CN117976081A - 基于模型预测优化的堆肥配方方法、系统、设备及介质 - Google Patents
基于模型预测优化的堆肥配方方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117976081A CN117976081A CN202410393567.3A CN202410393567A CN117976081A CN 117976081 A CN117976081 A CN 117976081A CN 202410393567 A CN202410393567 A CN 202410393567A CN 117976081 A CN117976081 A CN 117976081A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- compost
- composting
- data
- formula
- 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
- 238000009264 composting Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 142
- 238000005457 optimization Methods 0.000 title claims abstract description 109
- 239000002361 compost Substances 0.000 claims abstract description 424
- 239000002994 raw material Substances 0.000 claims abstract description 160
- 239000000203 mixture Substances 0.000 claims abstract description 41
- 238000009472 formulation Methods 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 134
- 230000006870 function Effects 0.000 claims description 43
- CKUAXEQHGKSLHN-UHFFFAOYSA-N [C].[N] Chemical compound [C].[N] CKUAXEQHGKSLHN-UHFFFAOYSA-N 0.000 claims description 40
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 22
- 239000000463 material Substances 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 229910052757 nitrogen Inorganic materials 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 5
- 108090000623 proteins and genes Proteins 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 24
- 238000011161 development Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000011156 evaluation Methods 0.000 description 8
- 230000006854 communication Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- PIZHFBODNLEQBL-UHFFFAOYSA-N 2,2-diethoxy-1-phenylethanone Chemical compound CCOC(OCC)C(=O)C1=CC=CC=C1 PIZHFBODNLEQBL-UHFFFAOYSA-N 0.000 description 1
- 238000012773 Laboratory assay Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000002154 agricultural waste Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000010828 animal waste Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000010806 kitchen waste Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010813 municipal solid waste Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 239000003895 organic fertilizer Substances 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/40—Bio-organic fraction processing; Production of fertilisers from the organic fraction of waste or refuse
Landscapes
- Fertilizers (AREA)
Abstract
本发明涉及堆肥配方技术领域,公开一种基于模型预测优化的堆肥配方方法、系统、设备及介质,包括:获取待优化堆肥配方的堆肥原料数据;根据待优化堆肥配方的堆肥原料数据,通过堆肥质量数据预测模型,预测得到待优化堆肥配方的堆肥质量数据;根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,利用多种群并行进化策略根据多个预设优化目标对待优化堆肥配方进行优化,得到多个预设优化目标对应的最佳堆肥配方。本发明充分考虑堆肥配方的多种影响因素,有效优化堆肥配方方法,提高堆肥配方的准确性和适应性,为堆肥技术的推广和循环农业的发展提供有力的支撑。
Description
技术领域
本发明涉及堆肥配方技术领域,尤其涉及一种基于模型预测优化的堆肥配方方法、系统、设备及介质。
背景技术
堆肥是一种有机肥料,它可以提高土壤的肥力和结构,促进作物的生长和品质,同时也有利于环境保护和资源循环利用。堆肥的质量和效果取决于堆肥原料的选择和配比,因此,堆肥配方方法是堆肥制作过程中的关键技术。堆肥配方方法的目的是根据不同的堆肥原料的特性,如化学成分、碳氮比、湿度等,确定合适的原料组合和比例,以达到理想的堆肥质量和成熟度。堆肥配方的优劣直接影响到堆肥的生产效率、成本、资源利用率和环境影响等方面。
目前,现有的堆肥配方方法主要包括经验法和实验法两种。经验法是根据长期的实践经验和经验公式来确定堆肥配方,这种方法简单易行,但缺乏科学依据,不能适应不同的原料和条件,且难以保证配方的准确性和稳定性。实验法是通过在实验室或现场进行不同的配方试验,观察和测量堆肥的各项指标,然后根据试验结果来确定最优的堆肥配方,这种方法具有一定的科学性,但耗时耗力,且受试验条件的限制,难以考虑所有的影响因素,也难以进行推广和应用。
因此,亟需一种新型的堆肥配方方法,利用人工智能技术,充分考虑堆肥配方的多种影响因素,有效优化堆肥配方方法,提高堆肥配方的准确性和适应性,为堆肥技术的推广和循环农业的发展提供有力的支撑。
发明内容
本发明提供一种基于模型预测优化的堆肥配方方法、系统、设备及介质,用以解决现有技术难以保证堆肥配方的准确性和适应性的缺陷。
本发明提供一种基于模型预测优化的堆肥配方方法,包括:
获取待优化堆肥配方的堆肥原料数据;
根据待优化堆肥配方的堆肥原料数据,通过堆肥质量数据预测模型,预测得到待优化堆肥配方的堆肥质量数据;
根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,利用多种群并行进化策略根据多个预设优化目标对待优化堆肥配方进行优化,得到多个预设优化目标对应的最佳堆肥配方;
其中,根据堆肥配方样本的堆肥原料样本数据和堆肥质量样本数据,结合Transformer深度神经网络和模糊推理法,训练得到堆肥质量数据预测模型。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,堆肥质量数据预测模型包括特征提取器、模糊推理器、解释性模块,
所述根据待优化堆肥配方的堆肥原料数据,通过堆肥质量数据预测模型,预测得到待优化堆肥配方的堆肥质量数据,包括:
通过特征提取器,利用Transformer深度神经网络,得到待优化堆肥配方的堆肥原料数据的特征数据;
通过模糊推理器,对特征数据进行模糊化得到模糊集,并根据模糊规则对模糊集进行模糊运算得到模糊输出,以及通过解模糊化将模糊输出转化为明确数值,得到待优化堆肥配方的堆肥质量数据;
通过解释性模块,对堆肥质量数据预测模型的特征提取器、模糊推理器、解释性模块的输出进行可视化。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,特征提取器包括输入层、编码器层、输出层,输入层包括嵌入层和位置编码层,编码器层包括多头自注意力层和前馈神经网络层,输出层包括线性变换层;
其中,所述通过特征提取器,利用Transformer深度神经网络,得到待优化堆肥配方的堆肥原料数据的特征数据,包括:
