为包括异常状态节点的标的生产数据片段,所述设定浮动特征包括估计置信度排序前N位或者所述估计置信度浮动信息大于设定浮动值中的至少一个,所述估计置信度浮动信息排序基于降序顺序排列;
所述基于所述第一估计置信度以及所述第二估计置信度得到估计置信度浮动信息包括:
将所述第二估计置信度减去或者除以所述第一估计置信度,生成估计置信度浮动信息。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取所述标的生产数据片段与所述目标生产数据片段的交叉值;
获取所述交叉值大于第一门限交叉值的目标生产数据片段,作为第三生产数据片段;
所述基于所述标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络包括:
将所述第三生产数据片段以及所述标的生产数据片段作为正向学习生产数据片段,基于所述正向学习生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取所述标的生产数据片段与所述目标生产数据片段的交叉值;
获取所述交叉值小于第二门限交叉值的目标生产数据片段,作为第二候选生产数据片段,所述第二门限交叉值小于等于所述第一门限交叉值;
所述基于所述标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络包括:
将所述第二候选生产数据片段作为负向学习生产数据片段,将所述标的生产数据片段组作为正向学习生产数据片段; 基于所述正向学习生产数据片段以及所述负向学习生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络。
在第一方面的一种可能的实施方式中,所述方法还包括:
获取农业大数据管理系统所指定的目标生产数据,将所述农业大数据管理系统所指定的目标生产数据拆分成多个第一生产数据片段;
将各个所述第一生产数据片段分别加载至所述目标农业生产异常估计网络中,生成各个所述第一生产数据片段中包括异常状态节点的目标估计置信度;
依据所述目标估计置信度从所述第一生产数据片段中确定包括异常状态节点的生产数据片段,生成异常状态节点在所述农业大数据管理系统所指定的目标生产数据中的数据位置。
依据本申请的第二方面,提供一种云服务器,所述农业大数据管理系统包括包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该云服务器实现前述的应用于农业大数据管理系统的异常报警方法。
依据本申请的第三方面,提供提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,当所述计算机可执行指令被执行时,实现前述的应用于农业大数据管理系统的异常报警方法。
依据上述任一方面,本申请中,第一农业生产异常估计网络是依据第一待学习农业设备生产数据进行特征学习获得的,对第一待学习农业设备生产数据的分析性能强,而依据第二待学习农业设备生产数据继续网络特征学习生成的第二农业生产异常估计网络增强网络泛化性能即增强了网络对待学习数据的适应性。因此目标生产数据片段前后估计置信度的变化,能体现生产数据片段是否包括异常状态节点,故依据估计置信度浮动信息得到包括异常状态节点的片段的精度高,因此能够从第一待学习农业设备生产数据中找到包括异常状态节点的生产数据片段作为待学习数据进行神经网络特征学习,网络特征学习生成的目标农业生产异常估计网络的农业生产异常估计精度高,因此提高了后续异常报警的可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的应用于农业大数据管理系统的异常报警方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的应用于农业大数据管理系统的异常报警方法的云服务器的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将依据本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请VR跑步行为的指引下,可以向流程图添加一个或多个其它操作,也可以从流程图中销毁一个或多个操作。
图1示出了本申请实施例提供的应用于农业大数据管理系统的异常报警方法的流程示意图,应当理解,在其它实施例中,本实施例的应用于农业大数据管理系统的异常报警方法其中部分步骤的顺序可以依据实际需要相互共享,或者其中的部分步骤也可以省略或维持。该应用于农业大数据管理系统的异常报警方法的详细包括:
步骤S102,获取对第一待学习农业设备生产数据进行拆分生成的目标生产数据片段序列,目标生产数据片段序列包括多个目标生产数据片段。
一种可替代的实施方式中,待学习农业设备生产数据是用于神经网络特征学习的农业设备生产数据。待学习农业设备生产数据中含有异常状态节点,异常状态节点是指存在异常状态的生产节。目标生产数据片段是对待学习农业设备生产数据进行拆分生成的生产数据片段,目标生产数据片段序列中的具体数量可以基于需要进行设计。目标生产数据片段是小于第一待学习农业设备生产数据的数据量的,目标生产数据片段序列中的目标生产数据片段可以存在交叉的部分,也可以不存在交叉的部分。
神经网络特征学习的目的为可以通过最终得到的目标农业生产异常估计网络准确分析农业设备生产数据中异常状态节点的数据位置。
步骤S104,获取目标生产数据片段分别对应的第一估计置信度,第一估计置信度是将目标生产数据片段分别加载至第一农业生产异常估计网络,生成的目标生产数据片段包括异常状态节点的估计置信度,第一农业生产异常估计网络是依据第一待学习农业设备生产数据进行特征学习获得的。
