一种基于机器学习的玉米产量预测方法及系统与流程

本发明涉及作物产量预测，具体是指一种基于机器学习的玉米产量预测方法及系统。

背景技术：

1、一种基于机器学习的玉米产量预测方法及系统是利用机器学习技术和数据分析方法，对玉米生长环境数据、种植管理数据和玉米产量数据进行综合分析和建模，对玉米产量的准确预测，帮助用户更好地规划农业生产、优化资源配置。但传统特征提取模型存在模型的灵活性和适应性低、特征提取的效果差的问题；传统玉米产量预测模型存在表达能力和精度欠佳，模型预测准确性低的问题；传统模型参数优化算法存在搜索能力和效率低，搜索的多样性不足，容易陷入局部最优解的问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种基于机器学习的玉米产量预测方法及系统，针对传统特征提取模型存在模型的灵活性和适应性低、特征提取的效果差的问题，本方案通过设计模型结构、设计卷积层、设计最大池化层、设计全局特征提取层、设计归一化层和设计全连接层来构建特征提取模型，增加了模型的灵活性和适应性，更好地捕捉图像的局部特征，提高特征提取的效果；针对传统玉米产量预测模型存在表达能力和精度欠佳，模型预测准确性低的问题，本方案通过设计玉米产量预测模型结构、设计输入层、设计偏差修正激活函数、设计隐藏层、设计预测层、设计损失函数和模型学习来构建玉米产量预测模型，更好地学习和探究了特征数据之间的关系，改善了模型的表达能力和精度，提高了模型预测的准确性；针对传统模型参数优化算法存在搜索能力和效率低，搜索的多样性不足，容易陷入局部最优解的问题，本方案通过设计搜索模式因子、设计动态搜索模式引导函数、设计方向调控因子和设计方向调控搜索函数来进行参数优化搜索，提高了搜索能力和效率，增加了搜索的多样性，避免陷入局部最优解。

2、本发明采取的技术方案如下：本发明提供的一种基于机器学习的玉米产量预测方法，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：建立特征提取模型；

6、步骤s4：建立玉米产量预测模型；

7、步骤s5：模型优化；

8、步骤s6：玉米产量预测。

9、进一步地，在步骤s1中，所述数据采集是采集土壤数据、气象数据、种植数据、地理数据、农艺措施数据、病虫害数据和玉米产量数据；所述土壤数据包括土壤类型、肥力、含水量；所述气象数据包括温度、降水、光照、风速；所述种植数据包括玉米品种、种植密度、施肥量、灌溉量；所述地理数据包括地理位置、海拔高度、坡度；所述农艺措施数据包括播种密度、行距、株距；所述病虫害数据包括病虫害图像、病虫害发生时间、发生程度、防治措施。

10、进一步地，在步骤s2中，所述数据预处理，具体包括以下步骤：

11、步骤s21：数据修正，检测数据中的异常，对异常数据进行修正，去除异常数据的干扰；

12、步骤s22：特征数据选取，对采集的特征数据进行剖析和挑拣，选取出与玉米产量预测密切相关的特征数据；

13、步骤s23：数据统一化，将数据调整为相同的形式，把数据统一到相同的范围内；

14、步骤s24：设计噪声估计函数，表示如下：

15、；

16、其中，p、q表示噪声抑制操作窗口的中心像素的坐标的索引，v、b表示噪声抑制操作窗口的像素的坐标的索引，表示位置(v,b)处的噪声估计值，表示在位置(v,b)处的原始像素值，表示中心点在(p,q)处的噪声抑制操作窗口区域，表示噪声抑制操作窗口区域的像素值的中位数，e表示自然常数，表示噪声抑制操作窗口区域的像素值的方差；

17、步骤s25：噪声抑制，表示如下：

18、；

19、其中，表示噪声抑制后在位置(p,q)处的像素值，表示属于符号，表示噪声抑制权重；

20、步骤s26：设定数据标签，将玉米产量数据设定为数据标签。

21、进一步地，在步骤s3中，所述建立特征提取模型具体包括以下步骤：

22、步骤s31：设计特征提取模型结构，特征提取模型主体由固定模块和微调模块组成，固定模块是由五个卷积和最大池化的组合模块构成，其中，前两个模块的层数相同，都由两个卷积层连接到一个最大池化层，后三个模块的层数相同，都由四个卷积层连接到一个最大池化层；微调模块是额外添加的一个动态层数的卷积层连接全局特征提取层结构的模块；在微调模块之后连接一个平展层，将卷积层的输出展平为一维向量，之后连接一个全连接层；最后经过归一化层和多层全连接层完成特征提取；