通过输入层的嵌入层对堆肥原料数据进行降维,并通过输入层的位置编码层为堆肥原料数据增设位置信息,得到携带位置向量的堆肥原料向量;
通过编码器层的多头自注意力层计算携带位置向量的堆肥原料向量之间的相关性,得到注意力结果,并通过编码器的前馈神经网络层对注意力结果进行线性变换,得到多头自注意力输出;
通过输出层的线性变换层将多头自注意力输出转换为特征向量,作为待优化堆肥配方的堆肥原料数据的特征数据。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,所述通过输入层的嵌入层对堆肥原料数据进行降维,并通过输入层的位置编码层为堆肥原料数据增设位置信息,得到携带位置向量的堆肥原料向量,包括:
将堆肥原料数据表示为,其中,/>表示堆肥原料数据序列,/>表示第/>个堆肥原料的堆肥原料数据向量,通过输入层的嵌入层对堆肥原料数据进行降维,得到堆肥原料数据嵌入向量序列,记为/>,其中/>表示第/>个堆肥原料的堆肥原料数据嵌入向量,其包含堆肥原料的类型和数量信息;
通过输入层的位置编码层,利用正弦函数和余弦函数为每个堆肥原料的堆肥原料数据嵌入向量增设位置信息,得到携带位置向量的堆肥原料向量,记为,其中/>表示位置编码矩阵;
其中,正弦函数的表达式为:
,
余弦函数的表达式为:
,
正弦函数的表达式和余弦函数的表达式中,表示堆肥原料的位置,i表示堆肥原料数据嵌入向量的维度,/>表示堆肥原料数据嵌入向量的总维度。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,所述通过编码器层的多头自注意力层计算携带位置向量的堆肥原料向量之间的相关性,得到注意力结果,并通过编码器层的前馈神经网络层对注意力结果进行线性变换,得到多头自注意力输出,包括:
根据携带位置向量的堆肥原料向量,通过编码器层的多头自注意力层得到第一查询向量、第一键向量/>、第一值向量/>,并将第一查询向量/>、第一键向量/>、第一值向量/>分别切分为/>个子向量,得到第二查询向量/>、第二键向量/>、第二值向量/>,,/>,/>表示注意力头的数量,每个子向量的维度为/>以及计算每个子向量与其它子向量的点积注意力,得到每个子向量的注意力结果并将/>个子向量的注意力结果进行拼接,得到注意力结果;
通过编码器层的前馈神经网络层对注意力结果进行线性变换,得到多头自注意力输出,记为,其中,/>,表示多头自注意力输出的维度,/>表示可学习的权重矩阵,/>函数用于将/>个子向量的注意力结果按列拼接起来。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,所述通过输出层的线性变换层将多头自注意力输出转换为特征向量,作为待优化堆肥配方的堆肥原料数据的特征数据,包括:
通过输出层的线性变换层根据变换表达式将多头自注意力输出转换为特征向量序列,记为,其中/>,/>表示特征向量的维度,其中,变换表达式为:
,
其中,表示多头自注意力输出,/>表示可学习的权重矩阵。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,所述通过模糊推理器,对特征数据进行模糊化得到模糊集,并根据模糊规则对模糊集进行模糊运算得到模糊输出,以及通过解模糊化将模糊输出转化为明确数值,得到待优化堆肥配方的堆肥质量数据,包括:
通过模糊推理器,利用三角形模糊数法对特征数据进行模糊化,得到模糊集;
根据模糊规则,利用Mamdani型模糊推理法对模糊集进行最小值模糊交运算和最小值模糊蕴涵运算,得到模糊输出;
利用重心法对模糊输出进行模糊反演,将模糊输出转化为明确数值,得到待优化堆肥配方的堆肥质量数据。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,所述通过模糊推理器,利用三角形模糊数法对特征数据进行模糊化,得到模糊集,包括:
利用三角形模糊数法,将特征向量序列中的每一个特征向量转化为一个模糊集,将特征向量序列中的所有特征向量的模糊集进行集合,得到模糊集序列,其中,模糊集为由一组有序对组成的集合,每组有序对表示特征向量的特征值和其在每个模糊类别下的隶属度。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,三角形模糊数法的表达式为:
,
三角形模糊数法的表达式中,表示特征向量的特征值在每个模糊类别下的隶属度,/>表示特征向量的特征值,每个模糊类别的范围表示为一个三角形,其顶点为,其中/>和/>分别表示模糊类别的下限和上限,/>表示模糊类别的中心点。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,所述根据模糊规则,利用Mamdani型模糊推理法对模糊集进行最小值模糊交运算和最小值模糊蕴涵运算,得到模糊输出,包括:
确定待优化堆肥配方的堆肥质量数据和堆肥质量数据的模糊类别,包括每个模糊类别的名称、范围,以及模糊类别的总数;
确定一组模糊规则,其中/>表示模糊规则的数量;
对于每个模糊规则,通过最小值模糊交运算,得到模糊集序列对应模糊规则的前提部分的模糊集;
根据待优化堆肥配方的堆肥质量数据和堆肥质量数据的模糊类别,得到模糊集序列对应模糊规则的结论部分的模糊集;
根据模糊集序列对应模糊规则的前提部分的模糊集和对应模糊规则的结论部分的模糊集/>,通过最小值模糊蕴涵运算,得到模糊输出/>,其中,/>表示模糊集序列,/>表示第/>个堆肥原料的模糊输出,/>表示堆肥原料的数量。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,所述对于每个模糊规则,通过最小值模糊交运算,得到模糊集序列对应模糊规则的前提部分的模糊集,包括:
根据最小值模糊交运算对模糊集序列和模糊规则中的模糊类别进行模糊交运算,得到模糊集序列对应模糊规则的前提部分的模糊集,其中,最小值模糊交运算的表达式为:
,
最小值模糊交运算的表达式中,表示第/>个堆肥原料的第/>个特征在第/>个模糊类别下的隶属度,/>表示模糊规则中的模糊类别,/>表示第/>个堆肥原料的第/>个特征的模糊集,/>表示特征向量的维度。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,所述根据待优化堆肥配方的堆肥质量数据和堆肥质量数据的模糊类别,得到模糊集序列对应模糊规则的结论部分的模糊集,包括:
根据模糊规则中的堆肥质量数据的模糊类别,得到模糊集序列对应模糊规则的结论部分的模糊集,其中,结论部分的模糊集/>的表达式为:
,
结论部分的模糊集的表达式中,/>表示第一堆肥质量数据(碳氮比),/>表示第二堆肥质量数据(成熟度),/>和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)在模糊规则中的模糊类别下的隶属度,可以由三角形模糊数法计算得到。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,最小值模糊蕴涵运算的表达式为:
,
最小值模糊蕴涵运算的表达式中,表示第/>个堆肥原料的模糊输出,/>表示模糊集序列对应模糊规则的前提部分的模糊集,/>表示模糊集序列对应模糊规则的结论部分的模糊集,/>表示第/>个堆肥原料的第/>个特征在第/>个模糊类别下的隶属度,/>表示第一堆肥质量数据(碳氮比),/>表示第二堆肥质量数据(成熟度),/>和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)在模糊规则中的模糊类别下的隶属度。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,所述利用重心法对模糊输出进行模糊反演,将模糊输出转化为明确数值,得到待优化堆肥配方的堆肥质量数据,包括;
根据每个模糊集的堆肥质量数据最优解,得到每个模糊集的重心坐标;
计算每个模糊集的重心坐标与目标坐标的欧氏距离;
将与目标坐标的欧氏距离最小的模糊集的重心坐标所表示的堆肥质量数据最优解,作为待优化堆肥配方的堆肥质量数据。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,得到重心坐标的表达式为:
,
得到重心坐标的表达式中,和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)的第/>个模糊类别的中心点,/>和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)在第/>个模糊集中的第/>个模糊类别下的隶属度。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,欧氏距离的表达式为:
。
根据本发明提供的一种基于模型预测优化的堆肥配方方法,所述根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,利用多种群并行进化策略根据多个预设优化目标对待优化堆肥配方进行优化,得到多个预设优化目标对应的最佳堆肥配方,包括:
根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,结合多个预设优化目标初始化多个种群,每个种群表示一个预设优化目标且由多个个体组成,每个个体表示一个堆肥配方,每个个体的基因表示堆肥配方的堆肥原料比例;
计算每个种群中每个个体的适应度,并根据每个个体的适应度和预设选择策略,从当前种群中选出一部分个体,作为当前种群的下一代种群的父代;
根据预设交叉策略将多个种群的下一代种群的父代进行交叉,得到多个种群的子代;
