[發(fā)明專利]種植地查找建模方法、裝置、種植地查找方法及裝置

有效

• 申請?zhí)枺?/td>: 201910025829.X
• 申請日: 2019-01-11
• 公開（公告）號: CN109741205B
• 公開（公告）日: 2020-12-22
• 發(fā)明（設(shè)計(jì)）人: 王艷;祁萌;羅樂;何若雪
• 申請（專利權(quán)）人: 成都工業(yè)學(xué)院
• 主分類號: G06Q50/02
• 分類號: G06Q50/02;G06N3/12
• 代理公司: 北京超凡志成知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11371
• 代理人: 蔣姍

本發(fā)明實(shí)施例提供了一種種植地查找建模方法、裝置、種植地查找方法及裝置。該方法包括：將預(yù)存的與多種待查找植物對應(yīng)的環(huán)境因子數(shù)據(jù)和種植地名稱輸入到第一初始網(wǎng)絡(luò)模型；基于遺傳算法，對所述第一初始網(wǎng)絡(luò)模型進(jìn)行優(yōu)化處理，獲得第一子網(wǎng)絡(luò)；將預(yù)存的地理位置參數(shù)以及與每種待查找植物對應(yīng)的種植地名稱輸入到第二初始網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得第二子網(wǎng)絡(luò)；根據(jù)所述第一子網(wǎng)絡(luò)和所述第二子網(wǎng)絡(luò)，獲得種植地查找模型。由此，提高種植地查找模型的準(zhǔn)確度。

技術(shù)領(lǐng)域

本發(fā)明涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，具體而言，涉及一種種植地查找建模方法、裝置、種植地查找方法及裝置。

背景技術(shù)

隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，數(shù)據(jù)處理技術(shù)在越來越多的領(lǐng)域得到了應(yīng)用，提高各個(gè)領(lǐng)域的數(shù)據(jù)處理效率的同時(shí)，帶來了意想不到的效果。目前，部分方法使用神經(jīng)網(wǎng)絡(luò)來查找植物適宜生長的種植地。然而神經(jīng)網(wǎng)絡(luò)的查找的準(zhǔn)確度不高，神經(jīng)網(wǎng)絡(luò)模型的性能有待提高。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提供了一種種植地查找建模方法、裝置、種植地查找方法及裝置。

第一方面，本發(fā)明實(shí)施例提供了一種種植地查找建模方法，所述方法包括：

將預(yù)存的與多種待查找植物對應(yīng)的環(huán)境因子數(shù)據(jù)和種植地名稱輸入到第一初始網(wǎng)絡(luò)模型，所述種植地名稱貼附有種植地類型標(biāo)簽，所述種植地類型標(biāo)簽與預(yù)存的種植地類型對應(yīng)。

基于遺傳算法，對所述第一初始網(wǎng)絡(luò)模型進(jìn)行優(yōu)化處理，獲得第一子網(wǎng)絡(luò)。

將預(yù)存的地理位置參數(shù)以及與每種待查找植物對應(yīng)的種植地名稱輸入到第二初始網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得第二子網(wǎng)絡(luò)。

根據(jù)所述第一子網(wǎng)絡(luò)和所述第二子網(wǎng)絡(luò)，獲得種植地查找模型。

可選地，在本發(fā)明實(shí)施例中，所述第一初始網(wǎng)絡(luò)模型設(shè)有第一輸入層和第一輸出層，將預(yù)存的與多種待查找植物對應(yīng)的環(huán)境因子數(shù)據(jù)和種植地名稱輸入到第一初始網(wǎng)絡(luò)模型的步驟，包括：

將預(yù)存的與多種待查找植物對應(yīng)的環(huán)境因子數(shù)據(jù)和種植地名稱輸入到所述第一初始網(wǎng)絡(luò)模型的第一輸入層。

將預(yù)存的多種種植地類型輸入到所述第一初始網(wǎng)絡(luò)模型的第一輸出層。

可選地，在本發(fā)明實(shí)施例中，所述第一初始網(wǎng)絡(luò)模型還設(shè)有第一隱藏層，基于遺傳算法，對所述第一初始網(wǎng)絡(luò)模型進(jìn)行優(yōu)化處理，獲得第一子網(wǎng)絡(luò)的步驟，包括：

設(shè)置與所述第一初始網(wǎng)絡(luò)模型對應(yīng)的染色體結(jié)構(gòu)。

基于遺傳算法，對所述第一初始網(wǎng)絡(luò)模型進(jìn)行多次迭代，針對每次迭代，對所述染色體結(jié)構(gòu)中的數(shù)據(jù)進(jìn)行調(diào)整，獲得與該次迭代對應(yīng)的染色體個(gè)體。

針對每個(gè)所述染色體個(gè)體，對所述第一初始網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，獲得訓(xùn)練結(jié)果。

基于所述訓(xùn)練結(jié)果，使用適應(yīng)度函數(shù)進(jìn)行運(yùn)算，獲得與所述染色體個(gè)體對應(yīng)的適應(yīng)度。

選取各所述適應(yīng)度中值最大的適應(yīng)度所對應(yīng)的染色體個(gè)體作為目標(biāo)染色體。

根據(jù)所述目標(biāo)染色體，對所述第一初始網(wǎng)絡(luò)模型的第一隱藏層進(jìn)行設(shè)置，獲得第一子網(wǎng)絡(luò)。

可選地，在本發(fā)明實(shí)施例中，所述目標(biāo)染色體中包括第一子參數(shù)和第二子參數(shù)。

所述根據(jù)所述目標(biāo)染色體，對所述第一初始網(wǎng)絡(luò)模型的第一隱藏層進(jìn)行設(shè)置的步驟，包括：

根據(jù)所述目標(biāo)染色體中的第一子參數(shù)設(shè)定所述第一初始網(wǎng)絡(luò)模型的第一隱藏層的層數(shù)。

根據(jù)所述目標(biāo)染色體中的第二子參數(shù)設(shè)定所述第一隱藏層中每個(gè)隱藏層的神經(jīng)元個(gè)數(shù)。