基于大数据的油菜化杀效果评估方法及系统与流程

本发明涉及数据处理，具体是指基于大数据的油菜化杀效果评估方法及系统。

背景技术：

1、基于大数据的油菜化杀效果评估方法是通过收集、整合和清理油菜生长和化学杀虫剂施用的相关数据，并使用机器学习算法进行建模和预测，从而提供更准确的评估结果和决策支持，这种方法可以帮助农民提高农作物的生长和防治效果，促进农业的可持续发展。但是一般化杀效果评估模型存在仅依靠当前梯度很容易陷入局部极值，或者当梯度太小时更新停止，从而导致模型更新的过早停滞的问题；一般化杀效果评估模型存在超参数选取不当导致模型性能弱，超参数搜索方法搜索随机性低，参数过多导致算法复杂度高，容易陷入局部最优的问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于大数据的油菜化杀效果评估方法及系统，针对一般化杀效果评估模型存在仅依靠当前梯度很容易陷入局部极值，或者当梯度太小时更新停止，从而导致模型更新的过早停滞的问题，本方案基于当前梯度和累计梯度指导更新方向，基于累计梯度设计参数的更新步幅，使用自适应力矩估计方法的形式来设置梯度下降法中固定步幅的调整系数；并引入激活函数对步长进行校准，使得模型具有更好的收敛效果；针对一般化杀效果评估模型存在超参数选取不当导致模型性能弱，超参数搜索方法搜索随机性低，参数过多导致算法复杂度高，容易陷入局部最优的问题，本方案基于生成候选者来优化初始化参数位置，通过将参数位置分为搜索者、学习者和侦察者，三种参数位置分别扮演不同角色并分别设计移动策略，提高算法收敛性能，搜索者通过被全局最优个体吸引和随机跳跃进行探索，学习者根据历史经验来调整搜索位置，侦察者通过在全局最优位置附近进行随机搜索，提高算法的全局搜索能力，具有并行计算能力、对于非线性、非凸问题具有更好的适应性。

2、本发明采取的技术方案如下：本发明提供的基于大数据的油菜化杀效果评估方法，该方法包括以下步骤：

3、步骤s1：数据采集；

4、步骤s2：数据预处理；

5、步骤s3：建立化杀效果评估模型；

6、步骤s4：模型超参数搜索；

7、步骤s5：化杀效果评估。

8、进一步地，在步骤s1中，所述数据采集是采集生长环境数据、农药喷洒数据、植物生理数据、植物病害数据、时间数据和化杀评估等级；将化杀评估等级作为数据标签；

9、所述生长环境数据包括温度、湿度和光照数据；所述农药喷洒数据包括农药的种类、浓度和喷洒量；所述植物生理数据包括叶绿素含量、叶片形态和生长状况；所述植物病害数据包括病叶面积、病害程度和叶片病斑数量。

10、进一步地，在步骤s2中，所述数据预处理是对采集的数据进行数据清洗、数据转换、数据标准化和数据集划分；

11、所述数据清洗是处理缺失值和异常值；所述数据转换是基于特征编码将清洗后的数据转换为向量形式；所述数据标准化是对转换后的数据基于min-max缩放进行标准化处理；所述数据集划分是对标准化处理后的数据按照7:3的比例随机划分为训练集和测试集，训练集用于训练模型，测试集用于测试模型性能。

12、进一步地，在步骤s3中，所述建立化杀效果评估模型是基于预处理后的数据训练神经网络，模型损失函数使用均方误差损失函数；输入层用于接收预处理后的数据；隐藏层包括多个神经元，基于激活函数进行非线性变化，输出层用于输出模型预测结果；设计了一套梯度参数更新方法，具体包括以下步骤：

13、步骤s31：计算更新方向，基于累积梯度和当前梯度的综合作用来引导更新方向，所用公式如下：

14、；

15、式中，是第k次迭代i维度的更新方向；是对损失函数中参数的梯度；i是维度，k是迭代次数；μ是动量衰减因子；in是迭代次数索引；

16、步骤s32：计算累积梯度，使用自适应矩估计方法的形式来为梯度下降方法中的固定步长设置累积梯度和二次累积梯度，所用公式如下：

17、；

18、；

19、式中，和分别是第k次迭代中i维度的累积梯度和二次累积梯度；和分别是第k-1次迭代中i维度的累积梯度和二次累积梯度；是用于平衡前一累积梯度和当前梯度的影响的参数；是用于平衡前一二次累积梯度和当前梯度的平方的影响的参数；

20、步骤s33：修正梯度，所用公式如下：

21、；

22、；

23、式中，和分别是修正后的累积梯度和二次累积梯度；和分别是和的k次幂；

24、步骤s34：引入激活函数，所用公式如下：

25、；

26、式中，softplus(·)是激活函数；β是调整激活函数斜率的参数；

27、步骤s35：更新步长，基于激活函数对步长进行校准，所用公式如下：

28、；

29、式中，是第k次迭代i维度的步长；α是步长因子；ε是防止步长为0的小的正数；

30、步骤s36：参数更新，所用公式如下：

31、；

32、式中，和分别是第k次迭代和第k-1次迭代i维度的参数。

33、进一步地，在步骤s4中，所述模型超参数搜索具体包括以下步骤：

34、步骤s41：初始化搜索参数位置，基于所要搜索的模型超参数建立搜索空间，并初始化参数搜索位置，将基于参数位置建立的模型性能作为参数个体适应度值，初始化参数位置所用公式如下：