根据预设变异策略对多个种群的子代进行变异,得到多个种群的新子代;
对于每个种群,将父代和新子代进行替换,得到下一代种群;
重新计算下一代种群中每个个体的适应度,选择适应度最高的个体作为该种群对应的预设优化目标的最佳堆肥配方。
本发明还提供一种基于模型预测优化的堆肥配方系统,包括:
数据获取模块,用于:获取待优化堆肥配方的堆肥原料数据;
预测模块,用于:根据待优化堆肥配方的堆肥原料数据,通过堆肥质量数据预测模型,预测得到待优化堆肥配方的堆肥质量数据;
优化模块,用于:根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,利用多种群并行进化策略根据多个预设优化目标对待优化堆肥配方进行优化,得到多个预设优化目标对应的最佳堆肥配方;
其中,根据堆肥配方样本的堆肥原料样本数据和堆肥质量样本数据,结合Transformer深度神经网络和模糊推理法,训练得到堆肥质量数据预测模型。
本发明还提供一种电子设备,包括处理器和存储有计算机程序的存储器,所述处理器执行所述计算机程序时实现上述任一种所述的基于模型预测优化的堆肥配方方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述任一种所述的基于模型预测优化的堆肥配方方法。
本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述任一种所述的基于模型预测优化的堆肥配方方法。
本发明提供的一种基于模型预测优化的堆肥配方方法、系统、设备及介质,先通过堆肥质量数据预测模型,根据待优化堆肥配方的堆肥原料数据准确预测得到待优化堆肥配方的堆肥质量数据,深度学习技术具有强大的数据驱动和特征学习能力,可以有效地处理堆肥质量预测问题的高维度和复杂性,提高优化堆肥配方的准确性和效率,实现堆肥配方方法的自动化和智能化;再将堆肥配方优化问题视为一个多目标优化问题,考虑堆肥配方的多个目标和约束,利用多种群并行进化策略根据多个预设优化目标对待优化堆肥配方进行优化,得到多个预设优化目标对应的最佳堆肥配方,多目标协同优化技术具有灵活的目标设定和权衡能力,可以有效地处理堆肥配方优化问题的多样性和不确定性,提高堆肥配方的适应性和满意度。
附图说明
为了更清楚地说明本发明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做出简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种基于模型预测优化的堆肥配方方法的流程示意图。
图2为本发明提供的一种基于模型预测优化的堆肥配方系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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一部分实施例,而不是全部的实施例,它们不应该理解成对本发明的限制。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。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
下面结合图1-图2描述本发明提供的基于模型预测优化的堆肥配方方法、系统、设备及介质。
图1是本发明提供的基于模型预测优化的堆肥配方方法的流程示意图。参照图1,本发明提供的一种基于模型预测优化的堆肥配方方法,可以包括:
步骤S110、获取待优化堆肥配方的堆肥原料数据,堆肥原料数据可以包括堆肥原料的类型(如厨余垃圾、农业废弃物、动物粪便等)、数量、重量、成分(如碳、氮、磷、钾等)、水分、湿度、pH值、有机质含量、碳含量、氮含量等等数据中的一项或其任意组合,堆肥原料数据可以通过传感器和其它仪器测得,也可以通过人工采样、实验室化验、文献查询等方式得到;
步骤S120、根据待优化堆肥配方的堆肥原料数据,通过堆肥质量数据预测模型,预测得到待优化堆肥配方的堆肥质量数据,堆肥质量数据可以包括碳氮比((carbon-to-nitrogen ratio,简称C/N,用于评估堆肥的营养价值)、成熟度(用于评估堆肥的稳定性和安全性)、重量(用于计算堆肥的产量)、温度(用于监测堆肥的发酵过程)等堆肥质量指标数据,本实施例以碳氮比和成熟度作为堆肥质量数据;
步骤S130、根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,利用多种群并行进化策略根据多个预设优化目标对待优化堆肥配方进行优化,得到多个预设优化目标对应的最佳堆肥配方。
在一种实施例中,可以先获取堆肥配方样本的堆肥原料样本数据和堆肥质量样本数据,对其进行数据预处理(包括数据清洗、数据归一化、数据分割、特征工程等),再采用Transformer深度神经网络和模糊推理法,提前训练得到混合模型——堆肥质量数据预测模型。
本实施例训练得到的堆肥质量数据预测模型可以包括特征提取器、模糊推理器、解释性模块,其中,特征提取器包括输入层、编码器层、输出层,输入层包括嵌入层和位置编码层,编码器层包括多头自注意力层和前馈神经网络层,输出层包括线性变换层。在本实施例中,堆肥质量数据预测模型的配置如下:使用Python语言编程,使用PyTorch框架和skfuzzy库,运行环境为Linux系统,CPU为Intel Core i7,内存为16GB,硬盘为1TB;Transformer深度神经网络的结构为:输入层-自注意力层-前馈层-输出层,其中自注意力层和前馈层为多头自注意力机制和位置编码,输出层为线性层和激活函数,使用Dropout和层归一化来防止过拟合和加速收敛;模糊推理器的结构为:模糊化-推理-解模糊化,其中模糊化为将Transformer深度神经网络的输出转化为模糊集,推理为根据模糊规则和模糊运算来生成模糊输出,解模糊化为将模糊输出转化为明确的数值。堆肥质量数据预测模型的输入为待优化堆肥配方的堆肥原料数据,如碳氮比、湿度、pH值等,输出为待优化堆肥配方的碳氮比和成熟度,损失函数为均方误差,优化器为AdamW,学习率为0.001,批次大小为32,训练轮数为100。
本实施例收集种堆肥原料的数据,每种堆肥原料的数据量为/>个样本,每个样本的特征维度为/>,因此得到一个/>的数据矩阵,记为/>。
在得到堆肥原料数据后,可以对收集到的堆肥原料数据进行清洗,以去除异常值和错误数据。异常值是指那些与正常数据分布明显不符的数据点,包括某个堆肥原料的C/N值远高于或远低于其正常范围。错误数据是指那些由于测量误差、录入错误、数据损坏等原因造成的不准确或不完整的数据点,包括某个堆肥原料的湿度值为负数或缺失。本实施例使用基于机器学习的算法来自动检测和纠正异常值和错误数据。具体地,使用孤立森林(Isolation Forest)算法来检测异常值,该算法是一种基于树结构的无监督学习方法,能够有效地识别出那些与大多数数据点相异的数据点;使用K近邻(K-Nearest Neighbors,简称KNN)算法来纠正错误数据,该算法是一种基于距离的有监督学习方法,能够根据数据点的最近邻居的特征值来估计其缺失或错误的特征值。通过这两个算法的应用,本实施例得到更加干净和准确的数据矩阵。
本实施例还对清洗后的堆肥原料数据进行归一化处理,以标准化数据的尺度。由于不同堆肥原料数据的特征值可能具有不同的量纲和范围,包括化学成分的单位是百分比,而温度的单位是摄氏度,这会导致数据的不均衡和偏差,影响模型的训练和预测。为了消除这种影响,使用最小-最大归一化(Min-Max Normalization)方法来将每个特征值转换到[0,1]区间内,使得数据具有相同的尺度和分布。具体地,对于每个特征值,其中表示堆肥原料的种类,/>表示样本的编号,/>表示特征的维度,使用以下公式进行归一化:
,
其中,和/>分别表示第/>种堆肥原料的第/>个特征的最小值和最大值,/>表示归一化后的特征值。通过这个方法,本实施例得到更加均衡和标准的数据矩阵/>。
本实施例还对归一化后的数据进行分割,以将数据集分为训练集和测试集。训练集是用于训练模型的数据,测试集是用于验证模型的数据。使用分层随机抽样方法来分割数据,该方法能够保证训练集和测试集中每种堆肥原料的数据比例与总体数据相同,避免数据的不均匀和失真。具体地,将每种堆肥原料的数据按照80%和20%的比例随机分配到训练集和测试集中,使得训练集和测试集的数据量分别为和/>。通过这个方法,本实施例得到一个训练集矩阵/>和一个测试集矩阵/>。
本实施例还对训练集和测试集进行特征工程,以选择最具影响力的特征,以增强数据的代表性和模型的预测能力。由于不同堆肥原料的特征可能具有不同的重要性和相关性,包括C/N值对于堆肥成熟度的影响可能比pH值更大,因此需要对特征进行筛选和提取。使用主成分分析(Principal Component Analysis,简称PCA)方法来进行特征工程,该方法是一种基于线性变换的无监督学习方法,能够将高维度的特征空间降维到低维度的主成分空间,同时保留数据的最大方差。具体地,使用以下公式进行PCA:
,
其中,表示主成分矩阵,/>表示权重矩阵,/>表示归一化后的数据矩阵。根据数据的累积方差贡献率来确定主成分的个数,即选择那些能够解释数据最大方差的主成分。本实施例设定一个阈值/>,表示累积方差贡献率的最小要求,一般取0.8到0.95之间的值。本实施例按照以下步骤来确定主成分的个数:
计算每个主成分的方差贡献率,即每个主成分的方差占总方差的比例,用公式表示为:
,
其中,表示第/>个主成分的方差贡献率,/>表示第/>个主成分的方差,/>表示原始特征的维度;
计算每个主成分的累积方差贡献率,即从第一个主成分开始到当前主成分的方差贡献率之和,用公式表示为:
,
其中,表示第/>个主成分的累积方差贡献率,/>表示第/>个主成分的方差贡献率;