23、步骤s32：设计卷积层，表示如下：

24、；

25、其中，i和j表示特征图的位置索引，表示卷积层的输出特征图在位置(i,j)处的值，m和n表示卷积核在输入数据上的滑动位置索引，表示卷积核在位置处的值，表示卷积运算，表示卷积层输入在位置处的值；

26、步骤s33：设计最大池化层，表示如下：

27、；

28、其中，表示最大池化层的输出特征图在位置(i,j)处的值，和表示池化窗口的位置索引，表示池化窗口的大小，表示取池化窗口里的最大值，s表示池化步幅值，表示最大池化层的输入在位置处的值；

29、步骤s34：设计全局特征提取层，创建特征图权重矩阵，通过权重增强全局平均池化来提取全局特征，表示如下：

30、；

31、其中，表示提取的全局特征，h和w分别表示特征图的高度和宽度，表示特征图权重矩阵在位置(i,j)处的权重，表示特征图在位置(i,j)处的元素值；

32、步骤s35：设计归一化层，在隐藏层后添加归一化层，表示如下：

33、；

34、其中，是归一化层的输出，表示归一化层输入，表示输入的均值，表示输入的方差，表示除零平滑项，和分别表示归一化缩放和归一化偏移参数；

35、步骤s36：设计全连接层，表示如下：

36、；

37、其中，表示全连接层的输出，表示线性整流函数，表示全连接层的权重，表示全连接层的输入，表示全连接层的偏置。

38、进一步地，在步骤s4中，所述建立玉米产量预测模型具体包括以下步骤：

39、步骤s41：设计玉米产量预测模型结构，模型包括输入层、隐藏层和产量预测层；

40、步骤s42：设计输入层，输入层用于接收预处理之后的特征数据和特征提取模型提取到的特征数据，表示如下：

41、；

42、其中，表示输入层的输出，k表示玉米产量预测模型输入的特征数据总数，和分别表示第1、2、3、k个特征数据；

43、步骤s43：设计偏差修正激活函数，表示如下：

44、；

45、其中，表示偏差修正激活函数，表示偏差修正激活函数的输入；

46、步骤s44：设计隐藏层，表示如下：

47、；

48、其中，表示隐藏层的输出，、和分别表示第一层隐藏层的权重、输入和偏置，和分别表示第二层隐藏层的权重和偏置，a表示隐藏层的总层数，和分别表示第a层隐藏层的权重和偏置；

49、步骤s45：设计预测层，表示如下：

50、；

51、其中，表示预测层的输出，表示预测层的权重，表示预测层的输入，表示预测层的偏置；

52、步骤s46：设计损失函数，基于预测产量与实际产量之间的相对误差构建损失函数，并参考历史玉米产量数据，表示如下：

53、；

54、其中，表示损失函数，表示最大样本数量，c表示样本的索引，表示玉米产量预测的重要性权重，表示第c个样本的玉米实际产量值，表示第c个样本的玉米产量预测值，表示历史玉米产量参考值；

55、步骤s47：模型学习，计算损失函数对模型的每个权重和偏置参数的梯度，并根据梯度的方向和大小来调整权重和偏置参数的值。

56、进一步地，在步骤s5中，所述模型优化具体包括以下步骤：

57、步骤s51：优化准备，确定优化目标，包括微调模块和隐藏层的层数和节点数、卷积核的尺寸和数量、池化窗口大小和步幅；将模型预测的准确性设置为优化性能评估指标，通过随机采样生成初始候选参数集，使用设置的评估指标，对每个候选参数点进行性能评估，根据评估结果设定优化性能阈值和最大优化搜索迭代次数；