一种可替代的实施方式中,估计置信度表示目标生产数据片段为异常状态节点所在的生产数据片段的可能性,即目标生产数据片段包括异常状态节点的可能性。估计置信度可以用概率来表示。一个生产数据片段对应的估计置信度越大,则表明该生产数据片段为异常状态节点所在的生产数据片段的可能性越大。农业生产异常估计网络是用来计算目标生产数据片段为异常状态节点所在的生产数据片段的估计置信度的神经网络,可以输出农业设备生产数据中异常状态节点所在的数据位置。第一农业生产异常估计网络是依据第一待学习农业设备生产数据进行特征学习获得的,第一待学习农业设备生产数据可以包括若干个。例如假设第一待学习农业设备生产数据为a,则第一农业生产异常估计网络是依据a进行特征学习获得的。在依据第一待学习农业设备生产数据进行神经网络特征学习时,可以是将整个待学习农业设备生产数据作为含有异常状态节点的农业设备生产数据,也可以是将待学习农业设备生产数据进行拆分,拆分成多个目标生产数据片段,从中选取为异常状态节点所在的生产数据片段可能性大的片段,例如估计置信度大于预设估计置信度的片段进行神经网络特征学习,生成第一农业生产异常估计网络。
步骤S106,获取目标生产数据片段分别对应的第二估计置信度,第二估计置信度是将目标生产数据片段分别加载至第二农业生产异常估计网络,生成的目标生产数据片段包括异常状态节点的估计置信度,第二农业生产异常估计网络是基于第二待学习农业设备生产数据对第一农业生产异常估计网络进行特征学习获得的。
一种可替代的实施方式中,第一待学习农业设备生产数据和第二待学习农业设备生产数据是不同的待学习农业设备生产数据。第二农业生产异常估计网络是依据第一农业生产异常估计网络进行特征学习获得的,即是在进行神经网络特征学习得到第一农业生产异常估计网络后,基于第二待学习农业设备生产数据继续进行特征学习获得的。在依据第二待学习农业设备生产数据进行神经网络特征学习时,可以是将整个第二待学习农业设备生产数据作为含有异常状态节点的农业设备生产数据,也可以是将待学习农业设备生产数据进行分割,拆分成多个目标生产数据片段,从中选取为异常状态节点所在的生产数据片段可能性大的片段,例如估计置信度大于预设估计置信度的片段对第一农业生产异常估计网络继续进行神经网络特征学习,生成第二农业生产异常估计网络。
步骤S108,基于第一估计置信度以及第二估计置信度得到估计置信度浮动信息,基于估计置信度浮动信息从目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段。
一种可替代的实施方式中,估计置信度浮动信息表示第一估计置信度到第二估计置信度的变化大小,估计置信度浮动信息可以用比值表示,也可以用差值表示。可以基于估计置信度浮动信息从目标生产数据片段序列中提取满足预设的估计置信度变化条件的目标生产数据片段,作为包括异常状态节点的标的生产数据片段,例如,将待学习农业设备生产数据中,估计置信度浮动信息最大的目标生产数据片段作为标的生产数据片段。
一种可替代的实施方式中,可以将第二估计置信度减去或者除以第一估计置信度,生成估计置信度浮动信息。例如,假设第一估计置信度为0.6,第二估计置信度为0.92,则估计置信度浮动信息为0.92-0.6=0.32。
一种可替代的实施方式中,可以从目标生产数据片段序列中提取估计置信度浮动信息满足设定浮动特征的目标生产数据片段,作为包括异常状态节点的标的生产数据片段,设定浮动特征包括估计置信度排序前N位或者估计置信度浮动信息大于设定浮动值中的至少一个,估计置信度浮动信息排序基于降序顺序排列。
步骤S110,基于标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络,目标农业生产异常估计网络用于对农业大数据管理系统所指定的目标生产数据进行农业生产异常估计并报警。
一种可替代的实施方式中,生成标的生产数据片段后,将标的生产数据片段作为包括异常状态节点的片段,即作为正向学习生产数据片段,基于标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络。可以将基于标的生产数据片段进行网络特征学习生成的农业生产异常估计网络作为目标神经网络,也可以在基于标的生产数据片段进行神经网络特征学习之后,再采用其它待学习农业设备生产数据继续进行网络迭代优化,生成目标农业生产异常估计网络。目标农业生产异常估计网络是已经网络迭代优化完成的的神经网络,可以用于对农业大数据管理系统所指定的目标生产数据即农业大数据管理系统所指定的目标生产数据进行农业生产异常估计。例如可以用于分析异常状态节点在农业设备生产数据中的数据位置,也可以用于分析农业设备生产数据中是否包括异常状态节点。
一种可替代的实施方式中,可以基于标的生产数据片段对第二农业生产异常估计网络进行网络迭代优化,生成目标农业生产异常估计网络,即是在第二农业生产异常估计网络的网络权重信息的基础上,迭代更新网络权重信息,生成目标农业生产异常估计网络。
一种可替代的实施方式中,还可以获取与标的生产数据片段重合度高的生产数据片段,例如大于门限交叉值的生产数据片段,作为包括异常状态节点的生产数据片段。
基于以上步骤,第一农业生产异常估计网络是依据第一待学习农业设备生产数据进行特征学习获得的,对第一待学习农业设备生产数据的分析性能强,而依据第二待学习农业设备生产数据继续网络特征学习生成的第二农业生产异常估计网络增强网络泛化性能即增强了网络对待学习数据的适应性。因此目标生产数据片段前后估计置信度的变化,能体现生产数据片段是否包括异常状态节点,故依据估计置信度浮动信息得到包括异常状态节点的片段的精度高,因此能够从第一待学习农业设备生产数据中找到包括异常状态节点的生产数据片段作为待学习数据进行神经网络特征学习,网络特征学习生成的目标农业生产异常估计网络精度高。
在基于农业生产异常估计网络确定目标生产数据片段是否为包括异常状态节点的片段时,生成的目标生产数据片段的估计置信度的决定因素主要来自两方面,A:该待学习农业设备生产数据是否被当作正向学习数据训练了农业生产异常估计网络,如果被当作正向学习数据训练了农业生产异常估计网络,由于过拟合,基于神经网络特征学习后得到的第一农业生产异常估计网络对该目标生产数据片段进行评价,生成的估计置信度会比较高。B:农业生产异常估计网络在其它待学习农业设备生产数据进行网络迭代优化后农业生产异常估计网络的分析性能增强,故基于其它待学习农业设备生产数据对第一农业生产异常估计网络继续进行网络特征学习生成的第二农业生产异常估计网络的分析性能增强,对包括异常状态节点的目标生产数据片段的估计值(即生成的估计置信度)也会提高。因此,如果基于其它待学习农业设备生产数据(第二待学习农业设备生产数据)进行网络特征学习生成的第二农业生产异常估计网络生成的目标生产数据片段的第二估计置信度大,则对应的估计置信度浮动信息会相对于同一待学习农业设备生产数据的其它目标生产数据片段大,说明目标生产数据片段为包括异常状态节点的片段的可能性是比较高的。
