砜吡草唑和嘧硫草醚组合物的制备工艺及系统的制作方法

本发明属于数据处理，尤其涉及一种砜吡草唑和嘧硫草醚组合物的制备工艺及系统。

背景技术：

1、砜吡草唑是一种异噁唑类除草剂，广泛应用于玉米、小麦、大豆、棉花、向日葵、马铃薯、花生等多种作物，防除一年生禾本科杂草和阔叶杂草。砜吡草唑作用机制与乙草胺和异丙甲草胺等氯乙酰胺类除草剂相似，但其应用作物种类更广泛，生物活性远大于乙草胺与异丙甲草胺，用药量更低。砜吡草唑单位面积用量比乙草胺及其他氯乙酰胺类除草剂品种要低一定程度，因而其除草效果更好，自该品种开发成功以来，其应用作物种类广泛、防治谱广，对多种作物田一年生禾本科和阔叶杂草均有较好的除草效果，受到用户广泛重视和高度评价。

2、当前在欧盟禁用乙草胺与异丙甲草胺的形势下，也由于目前我国销量最大的封闭性除草剂氯乙酰胺类除草剂品种安全性差，长期使用导致抗性增强，而除草效果变得越来越差。因此，砜吡草唑将可全面取代广泛应用的乙草胺、异丙甲草胺等氯乙酰胺类除草剂，成为土壤处理剂的新主流品种。

3、嘧草硫醚是新一代广谱除草剂，其可以防除一年生和多年生禾本科杂草和大多数阔叶杂草，对难除杂草如各种牵牛、苍耳、苘麻、刺黄花禾念、田普和阿拉伯高粱等都有很好的防除效果。市场上除草剂品种中，广谱除草剂较少，防治阔叶杂草除草剂具多，兼有防治阔叶杂草和禾本科杂草，而且对多年杂草和难除杂草效果显著者尚不多，由于嘧草硫醚同时具备上述特点，而且高效、低毒、用量很小，会使化学除草的水平上一大台阶。

4、目前的砜吡草唑和嘧硫草醚均已经面临杂草的抗药性增强的问题，逐渐失去对杂草的抑制性能；本领域技术人员试图通过砜吡草唑和嘧硫草醚的复配，来达到减低单品种使用量，同时减少杂草抗性出现的目的。然而，在现有的制备过程中,对二者复配过程中试验生产数据的分析及处理过度依赖人为的判断，一方面造成较大程度的人力负担，另一方面也使得问题及使用效果的判断不够全面和准确，最终导致影响砜吡草唑和嘧硫草醚组合物的应用效果。