找到第一个满足累积方差贡献率大于或等于阈值的主成分,记为第/>个主成分,即:
,
则即为所需的主成分的个数,/>。
通过这个方法,本实施例得到更加简洁和有效的主成分矩阵,其维度为,其中/>为主成分的个数。
以上是本实施例的数据收集与预处理的步骤,通过这些步骤,得到高质量的数据集,用于训练和验证模型的性能。通过利用大量的堆肥原料样本数据和堆肥质量样本数据,构建深度神经网络模型,深度学习技术具有强大的数据驱动和特征学习能力,可以有效地处理堆肥配方问题的高维度和复杂性,提高优化堆肥配方的准确性和效率,实现堆肥配方优化的自动化和智能化。
在一种实施例中,随着实际应用中更多增量数据的积累,本实施例基于增量学习技术来重新训练和更新模型。并可以通过建立性能监控系统来持续跟踪模型表现,并在检测到性能下降时自动触发调整。此外,还整合用户反馈到模型的优化过程中,确保模型能够持续适应用户的实际需求和不断变化的条件。为了实现这一目的,本发明采用了以下步骤:
本实施例使用一种增量学习技术,用于根据新收集的堆肥原料数据和堆肥质量数据,对模型进行重新训练和更新,以提高模型的准确性和泛化能力。该技术使用在线学习和迁移学习的方法,能够实现实时、动态、有效的数据利用。该技术的输入为新收集的堆肥原料数据和堆肥质量数据,其包含堆肥原料的特性数据和堆肥配方的碳氮比和成熟度。该技术的输出为更新后的模型参数,其包含输入模块、预测模块和优化模块的权重矩阵和偏置向量。该技术的参数为学习率、权重衰减、批次大小、训练轮数等。该技术的计算步骤如下:
首先,将新收集的堆肥原料数据和堆肥质量数据进行预处理,即将数据进行清洗、标准化、编码等操作,使其符合模型的输入格式。然后,将预处理后的数据分为训练集和测试集,并将训练集划分为多个批次,每个批次包含一定数量的数据样本。再者,对于每个批次,使用在线学习的方法,即将当前批次的数据作为输入,使用当前的模型参数作为初始值,使用最新的优化算法如AdamW来对模型进行训练,更新模型参数,以适应新的数据分布。在线学习是一种基于流式数据的学习方法,能够实现实时、动态、有效的数据利用。然后,对于每个批次,使用迁移学习的方法,即将当前的模型参数作为源域,将之前的模型参数作为目标域,使用一定的迁移策略来对模型进行微调(fine-tuning),保留模型的原有知识,并且学习模型的新知识。迁移学习是一种基于不同域的学习方法,能够实现有效、快速、稳定的知识迁移。最后,对于每个批次,使用测试集来评估模型的准确性泛化能力,并将评估结果存储到数据库中,以便进行性能监控和用户反馈。
在一种实施例中,可以建立性能监控系统,用于持续跟踪模型的表现,以及在检测到性能下降时自动触发调整。该系统使用指标和阈值的方法,能够实现准确、敏感、及时的性能评估。该系统的输入为模型的评估结果,其包含模型的验证指标和测试指标,本实施例使用均方根误差和决定系数作为模型的验证指标和测试指标。进一步的,本实施例设置有评估器负责根据模型的评估结果,计算模型的性能指标,并将其存储到数据库中,以便进行性能监控,其使用统计分析和数据挖掘技术,能够实现准确、敏感、及时的性能评估。进一步的,本实施例设置有监控器负责从数据库中获取模型的性能指标,并将其与预设的指标和阈值进行比较,以判断模型的表现是否满足预期,其使用异常检测和报警系统技术,能够实现有效、灵敏、及时的性能监控。如果检测到模型的性能指标低于预设的阈值,则触发报警,并通知调整器进行调整。进一步的,本实施例设置有调整器负责根据报警的信息,对模型进行调整,以提高模型的性能,其使用参数调优和结构调整技术,能够实现有效、快速、稳定的模型调整。参数调优是指根据模型的性能指标,调整模型的参数,包括学习率、权重衰减、批次大小、训练轮数等。结构调整是指根据模型的性能指标,调整模型的结构,包括增加或减少模块、层、神经元等。进一步的,本发明还可以整合用户反馈到模型的优化过程中,用于根据用户的满意度和建议,对模型进行改进,以确保模型能够持续适应用户的实际需求和不断变化的条件。该功能使用主动学习和强化学习的方法,能够实现用户和模型之间的互动学习,并且具有自主、适应、优化等优点。该功能的输入为用户的满意度和建议,其包含用户对模型的评价、意见、需求等信息。该功能的输出为改进后的模型参数,其包含输入模块、预测模块和优化模块的权重矩阵和偏置向量。该功能的组件包括询问器、学习器和奖励器,其功能和关系如下:
询问器:负责向用户询问其对模型的满意度和建议,以获取用户的反馈。该组件其使用问卷调查和语音识别技术,能够实现多种形式的用户询问。学习器:负责根据用户的反馈,对模型进行学习,以改进模型的性能,其使用主动学习和强化学习技术,能够实现用户和模型之间的互动学习。主动学习是一种基于用户反馈的学习方法,能够实现模型的自主学习,即模型主动地向用户询问其对模型的评价,并根据用户的回答来更新模型的参数。强化学习是一种基于用户反馈的学习方法,能够实现模型的适应学习,即模型根据用户的意见、需求等信息来调整模型的行为并根据用户的奖励或惩罚来优化模型的策略。奖励器:负责根据模型的改进,向用户提供奖励,以增加用户的满意度和忠诚度,其使用积分系统和语音合成技术,能够实现多种形式的用户奖励。
在训练得到堆肥质量数据预测模型后,可以将步骤S110获得的待优化堆肥配方的堆肥原料数据输入堆肥质量数据预测模型,以预测待优化堆肥配方对应的堆肥质量数据,用于后续优化待优化堆肥配方。在一种实施例中,步骤S120可以包括:
步骤S1201、通过特征提取器,利用Transformer深度神经网络,得到待优化堆肥配方的堆肥原料数据的特征数据,Transformer深度神经网络是一种基于自注意力机制(Self-Attention)的序列到序列的模型,能够有效地捕捉堆肥原料之间的依赖关系和语义信息;
步骤S1202、通过模糊推理器,对特征数据进行模糊化得到模糊集,并根据模糊规则对模糊集进行模糊运算得到模糊输出,以及通过解模糊化将模糊输出转化为明确数值,得到待优化堆肥配方的堆肥质量数据;
步骤S1203、通过解释性模块,对堆肥质量数据预测模型的特征提取器、模糊推理器、解释性模块的输出进行可视化,堆肥配方是一个涉及多方利益和需求的问题,可以提供透明和可信的信息,以增强用户的信任和满意度。
在一种实施例中,步骤S1201可以包括:
通过输入层的嵌入层对堆肥原料数据进行降维,并通过输入层的位置编码层为堆肥原料数据增设位置信息,得到携带位置向量的堆肥原料向量;
通过编码器层的多头自注意力层计算携带位置向量的堆肥原料向量之间的相关性,得到注意力结果,并通过编码器的前馈神经网络层对注意力结果进行线性变换,得到多头自注意力输出;
通过输出层的线性变换层将多头自注意力输出转换为特征向量,作为待优化堆肥配方的堆肥原料数据的特征数据。
在一种实施例中,可以将堆肥原料数据表示为,其中,/>表示堆肥原料数据序列,/>表示第/>个堆肥原料的堆肥原料数据向量,通过输入层的嵌入层对堆肥原料数据进行降维,得到堆肥原料数据嵌入向量序列,记为/>,其中/>表示第/>个堆肥原料的堆肥原料数据嵌入向量,其包含堆肥原料的类型和数量信息;通过输入层的位置编码层,利用正弦函数和余弦函数为每个堆肥原料的堆肥原料数据嵌入向量增设位置信息,得到携带位置向量的堆肥原料向量,记为/>,其中/>表示位置编码矩阵,以保持堆肥原料的顺序信息。
其中,正弦函数的表达式为:
,
余弦函数的表达式为:
,
正弦函数的表达式和余弦函数的表达式中,表示堆肥原料的位置,i表示堆肥原料数据嵌入向量的维度,/>表示堆肥原料数据嵌入向量的总维度。/>
在一种实施例中,编码器层可以由多个相同的子层组成,每个子层包括一个多头自注意力层和一个前馈神经网络层。多头自注意力层的作用是计算堆肥原料数据之间的相关性,前馈神经网络层的作用是对堆肥原料数据的特征进行非线性变换。每个子层还包括一个残差连接和一个层归一化操作,以提高模型的稳定性和泛化能力。具体的,可以根据携带位置向量的堆肥原料向量,通过编码器层的多头自注意力层得到第一查询向量、第一键向量/>、第一值向量/>,并将第一查询向量/>、第一键向量/>、第一值向量/>分别切分为/>个子向量,得到第二查询向量/>、第二键向量/>、第二值向量/>,/>,/>,表示注意力头的数量,每个子向量的维度为/>,以及计算每个子向量与其它子向量的点积注意力,得到每个子向量的注意力结果并将/>个子向量的注意力结果进行拼接,得到注意力结果,其中,点积注意力的表达式为:
,
其中,函数的作用是对每一行的元素进行归一化,使其和为1,表示堆肥原料之间的注意力权重,/>是一个缩放因子,用于防止点积的值过大或过小,影响梯度的稳定性;
通过编码器层的前馈神经网络层对注意力结果进行线性变换,得到多头自注意力输出,记为,其中,/>,表示多头自注意力输出的维度,/>表示可学习的权重矩阵,/>函数用于将/>个子向量的注意力结果按列拼接起来。
在一种实施例中,可以通过输出层的线性变换层根据变换表达式将多头自注意力输出转换为特征向量序列,记为,其中/>,/>表示特征向量的维度,其中,变换表达式为:
,
其中,表示多头自注意力输出,/>表示可学习的权重矩阵。
模糊推理器使用模糊推理的方法来预测待优化堆肥配方的碳氮比和成熟度。模糊推理是一种基于模糊逻辑的推理方法,能够处理不确定性和模糊性的问题。在一种实施例中,步骤S1202可以包括:
通过模糊推理器,利用三角形模糊数法对特征数据进行模糊化,得到模糊集;
根据模糊规则,利用Mamdani型模糊推理法对模糊集进行最小值模糊交运算和最小值模糊蕴涵运算,得到模糊输出;
利用重心法对模糊输出进行模糊反演,将模糊输出转化为明确数值,得到待优化堆肥配方的堆肥质量数据,包括堆肥配方的碳氮比和成熟度/>。
