营养液软测量方法、装置、电子设备及存储介质

1.本发明涉及营养液检测与控制技术领域，尤其涉及一种营养液软测量方法、装置、电子设备及存储介质。


背景技术：

2.钾是作物生长发育的基本元素，主要以游离阳离子的形式存在于作物体内。钾在植物中的作用包括渗透调节、膜电位调节、糖共转运、胁迫适应和生长等，钾与植物中的各种功能酶相互作用或催化。
3.在培养植物的营养物质中，钾是仅次于氮和磷的第三大营养物质。为了提高钾的利用率，需要对营养液中的钾离子浓度进行精确控制，因此需要能够准确检测钾离子浓度的传感器和检测系统。离子选择性电极是当前作物离子浓度检测的前沿研究方向，然而目前，离子选择性电极检测过程中极易受到营养液中其他物质的影响，导致检测结果准确率不高。
4.因此，如何更好地进行营养液中钾离子浓度的检测已经成为业界亟待解决的问题。


技术实现要素：

5.本发明提供一种营养液软测量方法、装置、电子设备及存储介质，用以更好地进行营养液中钾离子浓度的检测。
6.本发明提供一种营养液软测量方法，包括：
7.将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型，获取所述径向基函数神经网络软测量模型输出的所述营养液的钾离子浓度；所述目标溶液参数包括铵根离子浓度、ph值和全固态钾离子选择性电极的电位；
8.所述径向基函数神经网络软测量模型是利用所述目标溶液参数的样本及对应的钾离子浓度标签进行训练得到的。
9.根据本发明提供的一种营养液软测量方法，在所述将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型之前，所述方法还包括：
10.利用改进的粒子群优化算法对径向基函数神经网络的目标超参数进行寻优，得到所述优化后的径向基函数神经网络；所述目标超参数包括神经元之间的连接权值和神经元阈值；
11.所述改进的粒子群优化算法是基于对粒子群优化算法的惯性权重进行优化得到的。
12.根据本发明提供的一种营养液软测量方法，所述改进的粒子群优化算法是基于如下步骤得到的，包括：
13.基于算法迭代开始时的惯性权重、算法结束后的惯性权重及最大迭代次数，确定改进的非线性惯性因子；
14.将所述改进的非线性惯性因子替代粒子群优化算法的惯性权重参数，得到所述改进的粒子群优化算法。
15.根据本发明提供的一种营养液软测量方法，在所述将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型之前，所述方法还包括：
16.基于第一样本集、第二样本集和第三样本集，得到样本集；所述第一样本集是通过对多种混合营养液进行所述目标溶液参数及钾离子浓度的测量得到的；所述第二样本集是通过对改良后的霍格兰氏营养液进行所述目标溶液参数及钾离子浓度的测量得到的；所述第三样本集是通过对植物幼苗吸收目标时段后的营养液进行所述目标溶液参数及钾离子浓度的测量得到的；所述多种混合溶液为不同ph值、不同浓度的钾离子和铵根离子混合溶液；
17.对所述样本集中的所有样本数据进行归一化处理，得到归一化后的目标样本集；
18.将所述目标样本集按照预设比例随机划分为训练集和测试集；
19.利用所述训练集对所述优化后的径向基函数神经网络进行训练，并利用所述测试集对训练完成的所述优化后的径向基函数神经网络进行测试。
20.根据本发明提供的一种营养液软测量方法，利用所述训练集对所述优化后的径向基函数神经网络进行训练，包括：
21.将所述训练集中所述目标溶液参数的样本及对应的钾离子浓度标签作为一组训练样本，获取多组训练样本；
22.利用所述多组训练样本，对所述优化后的径向基函数神经网络进行训练。
23.根据本发明提供的一种营养液软测量方法，所述利用所述多组训练样本，对所述优化后的径向基函数神经网络进行训练，包括：
24.对于任意一组训练样本，将所述训练样本输入所述优化后的径向基函数神经网络，输出所述训练样本对应的钾离子浓度预测信息；
25.利用预设损失函数，根据所述训练样本对应的钾离子浓度预测信息和所述训练样本中的钾离子浓度标签计算损失值；
26.若所述损失值小于预设阈值，则所述优化后的径向基函数神经网络训练完成，得到所述径向基函数神经网络软测量模型。