58、步骤s52：设计搜索模式因子，表示如下：

59、；

60、式中，t表示参数优化搜索迭代次数，mds(t)表示在第t次参数优化搜索时的模式因子，r1表示0到1之间的随机数；

61、步骤s53：设计动态搜索模式引导函数，公式如下：

62、；

63、其中，表示在第t+1次参数优化搜索时动态搜索模式引导函数搜索得到的参数位置，表示在第t次参数优化搜索时动态搜索模式引导函数搜索得到的参数位置，表示初始候选参数集的参数平均位置，表示当前参数性能最强的参数点位置，ste表示服从均值为0方差为1的正态分布的引导因子，mds(t+1)表示在第t+1次参数优化搜索时的搜索模式因子；

64、步骤s54：设计方向调控因子，表示如下：

65、；

66、其中，表示在第t次参数优化搜索时的方向调控因子，t表示最大优化搜索迭代次数；

67、步骤s55：设计方向调控搜索函数，公式如下：

68、；

69、其中，表示在第t+1次参数优化搜索时方向调控搜索函数搜索得到的参数位置，tb表示参数搜索空间上界，db表示参数搜索空间下界，r2表示0到1之间的随机数；

70、步骤s56：优化搜索，候选参数集首先进行动态搜索模式引导函数的优化搜索，对搜索到的每个参数点进行性能评估，如果参数点性能提高了，下一次优化搜索仍然使用动态搜索模式引导函数进行搜索，否则切换成方向调控搜索函数的优化搜索；切换成方向调控搜索函数进行了一次搜索之后会再一次切换到动态搜索模式引导函数；在搜索期间如果出现了参数性能大于优化性能阈值的参数点，停止搜索，将该点的参数输出；如果到达了最大迭代次数，重新进行优化搜索；否则继续搜索。

71、进一步地，在步骤s6中，所述玉米产量预测是通过收集待预测区域最新的玉米生长数据，将数据输入玉米产量预测模型，模型对输入的数据进行全面的处理和分析，生成出最终的玉米产量的预测结果，为用户提供玉米种植的参考和决策支持；并根据实际的预测结果以及用户反馈，持续对模型进行优化和完善。

72、本发明提供的一种基于机器学习的玉米产量预测系统，包括数据采集模块、数据预处理模块、建立特征提取模型模块、建立玉米产量预测模型模块、模型优化模块和玉米产量预测模块；

73、所述数据采集模块采集土壤数据、气象数据、种植数据、地理数据、农艺措施数据、病虫害数据和玉米产量数据，并将数据发送至数据预处理模块；

74、所述数据预处理模块接收数据采集模块发送的数据，对接收到的数据进行预处理，并将处理后的数据发送至建立特征提取模型模块和建立玉米产量预测模型模块；

75、所述建立特征提取模型模块接收数据预处理模块发送的数据，针对病虫害图像建立特征提取模型，并将数据发送至模型优化模块；

76、所述建立玉米产量预测模型模块接收数据预处理模块发送的数据，建立玉米产量预测模型，并将数据发送至模型优化模块；

77、所述模型优化模块接收建立特征提取模型模块和建立玉米产量预测模型模块的数据，对模型进行参数优化，并将数据发送至玉米产量预测模块；

78、所述玉米产量预测模块接收模型优化模块发送的数据，对待预测区域最新的玉米生长数据进行全面的处理和分析，生成最终的玉米产量的预测结果。

79、采用上述方案本发明取得的有益效果如下：

80、（1）针对传统特征提取模型存在模型的灵活性和适应性低、特征提取的效果差的问题，本方案通过设计模型结构、设计卷积层、设计最大池化层、设计全局特征提取层、设计归一化层和设计全连接层来构建特征提取模型，增加了模型的灵活性和适应性，更好地捕捉图像的局部特征，提高特征提取的效果。

81、（2）针对传统玉米产量预测模型存在表达能力和精度欠佳，模型预测准确性低的问题，本方案通过设计玉米产量预测模型结构、设计输入层、设计偏差修正激活函数、设计隐藏层、设计预测层、设计损失函数和模型学习来构建玉米产量预测模型，更好地学习和探究了特征数据之间的关系，改善了模型的表达能力和精度，提高了模型预测的准确性。

82、（3）针对传统模型参数优化算法存在搜索能力和效率低，搜索的多样性不足，容易陷入局部最优解的问题，本方案通过设计搜索模式因子、设计动态搜索模式引导函数、设计方向调控因子和设计方向调控搜索函数来进行参数优化搜索，提高了搜索能力和效率，增加了搜索的多样性，避免陷入局部最优解。