一种可替代的实施方式中,在获取对第一待学习农业设备生产数据进行拆分生成的目标生产数据片段序列之前,还包括步骤S202:获取待学习农业设备生产数据序列,基于待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据,待学习农业设备生产数据序列包括多个待学习农业设备生产数据。
一种可替代的实施方式中,待学习农业设备生产数据序列中的农业设备生产数据的个数可以基于需要设置,例如是1000个。在进行神经网络特征学习时,可以基于待学习农业设备生产数据序列进行神经网络特征学习,生成目标农业生产异常估计网络。待学习农业设备生产数据序列中,第一待学习农业设备生产数据和第二待学习农业设备生产数据随着神经网络特征学习的进行,是不断进行优化的。例如,一个待学习农业设备生产数据在某一时序位置,是作为第一待学习农业设备生产数据,而在另一时序位置,则是作为第二待学习农业设备生产数据的。例如,依次将待学习农业设备生产数据集中的一个或多个农业设备生产数据作为第一待学习农业设备生产数据,第一待学习农业设备生产数据之外的待学习农业设备生产数据作为第二待学习农业设备生产数据。如,假设待学习序列中有1000个待学习农业设备生产数据,则第1次进行神经网络特征学习时,将第1个待学习农业设备生产数据作为第一待学习农业设备生产数据,当基于第1个待学习农业设备生产数据进行神经网络特征学习后,再将第2个待学习农业设备生产数据作为第一待学习农业设备生产数据……以此类推,当基于第999个待学习农业设备生产数据进行神经网络特征学习后,再将第1000个待学习农业设备生产数据作为第一待学习农业设备生产数据。
步骤S110基于标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络可以包括以下步骤:
步骤S204,基于标的生产数据片段对第二农业生产异常估计网络进行神经网络特征学习,生成第一待学习农业设备生产数据对应的神经网络特征学习后的第一农业生产异常估计网络。
一种可替代的实施方式中,基于标的生产数据片段对第二农业生产异常估计网络进行神经网络特征学习,将网络特征学习生成的神经网络作为依据该第一待学习农业设备生产数据进行网络特征学习生成的神经网络,即将网络特征学习生成的神经网络更新该第一待学习农业设备生产数据对应的第一农业生产异常估计网络。
步骤S206,判断神经网络特征学习后的第一农业生产异常估计网络是否满足学习终止要求。
如果第一农业生产异常估计网络满足学习终止要求,则进入步骤S208,将神经网络特征学习后的第一农业生产异常估计网络作为目标农业生产异常估计网络。如果第一农业生产异常估计网络还未满足学习终止要求,则返回步骤S202,即返回基于待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据的步骤,将待学习序列中的下一个或者下一组待学习农业设备生产数据作为第一待学习农业设备生产数据。直至神经网络特征学习后的第一农业生产异常估计网络收敛,生成目标农业生产异常估计网络。
步骤S204中第一待学习农业设备生产数据对应的神经网络特征学习后的第一农业生产异常估计网络是指对同样的第一待学习农业设备生产数据网络特征学习生成的第一农业生产异常估计网络进行更新。当返回步骤S202后,由于第一待学习农业设备生产数据变化了,因此,依据第一待学习农业设备生产数据进行网络特征学习生成的第一农业生产异常估计网络也会变化。例如,假设第一待学习农业设备生产数据为a,则被优化的第一农业生产异常估计网络是依据a进行网络特征学习生成的农业生产异常估计网络,假设在返回步骤S202后,优化的第一待学习农业设备生产数据为b,则获取得到的第一农业生产异常估计网络是依据b进行网络特征学习生成的农业生产异常估计网络。当在下一次将a作为第一待学习农业设备生产数据时,获取的才是a对应的神经网络特征学习后的第一农业生产异常估计网络。
步骤S208,将神经网络特征学习后的第一农业生产异常估计网络作为目标农业生产异常估计网络。
一种可替代的实施方式中,步骤S202即基于待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据包括:
步骤S302,将待学习农业设备生产数据序列划分为多个待学习数据簇。
一种可替代的实施方式中,一个待学习数据簇可以包括多个待学习农业设备生产数据。
步骤S304,以待学习数据簇为网络训练单位,从待学习农业设备生产数据序列中依次获取当前待学习数据簇,当前待学习数据簇的待学习农业设备生产数据为第一待学习农业设备生产数据,非当前待学习数据簇的待学习农业设备生产数据为第二待学习农业设备生产数据;
一种可替代的实施方式中,可以进行多轮的神经网络特征学习,获取目标生产数据片段分别对应的第一估计置信度包括:将前一个批次神经网络特征学习时,基于同一待学习数据簇进行特征学习获得的神经网络作为优化的第一农业生产异常估计网络,基于优化的第一农业生产异常估计网络获取目标生产数据片段分别对应的第一估计置信度;获取目标生产数据片段分别对应的第二估计置信度包括:将当前批次神经网络特征学习时,基于当前待学习数据簇的前向待学习数据簇进行特征学习获得的神经网络作为优化的第二农业生产异常估计网络,基于优化的第二农业生产异常估计网络获取目标生产数据片段分别对应的第二估计置信度。
前向待学习数据簇是指在本轮神经网络特征学习时,在该当前待学习数据簇之前已经作为第一待学习农业设备生产数据对农业生产异常估计网络进行网络迭代优化的待学习数据簇。对于当前待学习数据簇而言,第二农业生产异常估计网络是基于前向待学习数据簇进行特征学习获得的神经网络。对于当前待学习数据簇中的每一个第一待学习农业设备生产数据,获取对应的目标生产数据片段,加载至第二农业生产异常估计网络中,第二农业生产异常估计网络输出目标生产数据片段包括异常状态节点的第二估计置信度。因此,对于同一目标生产数据片段,可以基于第一估计置信度以及第二估计置信度得到估计置信度变换值,对于每一个第一待学习农业设备生产数据,可以基于估计置信度浮动信息从目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段。