技术实现思路

1、本发明中提供了一种砜吡草唑和嘧硫草醚组合物的制备工艺及系统，可有效解决背景技术中的问题。

2、为了达到上述目的，本发明所采用的技术方案是：

3、砜吡草唑和嘧硫草醚组合物的制备工艺，包括：

4、明确砜吡草唑和嘧硫草醚各自的应用场景要素；

5、创建包括不同制备工艺及对应复配应用效果的砜吡草唑和嘧硫草醚的组合物工艺库；

6、构建砜吡草唑和嘧硫草醚的复配应用分析模型；

7、将所述应用场景要素和组合物工艺库内的数据输入所述复配应用分析模型，对模型进行训练；

8、通过训练完成的所述复配应用分析模型对新的制备工艺所对应的复配应用效果进行预测，且根据预测结果对工艺参数进行调整；

9、根据调整完成的制备工艺对所述砜吡草唑和嘧硫草醚组合物进行生产。

10、进一步地，对模型进行训练包括：

11、针对每种单独的工艺数据，进行独立的模型训练；将各种工艺的独立模型进行整合，获得训练完成的所述复配应用分析模型。

12、进一步地，各独立模型采用相同的算法。

13、进一步地，所述算法为随机森林算法，由若干决策树组成；

14、针对每种单独的工艺数据进行独立的模型训练，包括：

15、对于每个决策树，使用自助采样的方式从训练集中随机选择设定数量的样本进行训练；

16、在每个节点处，从随机选择的特征中选择最佳的划分特征，根据设定准则划分节点；

17、重复上述过程，直到达到预设的树的深度为止。

18、进一步地，所述设定准则为最大化信息增益，或者为最小化基尼不纯度。

19、进一步地，将各种工艺的独立模型进行整合，获得训练完成的所述复配应用分析模型，包括：

20、让每个独立的模型对制备工艺进行预测，得到多个预测结果；

21、将各所述预测结果作为输入特征，再训练一个元模型作为所述复配应用分析模型。

22、进一步地，所述元模型为随机森林、梯度提升树、支持向量机、神经网络、k近邻、深度学习模型、回归模型、决策树中的一种。

23、进一步地，所述元模型为卷积神经网络模型；

24、所述卷积神经网络包括：

25、输入层，接收各所述预测结果作为输入；

26、隐藏层，对所述输入降维，且提取主要特征；

27、全连接层，对所述隐藏层输出的特征进行高级关系和组合的学习；

28、输出层，输出最终的预测结果。

29、进一步地，所述全连接层的节点数计算公式为：

30、 n=( f× c)× α+ e× ω+ γ

31、n为所述全连接层的节点数；f为所述隐藏层输出的特征图数量；c为每个特征图包含的特征数量；α为复杂度调整系数，用于调整模型的复杂度；e为应用场景要素数量；ω为应用场景要素综合权重，为所有应用场景要素独立权重的加权平均值；γ为其他影响全连接层节点数的因素数量。

32、砜吡草唑和嘧硫草醚组合物的制备系统，包括：

33、应用场景要素识别模块，实现对砜吡草唑和嘧硫草醚各自应用场景要素的明确和定义功能；

34、组合物工艺库创建模块，建立包括不同制备工艺及对应复配应用效果的砜吡草唑和嘧硫草醚的组合物工艺库；

35、复配应用分析模型构建模块，构建砜吡草唑和嘧硫草醚的复配应用分析模型；

36、训练模块，通过将应用场景要素和组合物工艺库内的数据输入到所述复配应用分析模型，对模型进行训练；

37、预测模块，通过训练完成的所述复配应用分析模型对新的制备工艺所对应的复配应用效果进行预测；

38、工艺参数调整模块，根据预测结果对工艺参数进行调整；

39、生产模块，根据调整完成的制备工艺对所述砜吡草唑和嘧硫草醚组合物进行生产管理。

40、通过本发明的技术方案，可实现以下技术效果：

41、本发明中的砜吡草唑和嘧硫草醚组合物制备工艺及系统包括明确应用场景要素、创建组合物工艺库、构建复配应用分析模型、模型训练、预测复配效果并调整工艺参数、最终生产，上述工艺流程可以帮助提高砜吡草唑和嘧硫草醚复配的精准度，从而实现更好的除草效果，且极大程度上摆脱人力的需求。

技术特征：

1.砜吡草唑和嘧硫草醚组合物的制备工艺，其特征在于，包括：

2.根据权利要求1所述的砜吡草唑和嘧硫草醚组合物的制备工艺，其特征在于，对模型进行训练包括：

3.根据权利要求2所述的砜吡草唑和嘧硫草醚组合物的制备工艺，其特征在于，各独立模型采用相同的算法。

4.根据权利要求3所述的砜吡草唑和嘧硫草醚组合物的制备工艺，其特征在于，所述算法为随机森林算法，由若干决策树组成；

5.根据权利要求4所述的砜吡草唑和嘧硫草醚组合物的制备工艺，其特征在于，所述设定准则为最大化信息增益，或者为最小化基尼不纯度。

6.根据权利要求2所述的砜吡草唑和嘧硫草醚组合物的制备工艺，其特征在于，将各种工艺的独立模型进行整合，获得训练完成的所述复配应用分析模型，包括：

7.根据权利要求6所述的砜吡草唑和嘧硫草醚组合物的制备工艺，其特征在于，所述元模型为随机森林、梯度提升树、支持向量机、神经网络、k近邻、深度学习模型、回归模型、决策树中的一种。

8.根据权利要求6所述的砜吡草唑和嘧硫草醚组合物的制备工艺，其特征在于，所述元模型为卷积神经网络模型；

9.根据权利要求8所述的砜吡草唑和嘧硫草醚组合物的制备工艺，其特征在于，所述全连接层的节点数计算公式为：

10.砜吡草唑和嘧硫草醚组合物的制备系统，其特征在于，包括：

技术总结本发明属于数据处理技术领域，尤其涉及一种砜吡草唑和嘧硫草醚组合物的制备工艺及系统，制备工艺包括：明确砜吡草唑和嘧硫草醚各自的应用场景要素；创建包括不同制备工艺及对应复配应用效果的砜吡草唑和嘧硫草醚的组合物工艺库；构建砜吡草唑和嘧硫草醚的复配应用分析模型；将应用场景要素和组合物工艺库内的数据输入复配应用分析模型，对模型进行训练；通过训练完成的复配应用分析模型对新的制备工艺所对应的复配应用效果进行预测，根据预测结果对工艺参数进行调整；根据调整完成的制备工艺对砜吡草唑和嘧硫草醚组合物进行生产。通过本发明可以帮助提高砜吡草唑和嘧硫草醚复配的精准度，从而实现更好的除草效果，且极大程度上摆脱人力的需求。技术研发人员：臧伟新,李明,杨家福,连立超,凌兴强,刘思佳,华伟受保护的技术使用者：镇江先锋植保科技有限公司技术研发日：技术公布日：2024/6/11