本发明涉及人工智能,特别涉及一种基于深度学习的核桃炭疽病预测方法,系统及存储介质。
背景技术:
1、核桃病虫害直接影响核桃产量下降,核桃病虫害主要有核桃炭疽病、黑斑病、溃疡病、枝枯病、腐烂病等。
2、庞永华等使用机器学习技术预测了马尾松毛虫发生面积,分别采用随机森林、支持向量机、深度学习三种模型,利用气象因子预测马尾松毛虫发生面积,并将三种模型预测结果与实际发生面积进行比较,通过模型拟合效果对比,深度学习预测马尾松毛虫发生面积最稳健。该研究证明了深度学习模型最优,但是没有对深度学习模型调参展开研究,深度学习参数的选择对模型优化起到至关重要的作用,并且,目前将机器学习尤其是深度学习方法应用到核桃炭疽病预测相关研究鲜有报道。
技术实现思路
1、针对上述技术问题,本发明旨在提出一种基于深度学习的核桃炭疽病预测方法,系统及存储介质,利用气象因素与核桃孢子量之间的相关性进行核桃炭疽病预测,促进了核桃炭疽病大数据的建立和完善,后期可通过监控气象环境,对孢子量进行控制,为核桃炭疽病提前自动防控提供基础。
2、本发明提供一种基于深度学习的核桃炭疽病预测方法,包括以下步骤:
3、s100:随机获取多种气象因素下的核桃孢子量样本,并对其进行预处理,将预处理后的核桃孢子量样本按一预设比例划分为训练集和测试集。
4、s200:构建svm模型,采用pso优化算法对所述svm模型进行参数优化,并通过所述训练集对优化后的svm模型进行模型训练,获得最终svm模型。
5、s300:根据所述最终svm模型对所述测试集进行核桃炭疽病预测,并输出预测结果。
6、其中,所述预处理具体为:将所述核桃孢子量样本按8:2的比例划分为训练集和测试集,采用线性归一化的方法对所述核桃孢子量样本进行无量纲处理。
7、优选的,线性归一化的方法可以把不同来源的数据统一到同一数量级下,使得比较起来更有意义,归一化后的数据处理更为方便,且可以提高后续计算的精度;而无量纲处理可以简化计算的目的。
8、优选的,pso优化算法不要求被优化模型函数具有可微、可导和连续等性质,收敛速度较快,算法简单,容易编程实现,能够保证参数中的粒子群收敛到全局最佳值。
9、所述svm模型是基于高斯核函数构建的。
10、所述参数至少包括惩罚参数,样本限制间隔参数和核函数系数。
11、具体的,对所述svm模型进行参数优化包括以下步骤:
12、s201:采用随机化方法初始化所述参数中的粒子群位置和速度。
13、s202:根据适应度函数,计算所述粒子群中每个粒子的适应度值,并更新所述每个粒子的位置和速度。
14、优选的,选用适应度函数可以灵活调整其设计的复杂程度,以控制计算时间的复杂度。
15、s203:计算个体粒子最佳适应度值和全局最佳适应度值。
16、s204:判断模型训练是否符合终止条件,若符合,则输出全局最佳适应度值,并将其进行分解得到最优参数,否则转s202。
17、其中,所述计算个体粒子最佳适应度值具体为:将每一个粒子的当前位置适应度值与个体粒子最佳适应度值进行比对,若优于所述个体粒子最佳适应度值,则将当前位置适应度值更新为个体粒子最佳适应度值,否则不更新。
18、所述计算全局最佳适应度值具体为:将每一个粒子的当前位置适应度值与全局最佳适应度值进行比对,若优于所述全局最佳适应度值,则将当前位置适应度值更新为全局最佳适应度值,否则不更新。
19、作为另一优选的,本发明还提供一种基于深度学习的核桃炭疽病预测系统,包括:
20、数据采集模块:用于随机获取多种气象因素下核桃孢子量样本;预处理模块:用于对所述样本采用线性归一化的方法对所述核桃孢子量样本进行无量纲处理,预处理后的样本包括训练集和测试集;数据处理模块:用于构建svm模型,采用pso优化算法对所述svm模型进行参数优化,并通过所述训练集对优化后的svm模型进行模型训练得到最终svm模型,通过该最终svm模型对所述测试集进行核桃炭疽病预测,并输出预测结果至上位机。
21、所述数据处理模块还包括模型优化单元,所述模型优化单元用于计算出个体粒子最佳适应度值和全局最佳适应度值,以更新相应的历史最佳适应度值。
22、作为另一优选的,本发明还提供一种存储介质,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行上述的基于深度学习的核桃炭疽病预测方法。
23、综上所述,本发明提供一种基于深度学习的核桃炭疽病预测方法,系统及存储介质,通过随机获取多种气象因素下的核桃孢子量样本,并对其进行预处理,将预处理后的核桃孢子量样本按一预设比例划分为训练集和测试集;构建svm模型,采用pso优化算法对所述svm模型进行参数优化,并通过所述训练集对优化后的svm模型进行模型训练,获得最终svm模型;根据所述最终svm模型对所述测试集进行核桃炭疽病预测,并输出预测结果。本发明利用气象因素与核桃孢子量之间的相关性进行核桃炭疽病预测,促进了核桃炭疽病大数据的建立和完善,后期可通过监控气象环境,对孢子量进行控制,为核桃炭疽病提前自动防控提供基础。
1.一种基于深度学习的核桃炭疽病预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于深度学习的核桃炭疽病预测方法,其特征在于,所述预处理具体为:将所述核桃孢子量样本按8:2的比例划分为训练集和测试集,采用线性归一化的方法对所述核桃孢子量样本进行无量纲处理。
3.根据权利要求2所述的基于深度学习的核桃炭疽病预测方法,其特征在于,所述svm模型是基于高斯核函数构建的。
4.根据权利要求3所述的基于深度学习的核桃炭疽病预测方法,其特征在于,所述参数至少包括惩罚参数,样本限制间隔参数和核函数系数。
5.根据权利要求4所述的基于深度学习的核桃炭疽病预测方法,其特征在于,对所述svm模型进行参数优化包括以下步骤:
6.根据权利要求5所述的基于深度学习的核桃炭疽病预测方法,其特征在于,所述计算个体粒子最佳适应度值具体为:将每一个粒子的当前位置适应度值与个体粒子最佳适应度值进行比对,若优于所述个体粒子最佳适应度值,则将当前位置适应度值更新为个体粒子最佳适应度值,否则不更新。
7.根据权利要求6所述的基于深度学习的核桃炭疽病预测方法,其特征在于,所述计算全局最佳适应度值具体为:将每一个粒子的当前位置适应度值与全局最佳适应度值进行比对,若优于所述全局最佳适应度值,则将当前位置适应度值更新为全局最佳适应度值,否则不更新。
8.一种采用如权利要求1-7任一所述基于深度学习的核桃炭疽病预测方法的系统,其特征在于,包括:
9.根据权利要求8所述的系统,其特征在于,所述数据处理模块还包括模型优化单元,所述模型优化单元用于计算出个体粒子最佳适应度值和全局最佳适应度值,以更新相应的历史最佳适应度值。
10.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机执行如权利要求1-7任一所述基于深度学习的核桃炭疽病预测方法。