27.本发明还提供一种营养液软测量装置，包括：
28.测量模块，用于将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型，获取所述径向基函数神经网络软测量模型输出的所述营养液的钾离子浓度；所述目标溶液参数包括铵根离子浓度、ph值和全固态钾离子选择性电极的电位；
29.所述径向基函数神经网络软测量模型是利用所述目标溶液参数的样本及对应的钾离子浓度标签进行训练得到的。
30.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述营养液软测量方法。
31.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如上述任一种所述营养液软测量方法。
32.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器
执行时实现如上述任一种所述营养液软测量方法。
33.本发明提供的营养液软测量方法、装置、电子设备及存储介质，基于径向基函数神经网络强大的非线性逼近能力，将其应用到营养液钾离子浓度的测量，通过利用目标溶液参数的数据样本及样本对应的钾离子浓度标签对径向基函数神经网络进行模型训练，得到训练好的径向基函数神经网络软测量模型，其中，目标溶液参数包括铵根离子浓度、ph值和全固态钾离子选择性电极的电位，通过训练好的径向基函数神经网络软测量模型，对输入的营养液目标溶液参数的数值进行对应钾离子浓度的预测，实现了全固态钾离子选择性电极对营养液的软测量，可以有效提高营养液中钾离子浓度测量的准确性。
附图说明
34.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作一简单地介绍，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。
35.图1是本发明提供的营养液软测量方法的流程示意图；
36.图2是本发明提供的营养液软测量方法中改进的粒子群优化算法迭代过程示意图；
37.图3是本发明提供的营养液软测量装置的结构示意图；
38.图4是本发明提供的电子设备的实体结构示意图。
具体实施方式
39.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。基于本发明中的实施例，本领域普通技术人员在没有作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。
40.在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
41.下面结合图1-图4描述本发明的营养液软测量方法、装置、电子设备及存储介质。
42.图1是本发明提供的营养液软测量方法的流程示意图，如图1所示，包括：步骤110。
43.步骤110，将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型，获取径向基函数神经网络软测量模型输出的营养液的钾离子浓度；目标溶液参数包括铵根离子浓度、ph值和全固态钾离子选择性电极的电位；
44.径向基函数神经网络软测量模型是利用目标溶液参数的样本及对应的钾离子浓度标签进行训练得到的。
45.具体地，本发明实施例中，全固态钾离子选择性电极包括电极基底、固态接触层和钾离子选择膜，该电极基底为玻碳电极基底。
46.本发明实施例中制备的全固态离子选择性电极可以应用于电化学工作站及其他电位检测设备中，在全固态钾离子选择性电极使用中，将电极和参比电极的头部浸入待测营养液中。通过离子选择膜的目标阳离子改变膜内外离子浓度，影响膜电位，固态接触层中电子或空穴传递电位信号，依据能斯特方程可以读出离子浓度。
47.本发明实施例所描述的目标溶液参数指的是营养液中的铵根离子浓度、ph值以及全固态钾离子选择性电极的电位。
48.在本发明的实施例中，通过对营养液进行溶液检测，获取目标溶液参数包括铵根离子浓度、ph值和全固态钾离子选择性电极的电位的数值。