一种可替代的实施方式中,如果当前待学习数据簇是本轮训练的第一组待学习数据簇,则可以将前一个批次最后网络特征学习生成的农业生产异常估计网络作为优化的第二农业生产异常估计网络。
由此,通过获取前一个批次神经网络特征学习时,基于同一待学习数据簇进行网络迭代优化后更新得到的神经网络作为第一农业生产异常估计网络,将当前批次神经网络特征学习时,基于当前待学习数据簇的前向待学习数据簇进行特征学习获得的神经网络作为优化的第二农业生产异常估计网络。依据这两个神经网络生成的估计置信度的变化筛选出目标生产数据片段作为标的生产数据片段。因此,在不同批次的神经网络特征学习中,对于同一待学习农业设备生产数据,其包括异常状态节点的生产数据片段是动态优化的,即正向学习数据是随着网络迭代优化进行动态优化的,可以提高学习数据质量和网络学习性能。
一种可替代的实施方式中,应用于农业大数据管理系统的异常报警方法还可以包括以下步骤:
步骤S402,获取目标节点预测模型。
一种可替代的实施方式中,分类模型是用于区分农业设备生产数据中是否包括异常状态节点的神经网络,将农业设备生产数据加载至目标节点预测模型时,目标节点预测模型生成的是该农业设备生产数据是否包括异常状态节点的结果,例如,包括异常状态节点的估计置信度,目标节点预测模型可以是二分类网络。农业生产异常估计网络可以用于对异常状态节点在农业设备生产数据中的数据位置进行估计,也可以用于估计农业设备生产数据中是否包括异常状态节点,即也可以对农业设备生产数据进行分类。
步骤S404,将待学习农业设备生产数据序列中的各个待学习农业设备生产数据对应的目标生产数据片段分别加载至目标节点预测模型中,生成各个待学习农业设备生产数据的目标生产数据片段为异常状态节点所在的数据位置的第三估计置信度。
一种可替代的实施方式中,通过目标节点预测模型的网络权重信息,对目标生产数据片段进行处理,生成各个目标生产数据片段包括异常状态节点的估计置信度,作为第三估计置信度。
步骤S406,依据第三估计置信度从目标生产数据片段序列中提取包括异常状态节点的第一候选生产数据片段。
一种可替代的实施方式中,可以基于第三估计置信度,从目标生产数据片段中获取第三估计置信度大于门限置信度或者估计置信度排名在前N之前的生产数据片段,作为包括异常状态节点的第一候选生产数据片段。
步骤S408,依据第一候选生产数据片段进行神经网络特征学习,生成第一轮特征学习获得的农业生产异常估计网络。
一种可替代的实施方式中,农业生产异常估计网络的网络优化操作还可包括以下步骤:
步骤S502,获取标的生产数据片段与目标生产数据片段的交叉值。
步骤S504,获取交叉值大于第一门限交叉值的目标生产数据片段,作为第三生产数据片段。
一种可替代的实施方式中,第一门限交叉值可以基于需要设置,例如可以为0.8。第三生产数据片段是指包括异常状态节点的生产数据片段。
步骤S110即基于标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络包括:将第三生产数据片段以及标的生产数据片段作为正向学习生产数据片段,基于正向学习生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络。
一种可替代的实施方式中,正向学习生产数据片段是指包括异常状态节点的生产数据片段。
一种可替代的实施方式中,还可以获取交叉值小于第二门限交叉值的目标生产数据片段,作为第二候选生产数据片段,第二门限交叉值小于等于第一门限交叉值。步骤S110即基于标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络包括:将第二候选生产数据片段作为负向学习生产数据片段,将标的生产数据片段组作为正向学习生产数据片段。基于正向学习生产数据片段以及负向学习生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络。
一种可替代的实施方式中,第二门限交叉值可以小于也可以等于第一门限交叉值,例如第二门限交叉值可以为0.5。负向学习生产数据片段是指不包括异常状态节点的生产数据片段,对于负向学习生产数据片段,其对应的为包括异常状态节点的估计置信度可以为0,即待学习标签值可以为0。
一种可替代的实施方式中,可以同时获取第三生产数据片段以及第二候选生产数据片段,将第三生产数据片段以及标的生产数据片段作为正向学习生产数据片段,将第二候选生产数据片段作为负向学习生产数据片段。基于正向学习生产数据片段以及负向学习生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络。
一种可替代的实施方式中,生成目标农业生产异常估计网络后,农业生产异常估计网络的网络迭代优化操作还可以包括以下步骤:
步骤S602,获取农业大数据管理系统所指定的目标生产数据,将农业大数据管理系统所指定的目标生产数据拆分成多个第一生产数据片段。
一种可替代的实施方式中,农业大数据管理系统所指定的目标生产数据是需要估计异常状态节点的数据位置的农业设备生产数据。将目标农业设备生产数据拆分成多个第一生产数据片段的方法也可以参照将待学习农业设备生产数据拆分成多个目标生产数据片段的方法,在此不再赘述。可以是由目标农业生产异常估计网络进行农业设备生产数据分割。
步骤S604,将各个第一生产数据片段分别加载至目标农业生产异常估计网络中,生成各个第一生产数据片段中包括异常状态节点的目标估计置信度。
一种可替代的实施方式中,目标农业生产异常估计网络可以基于网络特征学习生成的网络权重信息,对各个第一生产数据片段分别进行处理,预测得到各个第一生产数据片段中包括异常状态节点的目标估计置信度。
步骤S606,依据目标估计置信度从第一生产数据片段中确定包括异常状态节点的生产数据片段,生成异常状态节点在农业大数据管理系统所指定的目标生产数据中的数据位置。
一种可替代的实施方式中,目标农业生产异常估计网络在得到各个第一生产数据片段分别对应的目标估计置信度后,可以依据目标估计置信度从第一生产数据片段中确定目标估计置信度大于预设估计置信度或者估计置信度排序大于预设排序的生产数据片段,作为包括异常状态节点的生产数据片段,生成包括异常状态节点的生产数据片段在农业大数据管理系统所指定的目标生产数据中的数据位置