在一种实施例中,可以利用三角形模糊数法,将特征向量序列中的每一个特征向量转化为一个模糊集,将特征向量序列中的所有特征向量的模糊集进行集合,得到模糊集序列,其中,模糊集为由一组有序对组成的集合,每组有序对表示特征向量的特征值和其在每个模糊类别下的隶属度。
模糊化步骤的作用是将特征向量序列中的每个特征值转换为一个模糊集,表示其隶属于不同的模糊类别的程度。模糊类别是对特征值的一种语义划分,包括,水分可以划分为“干燥”、“适中”和“湿润”三个模糊类别,pH值可以划分为“酸性”、“中性”和“碱性”三个模糊类别。模糊集是由一组有序对组成的集合,每个有序对表示一个特征值和其对应的隶属度,隶属度是一个介于0和1之间的实数,表示该特征值属于某个模糊类别的可能性。模糊化的方法有多种,本实施例采用三角形模糊数的方法,具体过程如下:
首先,对于每个特征向量,确定其对应的模糊类别的数量/>,以及每个模糊类别的名称和范围。包括,对于水分特征,可以确定/>,并将其划分为“干燥”、“适中”和“湿润”三个模糊类别,其范围分别为[0,0.1]、[0.05,0.15]和[0.1,0.2]。
然后,对于每个特征值,计算其在每个模糊类别下的隶属度/>,其中。
其中,三角形模糊数法的表达式为:
,
三角形模糊数法的表达式中,表示特征向量的特征值在每个模糊类别下的隶属度,/>表示特征向量的特征值,每个模糊类别的范围表示为一个三角形,其顶点为,其中/>和/>分别表示模糊类别的下限和上限,/>表示模糊类别的中心点。
将每个特征值和其对应的隶属度/>组成一个有序对/>,并将所有的有序对组成一个模糊集/>,表示第/>个堆肥原料的第/>个特征的模糊化结果。则模糊化的输出为一个模糊集序列/>,其中/>示堆肥原料的数量,/>表示特征向量的维度。
在一种实施例中,可以通过以下步骤得到模糊输出:
确定待优化堆肥配方的堆肥质量数据和堆肥质量数据的模糊类别,包括每个模糊类别的名称、范围,以及模糊类别的总数,例如,确定待优化堆肥配方的碳氮比和成熟度/>的模糊类别的数量/>和/>,以及每个模糊类别的名称和范围,对于碳氮比,可以确定/>,并将其划分为“低”、“中”和“高”三个模糊类别,其范围分别为[0,10]、[5,15]和[10,20],对于成熟度,可以确定/>,并将其划分为“不成熟”、“适中”和“成熟”三个模糊类别,其范围分别为[0,0.5]、[0.25,0.75]和[0.5,1];
确定一组模糊规则,其中/>表示模糊规则的数量,模糊规则是一种描述堆肥原理数据特征和待优化堆肥配方之间关系的语句;
对于每个模糊规则,通过最小值模糊交运算,得到模糊集序列对应模糊规则的前提部分的模糊集/>,表示堆肥原料数据特征满足模糊规则前提条件的程度;
根据待优化堆肥配方的堆肥质量数据和堆肥质量数据的模糊类别,得到模糊集序列对应模糊规则的结论部分的模糊集,表示待优化堆肥配方的碳氮比和成熟度满足模糊规则结论条件的程度;
根据模糊集序列对应模糊规则的前提部分的模糊集和对应模糊规则的结论部分的模糊集/>,通过最小值模糊蕴涵运算,得到模糊输出/>,表示待优化堆肥配方的碳氮比和成熟度的模糊推理结果,模糊集/>表示堆肥原料数据特征和待优化堆肥配方之间的模糊关系,其中,/>表示模糊集序列,/>表示第/>个堆肥原料的模糊输出,/>表示堆肥原料的数量。
在一种实施例中,可以根据最小值模糊交运算对模糊集序列和模糊规则中的模糊类别进行模糊交运算,得到模糊集序列对应模糊规则的前提部分的模糊集,其中,最小值模糊交运算的表达式为:
,
最小值模糊交运算的表达式中,表示第/>个堆肥原料的第/>个特征在第/>个模糊类别下的隶属度,/>表示模糊规则中的模糊类别,/>表示第/>个堆肥原料的第/>个特征的模糊集,/>表示特征向量的维度。
在一种实施例中,可以根据模糊规则中的堆肥质量数据的模糊类别,得到模糊集序列对应模糊规则的结论部分的模糊集,其中,结论部分的模糊集/>的表达式为:
,
结论部分的模糊集的表达式中,/>表示第一堆肥质量数据(碳氮比),/>表示第二堆肥质量数据(成熟度),/>和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)在模糊规则中的模糊类别下的隶属度,可以由三角形模糊数法计算得到。
在一种实施例中,最小值模糊蕴涵运算的表达式为:
,
最小值模糊蕴涵运算的表达式中,表示第/>个堆肥原料的模糊输出,/>表示模糊集序列对应模糊规则的前提部分的模糊集,/>表示模糊集序列对应模糊规则的结论部分的模糊集,/>表示第/>个堆肥原料的第/>个特征在第/>个模糊类别下的隶属度,/>表示第一堆肥质量数据(碳氮比),/>表示第二堆肥质量数据(成熟度),/>和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)在模糊规则中的模糊类别下的隶属度。
模糊反演:该步骤的作用是将模糊推理的输出转换为一个确定的数值,表示堆肥配方的碳氮比/>和成熟度/>的最优解。在一种实施例中,可以根据每个模糊集的堆肥质量数据最优解,得到每个模糊集的重心坐标/>;计算每个模糊集的重心坐标与目标坐标的欧氏距离,表示待优化堆肥配方的碳氮比和成熟度的最优解与目标值的偏差,目标值是根据堆肥的质量要求和应用场景确定的,本实施例假设目标值为/>,表示堆肥的碳氮比为12,成熟度为0.7;将与目标坐标的欧氏距离最小的模糊集的重心坐标所表示的堆肥质量数据最优解,表示该堆肥配方最接近目标值,具有最高的质量和适用性,作为待优化堆肥配方的堆肥质量数据,模糊反演的输出为一个数值对/>。
其中,得到重心坐标的表达式为:
,
得到重心坐标的表达式中,和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)的第/>个模糊类别的中心点,/>和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)在第/>个模糊集中的第/>个模糊类别下的隶属度。
其中,欧氏距离的表达式为:
。
在一种实施例中,解释性模块用于帮助用户理解模型如何做出预测,提高模型的可解释性和可信度。解释性模块的输入为模型的各个组件的输出,输出为一个解释性报告,包括以下内容:特征提取器的输出的可视化,展示堆肥原料的特征分布和相关性;模糊推理器的输出/>的可视化,展示堆肥配方的碳氮比和成熟度的模糊分布和隶属度;模糊反演的输出/>的可视化,展示堆肥配方的碳氮比和成熟度的最优解和目标值的比较;模型的性能评估,包括准确率、召回率、F1值等指标,以及与其他模型的对比分析。
解释性模块可以使用可视化和自然语言的方式,展示模型的内部结构和工作原理,以及模型的输入和输出的关系。在本实施例中,解释性模块的配置如下:使用Python语言编程,使用matplotlib库和NLTK库,运行环境为Linux系统,CPU为Intel Core i7,内存为16GB,硬盘为1TB;可视化部分,使用matplotlib库绘制模型的结构图、数据的分布图、特征的重要性图、目标函数的曲线图等,以直观地展示模型的组成和效果。
多目标优化算法用于优化堆肥配方的多个目标和约束,如成本、资源可用性等,该算法使用多种群并行进化策略,实现堆肥配方的均衡和优化。在本实施例中,该算法的配置如下:使用Python语言编程,使用DEAP框架和numpy库,运行环境为Linux系统,CPU为IntelCore i7,内存为16GB,硬盘为1TB;多种群并行进化策略的结构为:初始化-评估-选择-变异-交叉-迁移-终止,其中初始化为生成多个种群,每个种群对应一个目标,评估为计算每个个体的适应度,选择为根据适应度选择个体,变异为对个体进行随机变化,交叉为对个体进行重组,迁移为在不同的种群之间交换个体,终止为达到预设的条件或次数;算法的输入为堆肥配方的多个目标和约束,如碳氮比、成熟度、成本、资源可用性等,输出为最优的堆肥配方,适应度函数为目标函数的加权和,选择算子为锦标赛选择,变异算子为高斯变异,交叉算子为均匀交叉,迁移算子为随机迁移,种群大小为50,迭代次数为100。
在一种实施例中,步骤S130可以包括:
根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,结合多个预设优化目标初始化多个种群,每个种群表示一个预设优化目标且由多个个体组成,每个个体表示一个堆肥配方,每个个体的基因表示堆肥配方的堆肥原料比例,每个个体的初始值可以随机生成,或者根据预测结果进行微调;
计算每个种群中每个个体的适应度,即评估每个堆肥配方对应的目标值,包括碳氮比、成熟度、成本、资源可用性等,并根据每个个体的适应度和预设选择策略(包括轮盘赌选择、锦标赛选择、精英选择等),从当前种群中选出一部分个体,作为当前种群的下一代种群的父代,其中,适应度函数可以根据不同的目标设定不同的计算公式:
,
,
,
,
其中,表示一个堆肥配方,/>表示其碳氮比,/>表示期望的碳氮比,/>表示其成熟度,/>表示第/>种堆肥原料的比例,/>表示第i种堆肥原料的单位成本,/>表示第/>种堆肥原料的可用性;
根据预设交叉策略(包括均匀交叉、单点交叉、多点交叉等)将多个种群的下一代种群的父代进行交叉,得到多个种群的子代;
根据预设变异策略(包括随机变异、高斯变异、边界变异等)对多个种群的子代进行变异,得到多个种群的新子代;
对于每个种群,将父代和新子代进行替换,即从当前种群中淘汰一部分个体,用新生成的子代来替换,得到下一代种群,替换方法可以根据不同的目标设定不同的策略,包括精英保留、竞争替换、随机替换等;
重新计算下一代种群中每个个体的适应度,选择适应度最高的个体作为该种群对应的预设优化目标的最佳堆肥配方,同时得到当前种群的平均适应度,即平均的目标值,排序方法可以根据不同的目标设定不同的策略,包括非支配排序、拥挤距离排序、适应度比例排序等;
重复以上步骤,直到达到预设的进化代数或满足预设的停止条件,结束算法,输出最佳的堆肥配方。