49.本发明实施例所描述的钾离子浓度标签是根据目标溶液参数的样本预先确定的，并与目标溶液参数的样本是一一对应的。也就是说，用于模型训练的每一个目标溶液参数的样本，都预先设定好携带一个与之对应的钾离子浓度标签。
50.本发明实施例所描述的径向基函数神经网络软测量模型是通过利用目标溶液参数的样本及对应的钾离子浓度标签，对径向基函数神经网络进行训练得到的，用于对待测的营养液的目标溶液参数数据进行预测，学习营养液中铵根离子浓度、ph值和全固态钾离子选择性电极的电位对钾离子浓度影响的内在规律，输出准确的营养液钾离子浓度检测结果。
51.径向基函数神经网络(radial basis function neural network，rbfnn)是20世纪80年代末提出的一种单隐层、以函数逼近为基础的前馈神经网络。随着研究日渐成熟，rbfnn以其结构简单、非线性逼近能力强以及良好的推广能力，受到各领域研究者的极大关注，被广泛应用于模式分类、函数逼近和数据挖掘等众多研究领域。在本发明的实施例中，通过将rbfnn应用于营养液物质的软测量，可以提高营养液离子浓度检测的精确性。
52.在本发明的实施例中，可以通过matlab中newrb函数设计rbf神经网络，有：
53.[net,tr]＝newrb(p,t,goal,spread,m,df)；
[0054]
其中，p表示输入向量组成的样本数据矩阵；t表示对应的钾离子浓度标签；goal表示目标均方误差；spread表示径向基函数的扩展速度；m表示神经元的最大数目，其可以取值为150；df表示每次模型计算所添加的神经元数目，其可以取值为5；net表示返回值，返回一个径向基网络；tr表示返回值，返回训练路径，以纪录训练过程。
[0055]
在本发明的实施例中，通过利用目标溶液参数的样本及对应的钾离子浓度标签，即采用营养液中铵根离子浓度、ph值以及全固态钾离子选择性电极电位的数据样本及其对应的钾离子浓度标签，对构建的rbf神经网络进行模型训练，从而获得径向基函数神经网络软测量模型。
[0056]
进一步地，可以将待测的营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型，通过径向基函数神经网络软测量模型的高预测精度，获取径向基函数神经网络软测量模型输出的该营养液的钾离子浓度，得到准确的营养液钾离子浓度检测结果。
[0057]
本发明实施例的营养液软测量方法及装置，基于径向基函数神经网络强大的非线性逼近能力，将其应用到营养液钾离子浓度的测量，通过利用目标溶液参数的数据样本及样本对应的钾离子浓度标签对径向基函数神经网络进行模型训练，得到训练好的径向基函数神经网络软测量模型，其中，目标溶液参数包括铵根离子浓度、ph值和全固态钾离子选择性电极的电位，通过训练好的径向基函数神经网络软测量模型，对输入的营养液目标溶液
参数的数值进行对应钾离子浓度的预测，实现了全固态钾离子选择性电极对营养液的软测量，可以有效提高营养液中钾离子浓度测量的准确性。
[0058]
基于上述实施例的内容，作为一种可选的实施例，在将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型之前，该方法还包括：
[0059]
利用改进的粒子群优化算法对径向基函数神经网络的目标超参数进行寻优，得到优化后的径向基函数神经网络；目标超参数包括神经元之间的连接权值和神经元阈值；
[0060]
改进的粒子群优化算法是基于对粒子群优化算法的惯性权重进行优化得到的。
[0061]
具体地，本发明实施例所描述的神经元阈值用于调整rbfnn中神经元的灵敏度。
[0062]
粒子群优化(particle swarm optimization，pso)算法是一种进化计算技术，其源于对鸟群捕食的行为研究，基本思想是模拟鸟类随机觅食过程中个体之间的相互合作，使群体能够达到最优的全局优化算法，以此来优化其他算法。
[0063]
本发明实施例所描述的改进的粒子群优化算法是基于对pso算法中的惯性权重参数进行参数优化得到的。
[0064]