图2示意性地示出了可被用于实现本申请中所述的各个实施例的云服务器100。
对于一个实施例,图2示出了云服务器100,该云服务器100具有一个或多个处理器102、被耦合到(一个或多个)处理器102中的一个或多个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的一个或多个输入/输出设备110,和被耦合到控制模块106的网络接口112。
处理器102可包括一个或多个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。在一些可替代的实施方式中,云服务器100能够作为本申请实施例中所述网关等云服务器设备。
在一些可替代的实施方式中,云服务器100可包括具有指令114的一个或多个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该一个或多个计算机可读介质相融合被配置为执行指令114以实现模块从而执行本公开中所述的动作的一个或多个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(一个或多个)处理器102中的一个或多个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为云服务器100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。在一些可替代的实施方式中,存储器106可包括双倍数据速率分团标签四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块104可包括一个或多个输入/输出控制器,以向NVM/存储设备108及(一个或多个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为云服务器100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可依据网络经由(一个或多个)输入/输出设备110进行访问。
(一个或多个)输入/输出设备110可为云服务器100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、传感器组件等。网络接口112可为云服务器100提供接口以依据一个或多个网络通信,云服务器100可依据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信,例如接入依据通信标准的无线网络。
对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器(例如,存储器控制器模块)的逻辑加载在一起。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器102中的一个或多个可与控制模块104的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种应用于农业大数据管理系统的异常报警方法,其特征在于,应用于云服务器,所述方法包括:
获取对所述第一待学习农业设备生产数据进行拆分生成的目标生产数据片段序列,所述目标生产数据片段序列包括多个目标生产数据片段;
获取所述目标生产数据片段分别对应的第一估计置信度,所述第一估计置信度是将所述目标生产数据片段分别加载至第一农业生产异常估计网络,生成的所述目标生产数据片段包括异常状态节点的估计置信度,所述第一农业生产异常估计网络是依据所述第一待学习农业设备生产数据进行特征学习获得的;
获取所述目标生产数据片段分别对应的第二估计置信度,所述第二估计置信度是将所述目标生产数据片段分别加载至第二农业生产异常估计网络,生成的所述目标生产数据片段包括异常状态节点的估计置信度,所述第二农业生产异常估计网络是基于第二待学习农业设备生产数据对所述第一农业生产异常估计网络进行特征学习获得的;
基于所述第一估计置信度以及所述第二估计置信度得到估计置信度浮动信息,基于所述估计置信度浮动信息从所述目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段;
基于所述标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络,所述目标农业生产异常估计网络用于对农业大数据管理系统所指定的目标生产数据进行农业生产异常估计并报警。
2.根据权利要求1所述的应用于农业大数据管理系统的异常报警方法,其特征在于,所述获取对第一待学习农业设备生产数据进行拆分生成的目标生产数据片段序列之前,还包括:
获取待学习农业设备生产数据序列,基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据,所述待学习农业设备生产数据序列包括多个待学习农业设备生产数据;
所述基于所述标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络包括:
基于所述标的生产数据片段对所述第二农业生产异常估计网络进行神经网络特征学习,生成第一待学习农业设备生产数据对应的神经网络特征学习后的第一农业生产异常估计网络;
返回所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据的步骤,直至神经网络特征学习后的第一农业生产异常估计网络收敛,生成目标农业生产异常估计网络;
所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据包括:
将所述待学习农业设备生产数据序列划分为多个待学习数据簇;
以待学习数据簇为网络训练单位,从所述待学习农业设备生产数据序列中依次获取当前待学习数据簇,当前待学习数据簇的待学习农业设备生产数据为第一待学习农业设备生产数据,非当前待学习数据簇的待学习农业设备生产数据为第二待学习农业设备生产数据;
所述返回所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据的步骤包括:
返回所述以待学习数据簇为网络训练单位,从所述待学习农业设备生产数据序列中依次获取当前待学习数据簇,当前待学习数据簇的待学习农业设备生产数据为第一待学习农业设备生产数据,非当前待学习数据簇的待学习农业设备生产数据为第二待学习农业设备生产数据的步骤;
所述获取所述目标生产数据片段分别对应的第一估计置信度包括:
将前一个批次神经网络特征学习时,基于同一待学习数据簇进行特征学习获得的神经网络作为优化的第一农业生产异常估计网络,基于优化的第一农业生产异常估计网络获取所述目标生产数据片段分别对应的第一估计置信度;
所述获取所述目标生产数据片段分别对应的第二估计置信度包括:
将当前批次神经网络特征学习时,基于当前待学习数据簇的前向待学习数据簇进行特征学习获得的神经网络作为优化的第二农业生产异常估计网络,基于优化的第二农业生产异常估计网络获取所述目标生产数据片段分别对应的第二估计置信度。
3.根据权利要求2所述的应用于农业大数据管理系统的异常报警方法,其特征在于,所述方法还包括:
获取目标节点预测模型;
将所述待学习农业设备生产数据序列中的各个待学习农业设备生产数据对应的目标生产数据片段分别加载至所述目标节点预测模型中,生成各个待学习农业设备生产数据的目标生产数据片段为异常状态节点所在的数据位置的第三估计置信度;
依据所述第三估计置信度从所述目标生产数据片段序列中提取包括异常状态节点的第一候选生产数据片段;
依据所述第一候选生产数据片段进行神经网络特征学习,生成第一轮特征学习获得的农业生产异常估计网络。
4.根据权利要求1所述的应用于农业大数据管理系统的异常报警方法,其特征在于,所述基于所述估计置信度浮动信息从所述目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段包括:
从所述目标生产数据片段序列中提取所述估计置信度浮动信息满足设定浮动特征的目标生产数据片段,作为包括异常状态节点的标的生产数据片段,所述设定浮动特征包括估计置信度排序前N位或者所述估计置信度浮动信息大于设定浮动值中的至少一个,所述估计置信度浮动信息排序基于降序顺序排列;
所述基于所述第一估计置信度以及所述第二估计置信度得到估计置信度浮动信息包括:
将所述第二估计置信度减去或者除以所述第一估计置信度,生成估计置信度浮动信息。
5.根据权利要求1所述的应用于农业大数据管理系统的异常报警方法,其特征在于,所述方法还包括:
获取所述标的生产数据片段与所述目标生产数据片段的交叉值;
获取所述交叉值大于第一门限交叉值的目标生产数据片段,作为第三生产数据片段;
所述基于所述标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络包括:
将所述第三生产数据片段以及所述标的生产数据片段作为正向学习生产数据片段,基于所述正向学习生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络。
6.根据权利要求5所述的应用于农业大数据管理系统的异常报警方法,其特征在于,所述方法还包括:
获取所述标的生产数据片段与所述目标生产数据片段的交叉值;
获取所述交叉值小于第二门限交叉值的目标生产数据片段,作为第二候选生产数据片段,所述第二门限交叉值小于等于所述第一门限交叉值;
所述基于所述标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络包括:
将所述第二候选生产数据片段作为负向学习生产数据片段,将所述标的生产数据片段组作为正向学习生产数据片段; 基于所述正向学习生产数据片段以及所述负向学习生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络。
7.根据权利要求1所述的应用于农业大数据管理系统的异常报警方法,其特征在于,所述方法还包括:
获取农业大数据管理系统所指定的目标生产数据,将所述农业大数据管理系统所指定的目标生产数据拆分成多个第一生产数据片段;
将各个所述第一生产数据片段分别加载至所述目标农业生产异常估计网络中,生成各个所述第一生产数据片段中包括异常状态节点的目标估计置信度;
依据所述目标估计置信度从所述第一生产数据片段中确定包括异常状态节点的生产数据片段,生成异常状态节点在所述农业大数据管理系统所指定的目标生产数据中的数据位置。
8.一种应用于农业大数据管理系统的异常报警系统,其特征在于,所述应用于农业大数据管理系统的异常报警系统包括云服务器以及与所述云服务器通信连接的农业大数据管理系统,所述云服务器具体用于:
获取对第一待学习农业设备生产数据进行拆分生成的目标生产数据片段序列,所述目标生产数据片段序列包括多个目标生产数据片段;
获取所述目标生产数据片段分别对应的第一估计置信度,所述第一估计置信度是将所述目标生产数据片段分别加载至第一农业生产异常估计网络,生成的所述目标生产数据片段包括异常状态节点的估计置信度,所述第一农业生产异常估计网络是依据所述第一待学习农业设备生产数据进行特征学习获得的;
获取所述目标生产数据片段分别对应的第二估计置信度,所述第二估计置信度是将所述目标生产数据片段分别加载至第二农业生产异常估计网络,生成的所述目标生产数据片段包括异常状态节点的估计置信度,所述第二农业生产异常估计网络是基于第二待学习农业设备生产数据对所述第一农业生产异常估计网络进行特征学习获得的;
基于所述第一估计置信度以及所述第二估计置信度得到估计置信度浮动信息,基于所述估计置信度浮动信息从所述目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段;
基于所述标的生产数据片段进行神经网络特征学习,生成目标农业生产异常估计网络,所述目标农业生产异常估计网络用于对农业大数据管理系统所指定的目标生产数据进行农业生产异常估计并报警。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有机器可执行指令,所述机器可执行指令被计算机执行时实现权利要求1-8中任意一项所述的应用于农业大数据管理系统的异常报警方法。
