一种基于梯度下降优化逻辑斯谛回归算法的农业用水水质预测方法

本发明涉及农业水质预测领域，具体涉及一种基于梯度下降优化逻辑斯谛回归算法的农业用水水质预测方法。

背景技术：

农业数字化是转变农业方式，提高农事生产力的重要手段，而数字化农业的发展，始终离不开农业灌溉用水，所述农业灌溉用水的水质好坏直接影响到农事情况。

随着大数据技术以及人工智能技术的发展，其已经在包括农业机械在内的现代农业生产发展中得到了广泛应用。农业数字化是智慧农业的发展要求，并且已经成为农事发展必然趋势。以大数据、云计算等新兴信息技术为依托，发达国家大力发展数字农业、智能农业、智慧农业，将信息技术与农艺技术、农业环境、农业经营、农业生产深度融合，使农业信息化进入了一个全新的发展阶段。

传统水质监测方式主要是基于线性模型来进行监测，虽然线性模型简单易用，但是线性回归健壮性不够，一旦有干扰，会对预测结果正确性产生影响，在实际应用中存在一定的不足。

技术实现要素：

针对现有技术存在上述问题，本发明目的是提供一种基于梯度下降优化逻辑斯谛回归算法的农业用水水质预测方法，具有轻量级、可解释的优点，并极大地提高了计算效率。

为实现上述目的，本申请的技术方案为：一种基于梯度下降优化逻辑斯谛回归算法的农业用水水质预测方法，包括：

s1.获取水质数据，并将所述水质数据进行打标签确定所属类别，如给定某一个参数的平均值，如果水质数据中的该参数大于对应的平均值，则该参数属于正样本，反之属于负样本；

s2.利用梯度下降算法优化逻辑斯谛回归算法，建立判别模型用于水质数据分析；

s3.将打标签后的水质数据输入至判别模型中，所述判别模型输出预测的水质类别；

s4.所述预测的水质类别与实际的水质类别进行对比，如果预测准确率大于等于阈值，则得到lrx的水质预测框架；如果预测准确率小于阈值，返回步骤s2利用梯度下降算法继续寻找最大似然函数的最小值；

s5.将待分析的水质数据输入至所述水质预测框架中获得预测结果。

进一步的，所述水质数据包括包括温度、ph值、余氯值等。

进一步的，利用梯度下降算法优化逻辑斯谛回归算法时，能够对误分样本进行快速调整，使用梯度下降算法时，找到最大似然函数的最小值，进而能够使判别模型最大程度地耦合输入输出的水质数据。

进一步的，所述梯度下降算法为：

其中θ为梯度，j(θ)是关于θ的函数，x^t表示矩阵x的转置，m为水质数据中数据点的个数，即样本数，i∈(1,2,....m)，k∈(0,1,2,....n)，y是水质数据中真实y坐标值(类标签)，hθ(x)是关于x的函数。

进一步的，判别模型为：

其中在梯度下降算法中被称为学习率或者步长，可以通过来控制每一步走的距离，以保证不要走太快，错过了最低点，同时也要保证收敛速度不要太慢。所以的选择在梯度下降法中是非常重要的，不能太大也不能太小。所以根据梯度下降算法，每次只需更新直到获取最大似然函数的最小值。

进一步的，lrx的水质预测框架为：

其中x∈rⁿ是待分析的水质数据，y∈{0,1}是预测结果数据，w∈rⁿ和b∈r是参数，w为权值向量，b为偏置，w·x为w和x的内积；对于给定的待分析的水质数据x，求得p(y＝1|x)和p(y＝0|x)，逻辑斯谛回归比较两个条件概率值的大小，将待分析的水质数据x分到概率值较大的那一类，故最终的结果是通过p(y＝1|x)和p(y＝0|x)的大小来确定类别的。

本发明由于采用以上技术方案，能够取得如下的技术效果：相比于传统的水质预测方法，本发明具有轻量级、可解释的优点，并极大地提高了计算效率。该方法较好的预测农业用水水质情况，实现农业生产的数字化控制，精准把控农产品生产过程，具有实际意义。

附图说明

图1为农业用水水质预测方法总体框架图；

图2为本实施例中数据趋势图。

具体实施方式

本发明的实施例是在以本发明技术方案为前提下进行实施的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述实施例。

实施例1

本实施例提供一种基于梯度下降优化逻辑斯谛回归算法的农业用水水质预测方法，包括：

s1.从传感器获取水质数据，并将所述水质数据进行打标签确定所属类别，如给定某一个参数的平均值，如果水质数据中的该参数大于对应的平均值，则该参数属于正样本，反之属于负样本；所述水质数据包括包括温度、ph值、余氯值等。

s2.利用梯度下降算法优化逻辑斯谛回归算法，建立判别模型用于水质数据分析；

由于曲线在中心附近增长速度较快，在两端增长速度较慢，这个特性将使得梯度下降算法优化逻辑斯谛回归算法时，可以对误分样本进行快速调整。使用梯度下降算法时，找到最大似然函数的最小值，进而能够使判别模型最大程度地耦合输入输出的水质数据。所述梯度下降算法为：

其中θ为梯度，j(θ)是关于θ的函数，x^t表示矩阵x的转置，m为水质数据中数据点的个数，即样本数，i∈(1,2,....m)，k∈(0,1,2,....n)，y是水质数据中真实y坐标值(类标签)，hθ(x)是关于x的函数。

判别模型为：

其中在梯度下降算法中被称为学习率或者步长，可以通过来控制每一步走的距离，以保证不要走太快，错过了最低点，同时也要保证收敛速度不要太慢。所以的选择在梯度下降法中是非常重要的，不能太大也不能太小。所以根据梯度下降算法，每次只需更新直到获取最大似然函数的最小值。

s3.将打标签后的水质数据输入至判别模型中，所述判别模型输出预测的水质类别；

s4.所述预测的水质类别与实际的水质类别进行对比，如果预测准确率大于等于阈值，则得到lrx的水质预测框架；如果预测准确率小于阈值，返回步骤s2利用梯度下降算法继续寻找最大似然函数的最小值；

逻辑斯谛回归算法其核心sigmoid函数其中e^-z中z的正负决定了g(z)的值大于0.5还是小于0.5；即z大于0时，g(z)大于0.5，当z小于0时，g(z)小于0.5；当z对应的表达式为分类边界时，恰好有分类边界两侧对应z正负不同，使得分类边界两点分别对应g(z)>0.5和g(z)<0.5，因此根据g(z)与0.5的大小关系，就可以实现分类。

lrx的水质预测框架为：

其中x∈rⁿ是待分析的水质数据，y∈{0,1}是预测结果数据，w∈rⁿ和b∈r是参数，w为权值向量，b为偏置，w·x为w和x的内积；对于给定的待分析的水质数据x，求得p(y＝1|x)和p(y＝0|x)，逻辑斯谛回归比较两个条件概率值的大小，将待分析的水质数据x分到概率值较大的那一类，故最终的结果是通过p(y＝1|x)和p(y＝0|x)的大小来确定类别的。

s5.将待分析的水质数据输入至所述水质预测框架中获得预测结果。

将传统算法与基于梯度下降优化逻辑斯谛回归算法的农业用水水质预测方法作对比，发现在正确率相同的情况下，本申请运行时间更短。φ表示某次实验。

本发明的实施例有较佳的实施性，并非是对本发明任何形式的限定。本发明实施例中描述的技术特征或技术特征的组合不应当被认为是孤立的，它们可以被互相组合从而达到更好的技术效果。本发明优选实施方式的范围也可以包括另外的实现，且者应被发明实施例所属技术领域的技术人员所理解。