可以理解的是，在将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型之前，还需对rbfnn进行模型训练。
[0065]
在本发明的实施例中，在对径向基函数神经网络软测量模型进行模型训练之前，可以先对rbfnn进行网络超参数优化。
[0066]
需要说明的是，rbfnn进行参数的选择时使用的方法一般是随机梯度法，用该方法进行网络超参数的调整过程中，很容易陷入局部最优的情况，而无法找到最优解。因此，在本发明的实施例中，可以通过采用pso算法对粒子速度及位置进行更新优化，来对径向基函数神经网络的超参数进行参数训练，通过不断迭代优化，寻找最优超参数，从而获得性能最佳的rbfnn，以此可以极大地提高模型的预测精度。
[0067]
在本发明的实施例中，首先根据目标超参数，即神经元之间的连接权值和神经元阈值构造改进的pso算法中的粒子群，进而基于pso算法，对该粒子群中的各个粒子的速度和位置进行迭代分析。具体来说，首先通过算法初始化，得到一群随机粒子(随机解)，初始化粒子的速度和位置。然后计算粒子适应度值，迭代更新各个粒子的速度和位置，寻找最优解。在每一次的迭代中，粒子通过跟踪两个极值pbest和gbest来更新自己，其中，pbest表示个体最优粒子，gbest表示全局最优粒子。在找到这两个最优值后，粒子通过下述公式来更新自己的速度和位置，即有：
[0068]vi
＝ω*vi+c1*rand()*(pbest
i-xi)+c2*rand()*(gbest
i-xi)；
[0069]
yi＝yi+vi；
[0070]
其中，i＝1,2,3,4,...,n，n可以取值为20，其表示粒子群中粒子的总数；vi表示粒子的速度；rand()是介于(0,1)之间的随机数；yi表示粒子当前位置；c1和c2表示学习因子，可以取值为1.5；vi的最大值为v
max
，如果vi大于v
max
，则vi＝v
max
；ω表示惯性权重参数。
[0071]
基于上述实施例的内容，作为一种可选的实施例，该改进的粒子群优化算法是基于如下步骤得到的，包括：
[0072]
基于算法迭代开始时的惯性权重、算法结束后的惯性权重及最大迭代次数，确定改进的非线性惯性因子；
[0073]
将改进的非线性惯性因子替代粒子群优化算法的惯性权重参数，得到改进的粒子
群优化算法。
[0074]
具体地，在本发明的实施例中，根据算法迭代开始时的惯性权重、算法结束后的惯性权重及最大迭代次数，确定改进的非线性惯性因子。
[0075]
其中，改进的非线性惯性因子可以通过下述公式表示：
[0076]
ω＝0.0001*(ω
start-ω
end
)*(k-k
max
)^2+ω
end
；
[0077]
式中，ω
start
表示算法迭代开始时的惯性权重，其可以取值为0.9；ω
end
表示算法结束后的惯性权重，其可以取值为0.4；k
max
表示算法最大迭代次数，可以取值为100；k表示当前迭代次数。
[0078]
进一步地，将改进的非线性惯性因子替代上述pso算法中粒子速度vi更新公式的惯性权重参数，得到改进的pso算法。
[0079]
图2是本发明提供的营养液软测量方法中改进的粒子群优化算法迭代过程示意图，如图2所示，在本实施例中，相较于线性惯性因子，pso算法通过采用改进的非线性惯性因子，在迭代80次之后开始趋于收敛，而采用线性惯性因子的pso算法没有收敛的趋势，由此可以看出，本发明通过采用改进的非线性惯性因子，可以有效加快pso算法的收敛速度。
[0080]
本发明实施例的方法，通过采用改进的非线性惯性因子优化pso算法，可以有效加快pso算法的收敛速度，从而提高pso算法的精度，有利于提升pso算法对径向基函数神经网络网络参数的优化效果。
[0081]
进一步地，在本实施例中，通过上述粒子速度和位置更新策略以及惯性因子更新策略，不断地对粒子群中的各个粒子的速度和位置进行迭代分析，若满足预设迭代停止条件，如达到最大迭代次数或全局最优解满足最小界限时，则停止搜索，最终确定出适应度值最小的粒子，从而根据该粒子，得到rbfnn的最优连接权值和最优神经元阈值，即可以得到优化后的rbfnn，从而获取性能最佳的rbfnn模型。
[0082]