10.一种云服务器,其特征在于,所述云服务器包括处理器及计算机可读存储介质,所述计算机可读存储介质中存储有机器可执行指令,所述机器可执行指令被计算机执行时实现权利要求1-8中任意一项所述的应用于农业大数据管理系统的异常报警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459115.6A CN116433050B (zh) | 2023-04-26 | 2023-04-26 | 应用于农业大数据管理系统的异常报警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310459115.6A CN116433050B (zh) | 2023-04-26 | 2023-04-26 | 应用于农业大数据管理系统的异常报警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116433050A true CN116433050A (zh) | 2023-07-14 |
CN116433050B CN116433050B (zh) | 2023-10-24 |
Family
ID=87085260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310459115.6A Active CN116433050B (zh) | 2023-04-26 | 2023-04-26 | 应用于农业大数据管理系统的异常报警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433050B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117519044A (zh) * | 2023-12-01 | 2024-02-06 | 重庆雄川科技有限公司 | 基于智慧园区的生产线智能控制方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107819631A (zh) * | 2017-11-23 | 2018-03-20 | 东软集团股份有限公司 | 一种设备异常检测方法、装置及设备 |
CN111738348A (zh) * | 2020-06-29 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法和装置 |
US20210012196A1 (en) * | 2019-07-11 | 2021-01-14 | The Regents Of The University Of California | Peer-to-peer training of a machine learning model |
US20210158483A1 (en) * | 2019-11-26 | 2021-05-27 | Samsung Electronics Co., Ltd. | Jointly learning visual motion and confidence from local patches in event cameras |
WO2021188789A1 (en) * | 2020-03-20 | 2021-09-23 | Saudi Arabian Oil Company | Method for identifying misallocated historical production data using machine learning to improve a predictive ability of a reservoir simulation |
US20210344695A1 (en) * | 2020-04-30 | 2021-11-04 | International Business Machines Corporation | Anomaly detection using an ensemble of models |
EP4080414A1 (en) * | 2021-04-23 | 2022-10-26 | Samsung Display Co., Ltd. | Systems and methods for identifying manufacturing defects |
EP4089583A1 (en) * | 2021-05-11 | 2022-11-16 | Sap Se | Model-independent confidence value prediction machine learned model |
CN115393356A (zh) * | 2022-10-27 | 2022-11-25 | 武汉楚精灵医疗科技有限公司 | 目标部位异常形态识别方法、装置及计算机可读存储介质 |
CN115439708A (zh) * | 2022-07-18 | 2022-12-06 | 北京邮电大学 | 一种图像数据处理方法和装置 |
CN115495320A (zh) * | 2022-11-16 | 2022-12-20 | 智联信通科技股份有限公司 | 一种基于大数据的通信机房防护的监测管理系统 |
-
2023
- 2023-04-26 CN CN202310459115.6A patent/CN116433050B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107819631A (zh) * | 2017-11-23 | 2018-03-20 | 东软集团股份有限公司 | 一种设备异常检测方法、装置及设备 |
US20210012196A1 (en) * | 2019-07-11 | 2021-01-14 | The Regents Of The University Of California | Peer-to-peer training of a machine learning model |
US20210158483A1 (en) * | 2019-11-26 | 2021-05-27 | Samsung Electronics Co., Ltd. | Jointly learning visual motion and confidence from local patches in event cameras |