多目标协同优化技术为堆肥配方方法提供了新的视角和目标,通过将堆肥配方问题视为一个多目标优化问题,考虑堆肥配方的多个目标和约束,如碳氮比、成熟度、成本、资源可用性等,利用多种群并行进化策略,实现堆肥配方的均衡和优化。多目标协同优化技术具有灵活的目标设定和权衡能力,可以有效地处理堆肥配方问题的多样性和不确定性,提高堆肥配方的适应性和满意度。
在一种实施例中,本实施例可以建立实时反馈系统,根据连续输入的堆肥原料数据动态调整模型预测结果。不仅考虑碳氮比和成熟度,应用多种群并行进化策略的多目标优化算法来平衡成本、资源可用性等其他关键因素。用户还可以根据个人需求设置特定的优先级或限制,以实现个性化的堆肥配方调整。为实现这一目的,可以采用以下步骤:
建立实时反馈系统,用于接收并处理连续输入的堆肥原料数据,以及输出并更新预测结果,该系统使用了消息队列和事件驱动的架构,能够实现高效、可扩展、灵活的数据流处理,该系统的输入为堆肥原料的特性数据,其包含堆肥原料的种类、数量、水分、碳氮比等信息,该系统的输出为堆肥配方的预测结果,其包含每种堆肥原料的比例、碳氮比、成熟度等信息。该系统的组件包括生产者、消费者、代理和数据库,其功能和关系如下:
生产者:负责接收堆肥原料的特性数据,并将其封装为消息,发送到代理的指定主题中,其使用传感器和物联网(Internet of Things,简称IoT)技术,能够实现实时、准确、无线的数据采集。消费者:负责从代理的指定主题中订阅并获取消息,并将其解析为堆肥原料的特性数据,传递给模型进行预测,并将预测结果存储到数据库中,并反馈给用户,其使用模型服务和应用程序接口(application programming interface,简称API)技术,能够实现快速、稳定、可访问的数据处理。代理:负责在生产者和消费者之间进行消息的转发、缓存、路由等操作,其使用分布式消息系统如Kafka,能够实现高吞吐量、高可用性(highavailability)、高容错性的数据传输。数据库:负责存储堆肥原料的特性数据和堆肥配方的预测结果,以及提供数据的查询、分析、可视化等功能,其使用分布式数据库如MongoDB,能够实现高性能、高可扩展性、高一致性的数据管理。本实施例还构件个性化调整功能,用于根据用户的个人需求,设置特定的优先级或限制,以实现个性化的堆肥配方调整,其使用交互式优化的方法,能够实现用户和模型之间的双向沟通(bidirectionalcommunication),并且具有灵活、适应、满意等优点,该功能的输入为用户的优先级或限制,其包含用户对碳氮比、成熟度、成本、资源可用性等目标的偏好或要求,该功能的输出为调整后的堆肥配方,其包含每种堆肥原料的比例、碳氮比、成熟度等信息,该功能的组件包括用户界面、优化器和反馈器,其功能和关系如下:
用户界面(user interface,UI):负责提供一个友好、直观、易用的用户界面,用于接收用户的优先级或限制,以及展示调整后的堆肥配方,其使用图形用户界面(graphicaluser interface,简称GUI)和语音用户界面(voice user interface,简称VUI)技术,能够实现多种形式的用户交互,包括滑动条、按钮、语音命令等。优化器:负责根据用户的优先级或限制,对堆肥配方进行调整,以满足用户的需求,其使用多目标优化算法,能够在多个目标之间进行权衡,并且具有高效、鲁棒、多样等优点。反馈器:负责根据调整后的堆肥配方,向用户提供反馈,以帮助用户理解和评估调整结果,其使用了可解释性模块和可视化模块技术,能够实现清晰、直观、有趣的数据呈现,包括文字解释、图表展示、语音播报等。
本发明提供的基于模型预测优化的堆肥配方方法,能够根据不同的堆肥目标和堆肥原料特性,确定合适的堆肥原料比例和处理方式,以达到最佳的堆肥效果。该方法不仅考虑碳氮比和成熟度,还考虑成本、资源可用性等其他关键因素,实现堆肥配方的协同优化。该方法能够根据连续输入的堆肥原料数据动态调整预测,并建立实时反馈系统,以实现堆肥配方的实时更新和优化。该方法能够提高堆肥的质量和效率,从而提高土壤肥力和农作物产量,减少垃圾量和温室气体排放,促进循环农业的发展。
本发明提供的基于模型预测优化的堆肥配方方法,着重于模型的可解释性,通过引入解释性模块来帮助用户理解模型如何做出预测。该模块能够提供模型的结构、参数、输入输出、特征重要性等信息,以及模型的推理过程和依据,以提高用户的信任和满意度。用户还可以根据个人需求设置特定的优先级或限制,以实现个性化的堆肥配方调整。该方法能够提高用户的满意度和信任度,从而增加用户的使用意愿和忠诚度,促进堆肥技术的推广和应用。
本发明提供的基于模型预测控制的堆肥配方方法,充分利用人工智能等技术的发展,有效地解决现有技术方案的不足,为堆肥技术的推广和循环农业的发展提供有力的支撑。
下面对本发明提供的基于模型预测优化的堆肥配方系统进行描述,下文描述的基于模型预测优化的堆肥配方系统与上文描述的基于模型预测优化的堆肥配方方法可相互对应参照。
参照图2,本发明提供的一种基于模型预测优化的堆肥配方系统,可以包括:
数据获取模块,用于:获取待优化堆肥配方的堆肥原料数据;
预测模块,用于:根据待优化堆肥配方的堆肥原料数据,通过堆肥质量数据预测模型,预测得到待优化堆肥配方的堆肥质量数据;
优化模块,用于:根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,利用多种群并行进化策略根据多个预设优化目标对待优化堆肥配方进行优化,得到多个预设优化目标对应的最佳堆肥配方。
其中,堆肥质量数据预测模型中的各模块,例如特征提取器、模糊推理器、解释性模块,可以作为预测模块中的多个子模块,分别执行对应的方法步骤。
根据本发明提供的一种基于模型预测优化的堆肥配方系统,优化模块可以包括:
初始化子模块,用于:根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,结合多个预设优化目标初始化多个种群,每个种群表示一个预设优化目标且由多个个体组成,每个个体表示一个堆肥配方,每个个体的基因表示堆肥配方的堆肥原料比例;
个体选择子模块,用于:计算每个种群中每个个体的适应度,并根据每个个体的适应度和预设选择策略,从当前种群中选出一部分个体,作为当前种群的下一代种群的父代;
交叉子模块,用于:根据预设交叉策略将多个种群的下一代种群的父代进行交叉,得到多个种群的子代;
变异子模块,用于:根据预设变异策略对多个种群的子代进行变异,得到多个种群的新子代;
替换子模块,用于:对于每个种群,将父代和新子代进行替换,得到下一代种群;
优化子模块,用于:重新计算下一代种群中每个个体的适应度,选择适应度最高的个体作为该种群对应的预设优化目标的最佳堆肥配方。
本发明还可以提供一种电子设备,该电子设备可以包括:处理器(processor)、通信接口(Communications Interface)、存储器(memory)和通信总线,其中,处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的逻辑指令,以执行上述任一项所述的基于模型预测优化的堆肥配方方法。
此外,上述的存储器中的逻辑指令可以通过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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述任一项所述的基于模型预测优化的堆肥配方方法。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述任一项所述的基于模型预测优化的堆肥配方方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于模型预测优化的堆肥配方方法,其特征在于,包括:
获取待优化堆肥配方的堆肥原料数据;
根据待优化堆肥配方的堆肥原料数据,通过堆肥质量数据预测模型,预测得到待优化堆肥配方的堆肥质量数据;
根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,利用多种群并行进化策略根据多个预设优化目标对待优化堆肥配方进行优化,得到多个预设优化目标对应的最佳堆肥配方;
其中,根据堆肥配方样本的堆肥原料样本数据和堆肥质量样本数据,结合Transformer深度神经网络和模糊推理法,训练得到堆肥质量数据预测模型。
2.根据权利要求1所述的基于模型预测优化的堆肥配方方法,其特征在于,堆肥质量数据预测模型包括特征提取器、模糊推理器、解释性模块,
所述根据待优化堆肥配方的堆肥原料数据,通过堆肥质量数据预测模型,预测得到待优化堆肥配方的堆肥质量数据,包括:
通过特征提取器,利用Transformer深度神经网络,得到待优化堆肥配方的堆肥原料数据的特征数据;
通过模糊推理器,对特征数据进行模糊化得到模糊集,并根据模糊规则对模糊集进行模糊运算得到模糊输出,以及通过解模糊化将模糊输出转化为明确数值,得到待优化堆肥配方的堆肥质量数据;
通过解释性模块,对堆肥质量数据预测模型的特征提取器、模糊推理器、解释性模块的输出进行可视化。
3.根据权利要求2所述的基于模型预测优化的堆肥配方方法,其特征在于,特征提取器包括输入层、编码器层、输出层,输入层包括嵌入层和位置编码层,编码器层包括多头自注意力层和前馈神经网络层,输出层包括线性变换层;
其中,所述通过特征提取器,利用Transformer深度神经网络,得到待优化堆肥配方的堆肥原料数据的特征数据,包括:
通过输入层的嵌入层对堆肥原料数据进行降维,并通过输入层的位置编码层为堆肥原料数据增设位置信息,得到携带位置向量的堆肥原料向量;
通过编码器层的多头自注意力层计算携带位置向量的堆肥原料向量之间的相关性,得到注意力结果,并通过编码器的前馈神经网络层对注意力结果进行线性变换,得到多头自注意力输出;