本发明实施例的方法，通过采用改进的pso算法对基于rbfnn构建的径向基函数神经网络软测量模型的目标超参数进行寻优，获得优化后的径向基函数神经网络，可以极大地提升径向基函数神经网络的预测精度。
[0083]
在本发明实施例中，基于pso算法优化的径向基函数神经网络软测量方法，可以消除营养液中其他物质的干扰，主要消除铵根离子和ph的干扰，解决了营养液中钾离子浓度测量不准确的问题，提高了营养液离子监测水平；同时本发明的软测量方法具有推广至其他种类离子选择性电极，和多阵列离子选择性电极对于营养液的软测量的价值。
[0084]
基于上述实施例的内容，作为一种可选的实施例，在将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型之前，方法还包括：
[0085]
基于第一样本集、第二样本集和第三样本集，得到样本集；第一样本集是通过对多种混合营养液进行目标溶液参数及钾离子浓度的测量得到的；第二样本集是通过对改良后的霍格兰氏营养液进行目标溶液参数及钾离子浓度的测量得到的；第三样本集是通过对植物幼苗吸收目标时段后的营养液进行目标溶液参数及钾离子浓度的测量得到的；多种混合溶液为不同ph值、不同浓度的钾离子和铵根离子混合溶液；
[0086]
对样本集中的所有样本数据进行归一化处理，得到归一化后的目标样本集；
[0087]
将目标样本集按照预设比例随机划分为训练集和测试集；
[0088]
利用训练集对优化后的径向基函数神经网络进行训练，并利用测试集对训练完成
的优化后的径向基函数神经网络进行测试。
[0089]
具体地，本发明实施例所描述的目标样本集指的是对由第一样本集、第二样本集和第三样本集构成的样本集中的所有数据进行归一化处理后得到的样本集。
[0090]
本发明实施例所描述的预设比例指的是对用于模型训练的目标样本集进行样本划分的预设比例，其具体可以取值2：1或8：2等。
[0091]
在本发明的实施例中，分别制备了10-2
m、10-3
m和10-4
m浓度的钾离子k
+
和铵根离子nh
4+
溶液，以及5种不同ph的交叉混合溶液。混合溶液的ph值可以通过fe28标准ph计测量。在整个测量过程中，温度控制在23
±
2℃范围内。通过对上述多种混合营养液进行目标溶液参数及钾离子浓度的测量，得到第一样本集。
[0092]
在本发明的实施例中，为了检验训练集所得训练结果的可靠性，还制备了不同的合成样本。采用改良后的霍格兰氏营养液，如表1所示。测量10组(6个电极为一组)电极响应电位，将营养液稀释1～10倍。通过对上述改良后的霍格兰氏营养液进行目标溶液参数及钾离子浓度的测量，得到第二样本集。
[0093]
表1
[0094][0095]
在本发明的实施例中，还选取了吸收目标时段，如24h后的小麦幼苗和向日葵幼苗营养液，其中硝酸钾kno3浓度调整至3mm，以提高实验性能的显著性。为提高数据的可信度，将3株、6株和9株分别置于3个培养皿中，添加相同的培养基，实验重复3次。同时使用4个电极进行测量，以排除电极差异。通过上述对植物幼苗吸收目标时段后的营养液进行目标溶液参数及钾离子浓度的测量，得到第三样本集。
[0096]
进一步地，在本发明的实施例中，为了提升模型训练的精度和拟合速度，在通过第一样本集、第二样本集和第三样本集，对该三种样本集进行样本数据整理，得到样本集之后，还将按照下述数据归一化公式对样本集中的所有样本数据进行归一化处理，得到归一化后的目标样本集。
[0097]
其中，数据归一化公式可以表示为：
[0098]
x
nomal
＝(x-x
min
)/(x
max-x
min
)；
[0099]
通过将目标样本集按照预设比例，如2：1，随机划分为训练集和测试集，进而可以利用训练集对优化后的径向基函数神经网络进行训练，并利用测试集对训练完成的优化后的径向基函数神经网络进行测试与模型评估，直至确定模型训练效果满足要求，得到径向基函数神经网络软测量模型。
[0100]
在一个具体实施例中，采用评估指标决定系数r2对训练好的径向基函数神经网络
进行网络模型评估，以选取最佳的模型预测精度的模型权重参数作为最终的模型参数。将测试集带入径向基函数神经网络软测量模型，以评估模型对未参与建模数据的预测精度。其中，决定系数r2可以表示为：