WO2021188789A1 (en) * | 2020-03-20 | 2021-09-23 | Saudi Arabian Oil Company | Method for identifying misallocated historical production data using machine learning to improve a predictive ability of a reservoir simulation |
US20210344695A1 (en) * | 2020-04-30 | 2021-11-04 | International Business Machines Corporation | Anomaly detection using an ensemble of models |
CN111738348A (zh) * | 2020-06-29 | 2020-10-02 | 南方电网科学研究院有限责任公司 | 一种电力数据异常检测方法和装置 |
EP4080414A1 (en) * | 2021-04-23 | 2022-10-26 | Samsung Display Co., Ltd. | Systems and methods for identifying manufacturing defects |
EP4089583A1 (en) * | 2021-05-11 | 2022-11-16 | Sap Se | Model-independent confidence value prediction machine learned model |
CN115439708A (zh) * | 2022-07-18 | 2022-12-06 | 北京邮电大学 | 一种图像数据处理方法和装置 |
CN115393356A (zh) * | 2022-10-27 | 2022-11-25 | 武汉楚精灵医疗科技有限公司 | 目标部位异常形态识别方法、装置及计算机可读存储介质 |
CN115495320A (zh) * | 2022-11-16 | 2022-12-20 | 智联信通科技股份有限公司 | 一种基于大数据的通信机房防护的监测管理系统 |
Non-Patent Citations (1)
Title |
---|
胡石等: "基于神经网络的无线传感器网络异常数据检测方法", 《计算机科学》, vol. 41, no. 11, pages 208 - 211 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117519044A (zh) * | 2023-12-01 | 2024-02-06 | 重庆雄川科技有限公司 | 基于智慧园区的生产线智能控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116433050B (zh) | 2023-10-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991311B (zh) | 一种基于密集连接深度网络的目标检测方法 | |
CN110717535B (zh) | 一种基于数据分析处理系统的自动建模方法及系统 | |
CN112637132B (zh) | 一种网络异常检测方法、装置、电子设备和存储介质 | |
CN116433050B (zh) | 应用于农业大数据管理系统的异常报警方法及系统 | |
CN112232495A (zh) | 预测模型的训练方法、装置、介质和计算设备 | |
CN116430817B (zh) | 应用于光伏组件生产系统的数据采集处理方法及系统 | |
EP4252151A1 (en) | Data source correlation techniques for machine learning and convolutional neural models | |
CN116797973A (zh) | 应用于环卫智慧管理平台的数据挖掘方法及系统 | |
CN113052375A (zh) | 一种预测剧集播放量的方法和装置 | |
CN110874601B (zh) | 识别设备运行状态的方法、状态识别模型训练方法及装置 | |
CN115618714B (zh) | 一种太阳辐射概率预报方法及相关设备 | |
CN112433952B (zh) | 深度神经网络模型公平性测试方法、系统、设备及介质 | |
CN117523218A (zh) | 标签生成、图像分类模型的训练、图像分类方法及装置 | |
CN115470190A (zh) | 一种多存储池数据分类存储方法、系统与电子设备 | |
CN114330542A (zh) | 一种基于目标检测的样本挖掘方法、装置及存储介质 | |
CN116976530B (zh) | 一种电缆设备状态预测方法、装置及存储介质 | |
CN117037887B (zh) | 固态硬盘寿命预测方法及装置 | |
CN116736173B (zh) | 一种储能电池模型构建和储能电池状态判定方法、装置 | |
CN113162780B (zh) | 实时网络拥塞分析方法、装置、计算机设备和存储介质 | |
CN116541252B (zh) | 一种机房故障日志数据处理方法及装置 | |
CN117668694A (zh) | 能源路由器多能形式储能系统的数据分析方法及系统 | |
CN114925808B (zh) | 一种基于云网端资源中不完整时间序列的异常检测方法 | |
CN116737607B (zh) | 样本数据缓存方法、系统、计算机设备和存储介质 | |
CN117851854A (zh) | 基于最小先验知识的标签分配方法、电子设备及存储介质 | |
CN117312826A (zh) | 用于电网线损修复系统的数据分析方法及系统 |
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 |