通过输出层的线性变换层将多头自注意力输出转换为特征向量,作为待优化堆肥配方的堆肥原料数据的特征数据。
4.根据权利要求3所述的基于模型预测优化的堆肥配方方法,其特征在于,所述通过输入层的嵌入层对堆肥原料数据进行降维,并通过输入层的位置编码层为堆肥原料数据增设位置信息,得到携带位置向量的堆肥原料向量,包括:
将堆肥原料数据表示为,其中,/>表示堆肥原料数据序列,/>表示第/>个堆肥原料的堆肥原料数据向量,通过输入层的嵌入层对堆肥原料数据进行降维,得到堆肥原料数据嵌入向量序列,记为/>,其中/>表示第/>个堆肥原料的堆肥原料数据嵌入向量,其包含堆肥原料的类型和数量信息;
通过输入层的位置编码层,利用正弦函数和余弦函数为每个堆肥原料的堆肥原料数据嵌入向量增设位置信息,得到携带位置向量的堆肥原料向量,记为,其中/>表示位置编码矩阵;
其中,正弦函数的表达式为:
,
余弦函数的表达式为:
,
正弦函数的表达式和余弦函数的表达式中,表示堆肥原料的位置,i表示堆肥原料数据嵌入向量的维度,/>表示堆肥原料数据嵌入向量的总维度;
优选的,所述通过编码器层的多头自注意力层计算携带位置向量的堆肥原料向量之间的相关性,得到注意力结果,并通过编码器层的前馈神经网络层对注意力结果进行线性变换,得到多头自注意力输出,包括:
根据携带位置向量的堆肥原料向量,通过编码器层的多头自注意力层得到第一查询向量、第一键向量/>、第一值向量/>,并将第一查询向量/>、第一键向量/>、第一值向量/>分别切分为/>个子向量,得到第二查询向量/>、第二键向量/>、第二值向量/>,/>,,h表示注意力头的数量,每个子向量的维度为/>,以及计算每个子向量与其它子向量的点积注意力,得到每个子向量的注意力结果并将/>个子向量的注意力结果进行拼接,得到注意力结果;
通过编码器层的前馈神经网络层对注意力结果进行线性变换,得到多头自注意力输出,记为,其中,/>,表示多头自注意力输出的维度,/>表示可学习的权重矩阵,/>函数用于将/>个子向量的注意力结果按列拼接起来;
优选的,所述通过输出层的线性变换层将多头自注意力输出转换为特征向量,作为待优化堆肥配方的堆肥原料数据的特征数据,包括:
通过输出层的线性变换层根据变换表达式将多头自注意力输出转换为特征向量序列,记为,其中/>,/>表示特征向量的维度,其中,变换表达式为:
,
其中,表示多头自注意力输出,/>表示可学习的权重矩阵。
5.根据权利要求4所述的基于模型预测优化的堆肥配方方法,其特征在于,所述通过模糊推理器,对特征数据进行模糊化得到模糊集,并根据模糊规则对模糊集进行模糊运算得到模糊输出,以及通过解模糊化将模糊输出转化为明确数值,得到待优化堆肥配方的堆肥质量数据,包括:
通过模糊推理器,利用三角形模糊数法对特征数据进行模糊化,得到模糊集;
根据模糊规则,利用Mamdani型模糊推理法对模糊集进行最小值模糊交运算和最小值模糊蕴涵运算,得到模糊输出;
利用重心法对模糊输出进行模糊反演,将模糊输出转化为明确数值,得到待优化堆肥配方的堆肥质量数据;
优选的,所述通过模糊推理器,利用三角形模糊数法对特征数据进行模糊化,得到模糊集,包括:
利用三角形模糊数法,将特征向量序列中的每一个特征向量转化为一个模糊集,将特征向量序列中的所有特征向量的模糊集进行集合,得到模糊集序列,其中,模糊集为由一组有序对组成的集合,每组有序对表示特征向量的特征值和其在每个模糊类别下的隶属度;
优选的,三角形模糊数法的表达式为:
,
三角形模糊数法的表达式中,表示特征向量的特征值在每个模糊类别下的隶属度,表示特征向量的特征值,每个模糊类别的范围表示为一个三角形,其顶点为/>,其中/>和/>分别表示模糊类别的下限和上限,/>表示模糊类别的中心点。
6.根据权利要求5所述的基于模型预测优化的堆肥配方方法,其特征在于,所述根据模糊规则,利用Mamdani型模糊推理法对模糊集进行最小值模糊交运算和最小值模糊蕴涵运算,得到模糊输出,包括:
确定待优化堆肥配方的堆肥质量数据和堆肥质量数据的模糊类别,包括每个模糊类别的名称、范围,以及模糊类别的总数;
确定一组模糊规则,其中/>表示模糊规则的数量;
对于每个模糊规则,通过最小值模糊交运算,得到模糊集序列对应模糊规则的前提部分的模糊集;
根据待优化堆肥配方的堆肥质量数据和堆肥质量数据的模糊类别,得到模糊集序列对应模糊规则的结论部分的模糊集;
根据模糊集序列对应模糊规则的前提部分的模糊集和对应模糊规则的结论部分的模糊集/>,通过最小值模糊蕴涵运算,得到模糊输出/>,其中,/>表示模糊集序列,/>表示第/>个堆肥原料的模糊输出,/>表示堆肥原料的数量;
优选的,所述对于每个模糊规则,通过最小值模糊交运算,得到模糊集序列对应模糊规则的前提部分的模糊集,包括:
根据最小值模糊交运算对模糊集序列和模糊规则中的模糊类别进行模糊交运算,得到模糊集序列对应模糊规则的前提部分的模糊集,其中,最小值模糊交运算的表达式为:
,
最小值模糊交运算的表达式中,表示第/>个堆肥原料的第/>个特征在第/>个模糊类别下的隶属度,/>表示模糊规则中的模糊类别,/>表示第/>个堆肥原料的第/>个特征的模糊集,表示特征向量的维度;
优选的,所述根据待优化堆肥配方的堆肥质量数据和堆肥质量数据的模糊类别,得到模糊集序列对应模糊规则的结论部分的模糊集,包括:
根据模糊规则中的堆肥质量数据的模糊类别,得到模糊集序列对应模糊规则的结论部分的模糊集,其中,结论部分的模糊集/>的表达式为:
,
结论部分的模糊集的表达式中,/>表示第一堆肥质量数据(碳氮比),/>表示第二堆肥质量数据(成熟度),/>和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)在模糊规则中的模糊类别下的隶属度,可以由三角形模糊数法计算得到;
优选的,最小值模糊蕴涵运算的表达式为:
,
最小值模糊蕴涵运算的表达式中,表示第/>个堆肥原料的模糊输出,/>表示模糊集序列对应模糊规则的前提部分的模糊集,/>表示模糊集序列对应模糊规则的结论部分的模糊集,/>表示第/>个堆肥原料的第/>个特征在第/>个模糊类别下的隶属度,/>表示第一堆肥质量数据(碳氮比),/>表示第二堆肥质量数据(成熟度),/>和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)在模糊规则中的模糊类别下的隶属度。
7.根据权利要求6所述的基于模型预测优化的堆肥配方方法,其特征在于,所述利用重心法对模糊输出进行模糊反演,将模糊输出转化为明确数值,得到待优化堆肥配方的堆肥质量数据,包括;
根据每个模糊集的堆肥质量数据最优解,得到每个模糊集的重心坐标;
计算每个模糊集的重心坐标与目标坐标的欧氏距离;
将与目标坐标的欧氏距离最小的模糊集的重心坐标所表示的堆肥质量数据最优解,作为待优化堆肥配方的堆肥质量数据;
优选的,得到重心坐标的表达式为:
,
得到重心坐标的表达式中,和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)的第/>个模糊类别的中心点,/>和/>分别表示第一堆肥质量数据(碳氮比)和第二堆肥质量数据(成熟度)在第/>个模糊集中的第/>个模糊类别下的隶属度;
优选的,欧氏距离的表达式为:
;
优选的,所述根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,利用多种群并行进化策略根据多个预设优化目标对待优化堆肥配方进行优化,得到多个预设优化目标对应的最佳堆肥配方,包括:
根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,结合多个预设优化目标初始化多个种群,每个种群表示一个预设优化目标且由多个个体组成,每个个体表示一个堆肥配方,每个个体的基因表示堆肥配方的堆肥原料比例;
计算每个种群中每个个体的适应度,并根据每个个体的适应度和预设选择策略,从当前种群中选出一部分个体,作为当前种群的下一代种群的父代;
根据预设交叉策略将多个种群的下一代种群的父代进行交叉,得到多个种群的子代;
根据预设变异策略对多个种群的子代进行变异,得到多个种群的新子代;
对于每个种群,将父代和新子代进行替换,得到下一代种群;
重新计算下一代种群中每个个体的适应度,选择适应度最高的个体作为该种群对应的预设优化目标的最佳堆肥配方。
8.一种基于模型预测优化的堆肥配方系统,其特征在于,包括:
数据获取模块,用于:获取待优化堆肥配方的堆肥原料数据;
预测模块,用于:根据待优化堆肥配方的堆肥原料数据,通过堆肥质量数据预测模型,预测得到待优化堆肥配方的堆肥质量数据;
优化模块,用于:根据待优化堆肥配方的堆肥原料数据和堆肥质量数据,利用多种群并行进化策略根据多个预设优化目标对待优化堆肥配方进行优化,得到多个预设优化目标对应的最佳堆肥配方;
其中,根据堆肥配方样本的堆肥原料样本数据和堆肥质量样本数据,结合Transformer深度神经网络和模糊推理法,训练得到堆肥质量数据预测模型。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于模型预测优化的堆肥配方方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于模型预测优化的堆肥配方方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410393567.3A CN117976081B (zh) | 2024-04-02 | 基于模型预测优化的堆肥配方方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410393567.3A CN117976081B (zh) | 2024-04-02 | 基于模型预测优化的堆肥配方方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117976081A true CN117976081A (zh) | 2024-05-03 |