[0101][0102]
式中，表示预测值，yi表示真实值，表示平均值。
[0103]
可选地，在本实施例中，当模型测试集验证结果满足r2》0.90的精度时，则径向基函数神经网络模型生效，即得到径向基函数神经网络软测量模型。如模型未达到上述精度要求，则需重新进行模型训练。
[0104]
本发明实施例的方法，通过对径向基函数神经网络进行训练，将径向基函数神经网络的损失值控制在预设范围内，并通过对训练好的径向基函数神经网络模型进行模型评估，确保获取高精度的径向基函数神经网络软测量模型，从而有利于提升模型对营养液中钾离子浓度的预测精度。
[0105]
基于上述实施例的内容，作为一种可选的实施例，利用训练集对优化后的径向基函数神经网络进行训练，包括：
[0106]
将训练集中目标溶液参数的样本及对应的钾离子浓度标签作为一组训练样本，获取多组训练样本；
[0107]
利用多组训练样本，对优化后的径向基函数神经网络进行训练。
[0108]
具体地，在本发明的实施例中，在将目标样本集按照预设比例随机划分为训练集和测试集之后，将训练集中目标溶液参数的样本及对应的钾离子浓度标签作为一组训练样本，也就是说，将训练集中各组铵根离子浓度、ph值和全固态钾离子选择性电极的电位的样本和其对应的钾离子浓度标签作为一组训练样本，因此，可以将每组带有钾离子浓度标签的目标溶液参数的样本作为一组训练样本，从而可以获得多组训练样本。
[0109]
在本发明的实施例中，目标溶液参数的样本与其携带的钾离子浓度标签是一一对应的。
[0110]
然后，在获得多组训练样本之后，再将多组训练样本依次输入至优化后的径向基函数神经网络模型中，即将每组训练样本中的目标溶液参数的样本与对应的钾离子浓度标签同时输入至优化后的径向基函数神经网络模型，根据优化后的径向基函数神经网络模型的每一次输出结果，通过计算输出结果与对应的钾离子浓度标签之间的损失函数值，对优化后的径向基函数神经网络模型中的模型参数进行调整，最终完成优化后的径向基函数神经网络模型的训练过程。
[0111]
本发明实施例的方法，通过将训练集中目标溶液参数的样本及对应的钾离子浓度标签作为一组训练样本，获取多组训练样本，利用多组训练样本可以有效地对径向基函数神经网络模型训练，确保模型训练的效果。
[0112]
基于上述实施例的内容，作为一种可选的实施例，利用多组训练样本，对优化后的径向基函数神经网络进行训练，包括：
[0113]
对于任意一组训练样本，将训练样本输入优化后的径向基函数神经网络，输出训练样本对应的钾离子浓度预测信息；
[0114]
利用预设损失函数，根据训练样本对应的钾离子浓度预测信息和训练样本中的钾
离子浓度标签计算损失值；
[0115]
若损失值小于预设阈值，则优化后的径向基函数神经网络训练完成，得到径向基函数神经网络软测量模型。
[0116]
具体地，本发明实施例所描述的预设损失函数指的是预先设置在径向基函数神经网络里的损失函数，用于模型评估。
[0117]
本发明实施例所描述的预设阈值指的是模型预先设置的阈值，用于获得最小损失值，完成模型训练。
[0118]
在获得多组训练样本之后，对于任意一个训练样本，将每组训练样本中的目标溶液参数的样本与对应的钾离子浓度标签同时输入至优化后的径向基函数神经网络模型，输出该训练样本对应的钾离子浓度预测信息。
[0119]
在此基础上，利用预设损失函数根据训练样本对应的钾离子浓度预测信息和该训练样本中携带的真实钾离子浓度标签计算损失值。例如，钾离子浓度标签可以表示为one-hot向量。
[0120]
在本发明的实施例中，钾离子浓度标签的表示方式和预设损失函数可以根据实际需求进行设置，此处不做具体限定。
[0121]
在计算获得损失值之后，本次训练过程结束，再利用误差反向传播算法更新径向基函数神经网络模型中的网络参数之后，再进行下一次训练。在训练的过程中，若针对某个训练样本计算获得的损失值小于预设阈值或者达到预设最大迭代次数，则径向基函数神经网络模型训练完成。
[0122]
