1.一种获取水氮策略的人工智能方法,其特征在于,包括:
获取与土壤肥力关联的每个参量在预设时间点时的目标值;
将预设时间点和所有目标值输入具有偏好机制的偏好神经网络,得到包括目标灌水量和目标施氮量的水氮策略,其中,所述偏好机制用于表征每个参量分别与灌水量和施氮量之间的关系。
2.根据权利要求1所述的一种获取水氮策略的人工智能方法,其特征在于,还包括:
搭建神经网络;
获取每个参量分别与灌水量和施氮量之间的偏好值并进行归一化,得到偏好矩阵,把偏好矩阵引入到神经网络,并结合adam算法,训练得到具有偏好机制的偏好神经网络。
3.根据权利要求2所述的一种获取水氮策略的人工智能方法,其特征在于,所述搭建神经网络还包括:
将relu函数作为神经网络的激活函数。
4.根据权利要求2或3所述的一种获取水氮策略的人工智能方法,其特征在于,所述搭建神经网络还包括:
将dropout算法引入神经网络;
将批标准化引入神经网络。
5.一种获取水氮策略的人工智能系统,其特征在于,包括第一获取模块和第二获取模块;
所述第一获取模块用于获取与土壤肥力关联的每个参量在预设时间点时的目标值;
所述第二获取模块用于将预设时间点和所有目标值输入具有偏好机制的偏好神经网络,得到包括目标灌水量和目标施氮量的水氮策略,其中,所述偏好机制用于根据每个参量分别与灌水量和施氮量之间的客观关系对神经网络参数进行有侧重的学习。
6.根据权利要求5所述的一种获取水氮策略的人工智能系统,其特征在于,还包括搭建模块和训练模块;
所述搭建模块用于搭建神经网络;
所述训练模块用于:获取每个参量分别与灌水量和施氮量之间的偏好值并进行归一化,得到偏好矩阵,把偏好矩阵引入到神经网络,并结合adam算法,训练得到具有偏好机制的偏好神经网络。
7.根据权利要求6所述的一种获取水氮策略的人工智能系统,其特征在于,所述搭建模块还用于将relu函数作为神经网络的激活函数。
8.根据权利要求6或7所述的一种获取水氮策略的人工智能系统,其特征在于,所述搭建模块还用于:将dropout算法引入神经网络,并将批标准化引入神经网络。
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在所述处理器上运行的程序,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4任一项所述的一种获取水氮策略的人工智能方法的步骤。