CN117976081B CN117976081B (zh) | 2024-07-16 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108682006A (zh) * | 2018-04-25 | 2018-10-19 | 南京农业大学 | 非接触式罐装堆肥腐熟判断方法 |
US20210274703A1 (en) * | 2020-03-03 | 2021-09-09 | Terraforma International, Inc. | Methods and systems for increasing soil fertility |
CN115343421A (zh) * | 2022-08-08 | 2022-11-15 | 浙江大学 | 一种基于智能算法的堆肥腐熟度提升方法 |
CN115755599A (zh) * | 2022-11-03 | 2023-03-07 | 光大环保能源(博罗)有限公司 | 垃圾焚烧炉防腐蚀自动控制方法、系统、设备及介质 |
CN115959933A (zh) * | 2023-02-20 | 2023-04-14 | 南开大学 | 一种好氧堆肥智能控制方法及系统 |
CN116258060A (zh) * | 2022-12-30 | 2023-06-13 | 武汉大学 | 基于机器学习的测土配方施肥方法 |
CN116420487A (zh) * | 2023-03-31 | 2023-07-14 | 广西数字供销科技有限公司 | 基于人工智能的土壤配肥方法、系统、设备及存储介质 |
CN117688404A (zh) * | 2024-02-02 | 2024-03-12 | 北京市农林科学院智能装备技术研究中心 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108682006A (zh) * | 2018-04-25 | 2018-10-19 | 南京农业大学 | 非接触式罐装堆肥腐熟判断方法 |
US20210274703A1 (en) * | 2020-03-03 | 2021-09-09 | Terraforma International, Inc. | Methods and systems for increasing soil fertility |
CN115343421A (zh) * | 2022-08-08 | 2022-11-15 | 浙江大学 | 一种基于智能算法的堆肥腐熟度提升方法 |
CN115755599A (zh) * | 2022-11-03 | 2023-03-07 | 光大环保能源(博罗)有限公司 | 垃圾焚烧炉防腐蚀自动控制方法、系统、设备及介质 |
CN116258060A (zh) * | 2022-12-30 | 2023-06-13 | 武汉大学 | 基于机器学习的测土配方施肥方法 |
CN115959933A (zh) * | 2023-02-20 | 2023-04-14 | 南开大学 | 一种好氧堆肥智能控制方法及系统 |
CN116420487A (zh) * | 2023-03-31 | 2023-07-14 | 广西数字供销科技有限公司 | 基于人工智能的土壤配肥方法、系统、设备及存储介质 |
CN117688404A (zh) * | 2024-02-02 | 2024-03-12 | 北京市农林科学院智能装备技术研究中心 | 智能施肥配方决策方法、装置、设备、介质及程序产品 |
Non-Patent Citations (1)
Title |
---|
宋彩红;夏训峰;席北斗;魏自民;李鸣晓;何小松;党秋玲;: "响应曲面法优化沼渣混合物料堆肥配比研究", 中国环境科学, no. 08, 20 August 2012 (2012-08-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qaddoum et al. | Yield prediction for tomato greenhouse using EFuNN | |
Gu et al. | Autonomous learning for fuzzy systems: a review | |
US20240095535A1 (en) | Executing a genetic algorithm on a low-power controller | |
CN116702992A (zh) | 一种发电功率预测方法、装置、电子设备及存储介质 | |
Laktionov et al. | An explainable AI approach to agrotechnical monitoring and crop diseases prediction in Dnipro region of Ukraine | |
Lu et al. | Image classification and identification for rice leaf diseases based on improved WOACW_SimpleNet | |
CN117976081B (zh) | 基于模型预测优化的堆肥配方方法、系统、设备及介质 | |
CN117421171A (zh) | 一种大数据任务监控方法、系统、装置及存储介质 | |
Sundari et al. | Crop recommendation and yield prediction using machine learning algorithms | |
Aishwarya et al. | Data mining analysis for precision agriculture: A comprehensive survey | |
Liu et al. | A new ART-counterpropagation neural network for solving a forecasting problem | |
CN117976081A (zh) | 基于模型预测优化的堆肥配方方法、系统、设备及介质 | |
Rajalaxmi et al. | A mutated salp swarm algorithm for optimization of support vector machine parameters | |
Agarwal et al. | Crop Prediction Using Ensemble Learning | |
da Costa Couto | Review of input determination techniques for neural network models based on mutual information and genetic algorithms | |
Pascual-Pañach et al. | Optimizing Online Time-Series Data Imputation Through Case-Based Reasoning | |
VASANTHANAGESWARI | Improving svm classifier model using tree structured parzen estimator optimization for crop prediction | |
Prabowo et al. | Improving Internet of Things Platform with Anomaly Detection for Environmental Sensor Data | |
Apinantanakon et al. | A cooperation of the multileader fruit fly and probabilistic random walk strategies with adaptive normalization for solving the unconstrained optimization problems | |
Iniyan et al. | Crop and Fertilizer Recommendation System Applying Machine Learning Classifiers | |
CN118013864B (zh) | 一种基于鲸鱼算法的粘胶纤维黄化优化方法 | |
Kirori | Performance Analysis of Stochastic Gradient Descent-Based Algorithms for Time Series Sequence Modeling. | |
KR102606328B1 (ko) | 빅데이터에 기반한 골재 매입 매도 시점 추천 시스템 | |
Vellinger et al. | Neuroevolutionary Transfer Learning for Time Series Forecasting | |
Grati et al. | Towards a Novel Approach for Smart Agriculture Predictability |
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 |