本发明实施例的方法，通过对径向基函数神经网络模型进行训练，将径向基函数神经网络模型的损失值控制在预设范围内，有利于提高径向基函数神经网络软测量模型对营养液钾离子浓度的预测精度。
[0123]
下面对本发明提供的营养液软测量装置进行描述，下文描述的营养液软测量装置与上文描述的营养液软测量方法可相互对应参照。
[0124]
图3是本发明提供的营养液软测量装置的结构示意图，如图3所示，包括：
[0125]
测量模块310，用于将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型，获取径向基函数神经网络软测量模型输出的营养液的钾离子浓度；目标溶液参数包括铵根离子浓度、ph值和全固态钾离子选择性电极的电位；
[0126]
径向基函数神经网络软测量模型是利用目标溶液参数的样本及对应的钾离子浓度标签进行训练得到的。
[0127]
本实施例所述的营养液软测量装置可以用于执行上述营养液软测量方法实施例，其原理和技术效果类似，此处不再赘述。
[0128]
本发明实施例的营养液软测量装置，基于径向基函数神经网络强大的非线性逼近能力，将其应用到营养液钾离子浓度的测量，通过利用目标溶液参数的数据样本及样本对应的钾离子浓度标签对径向基函数神经网络进行模型训练，得到训练好的径向基函数神经网络软测量模型，其中，目标溶液参数包括铵根离子浓度、ph值和全固态钾离子选择性电极的电位，通过训练好的径向基函数神经网络软测量模型，对输入的营养液目标溶液参数的数值进行对应钾离子浓度的预测，实现了全固态钾离子选择性电极对营养液的软测量，可以有效提高营养液中钾离子浓度测量的准确性。
[0129]
图4是本发明提供的电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(communications interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行上述各方法所提供的营养液软测量方法，该方法包括：将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型，获取所述径向基函数神经网络软测量模型输出的所述营养液的钾离子浓度；所述目标溶液参数包括铵根离子浓度、ph值和全固态钾离子选择性电极的电位；所述径向基函数神经网络软测量模型是利用所述目标溶液参数的样本及对应的钾离子浓度标签进行训练得到的。
[0130]
此外，上述的存储器430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。
[0131]
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各方法所提供的营养液软测量方法，该方法包括：将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型，获取所述径向基函数神经网络软测量模型输出的所述营养液的钾离子浓度；所述目标溶液参数包括铵根离子浓度、ph值和全固态钾离子选择性电极的电位；所述径向基函数神经网络软测量模型是利用所述目标溶液参数的样本及对应的钾离子浓度标签进行训练得到的。
[0132]
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各方法提供的营养液软测量方法，该方法包括：将营养液的目标溶液参数的数值输入至径向基函数神经网络软测量模型，获取所述径向基函数神经网络软测量模型输出的所述营养液的钾离子浓度；所述目标溶液参数包括铵根离子浓度、ph值和全固态钾离子选择性电极的电位；所述径向基函数神经网络软测量模型是利用所述目标溶液参数的样本及对应的钾离子浓度标签进行训练得到的。
[0133]
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。
[0134]
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。
[0135]
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。