35、；

36、式中，是初始化i个体j维度的位置；和分别是j维度的下限和上限；rand(·)是随机数生成函数；

37、步骤s42：生成候选解，所用公式如下：

38、；

39、式中，是第i个候选解第t次迭代j维度的位置；是第i个搜索参数位置第t次迭代j维度的位置；是随机搜索参数个体第t次迭代j维度的位置；

40、步骤s43：解集划分，若生成候选解的使用度值高于原搜索参数位置，则将生成候选解的位置替换原搜索参数位置；对于替换后的搜索参数位置，按照6:3:1的比例随机划分为搜索者、学习者和侦察者；

41、步骤s44：设计搜索者移动策略，搜索者作为搜索主力一方面是被全局最优个体吸引，以朝向优秀解的方向移动，另一方面通过随机跳跃进行探索，以发现更多解，所用公式如下：

42、；

43、式中，和分别是第t次和第t-1次第i个搜索者j维度的位置；是在范围[0，1]均匀分布的随机数；是第t-1次迭代j维度的全局最优个体；和是两个不相同的随机搜索者j维度的位置；

44、步骤s45：设计学习者移动策略，学习者只考虑个体最优位置和全局最优位置进行移动，所用公式如下：

45、；

46、式中，和分别是第t次迭代和第t-1次迭代第i个学习者j维度的位置；是第i个学习者j维度的历史最优位置；f(·)是适应度值，即基于参数位置建立的模型性能；

47、步骤s46：设计侦察者移动策略，侦察者用来增加搜索随机性，所用公式如下：

48、；

49、式中，是第t次迭代第i个侦察者j维度的位置；和分别是第t次迭代侦察者j维度的上限位置和下限位置；

50、步骤s47：搜索判定，预先设有适应度阈值，当存在参数个体适应度值高于适应度阈值时，基于个体位置建立化杀效果评估模型；若达到最大迭代次数，则重新初始化参数位置进行搜索；否则重新划分解集进行参数搜索。

51、进一步地，在步骤s5中，所述化杀效果评估是基于步骤s4搜索的参数位置建立化杀效果评估模型；实时采集生长环境数据、农药喷洒数据、植物生理数据、植物病害数据和时间数据，基于模型输出的化杀评估效果实现对油菜化杀效果评估。

52、本发明提供的基于大数据的油菜化杀效果评估系统，包括数据采集模块、数据预处理模块、化杀效果评估模型建立模块、模型超参数搜索模块和化杀效果评估模块；

53、所述数据采集模块采集生长环境数据、农药喷洒数据、植物生理数据、植物病害数据、时间数据和化杀评估等级，并将数据发送至数据预处理模块；

54、所述数据预处理模块对采集的数据进行数据清洗、数据转换、数据标准化和数据集划分，并将数据发送至化杀效果评估模型建立模块；

55、所述化杀效果评估模型建立模块是基于预处理后的数据训练神经网络，模型损失函数使用均方误差损失函数；输入层用于接收预处理后的数据；隐藏层包括多个神经元，基于激活函数进行非线性变化，输出层用于输出模型预测结果；并将数据发送至模型超参数搜索模块；

56、所述模型超参数搜索模块基于生成候选者来优化初始化参数位置，通过将参数位置分为搜索者、学习者和侦察者，并分别设计移动策略，并将数据发送至化杀效果评估模块；

57、所述化杀效果评估模块实时采集生长环境数据、农药喷洒数据、植物生理数据、植物病害数据和时间数据，基于模型输出的化杀评估效果实现对油菜化杀效果评估。

58、采用上述方案本发明取得的有益效果如下：

59、（1）针对一般化杀效果评估模型存在仅依靠当前梯度很容易陷入局部极值，或者当梯度太小时更新停止，从而导致模型更新的过早停滞的问题，本方案基于当前梯度和累计梯度指导更新方向，基于累计梯度设计参数的更新步幅，使用自适应力矩估计方法的形式来设置梯度下降法中固定步幅的调整系数；并引入激活函数对步长进行校准，使得模型具有更好的收敛效果。

60、（2）针对一般化杀效果评估模型存在超参数选取不当导致模型性能弱，超参数搜索方法搜索随机性低，参数过多导致算法复杂度高，容易陷入局部最优的问题，本方案基于生成候选者来优化初始化参数位置，通过将参数位置分为搜索者、学习者和侦察者，三种参数位置分别扮演不同角色并分别设计移动策略，提高算法收敛性能，搜索者通过被全局最优个体吸引和随机跳跃进行探索，学习者根据历史经验来调整搜索位置，侦察者通过在全局最优位置附近进行随机搜索，提高算法的全局搜索能力，具有并行计算能力、对于非线性、非凸问题具有更好的适应性。