CN109816267A - 一种智能大豆生产管理方法及*** - Google Patents
一种智能大豆生产管理方法及*** Download PDFInfo
- Publication number
- CN109816267A CN109816267A CN201910113243.9A CN201910113243A CN109816267A CN 109816267 A CN109816267 A CN 109816267A CN 201910113243 A CN201910113243 A CN 201910113243A CN 109816267 A CN109816267 A CN 109816267A
- Authority
- CN
- China
- Prior art keywords
- production
- soybean
- time series
- neural network
- series data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 136
- 244000068988 Glycine max Species 0.000 title claims abstract description 82
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 82
- 238000007726 management method Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000000306 recurrent effect Effects 0.000 claims abstract description 37
- 230000006403 short-term memory Effects 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 20
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 17
- 201000010099 disease Diseases 0.000 claims abstract description 17
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 17
- 239000002689 soil Substances 0.000 claims abstract description 16
- 239000003337 fertilizer Substances 0.000 claims abstract description 9
- 238000005286 illumination Methods 0.000 claims abstract description 8
- 235000015097 nutrients Nutrition 0.000 claims abstract description 8
- 239000000126 substance Substances 0.000 claims abstract description 8
- 239000000575 pesticide Substances 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 230000009123 feedback regulation Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 229940079593 drug Drugs 0.000 claims 1
- 239000003814 drug Substances 0.000 claims 1
- 230000011218 segmentation Effects 0.000 claims 1
- 238000013135 deep learning Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001124076 Aphididae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000233679 Peronosporaceae Species 0.000 description 1
- 244000046052 Phaseolus vulgaris Species 0.000 description 1
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 1
- 208000036142 Viral infection Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229940072033 potash Drugs 0.000 description 1
- 235000015320 potassium carbonate Nutrition 0.000 description 1
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 210000000582 semen Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/40—Fabaceae, e.g. beans or peas
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Animal Husbandry (AREA)
- Human Resources & Organizations (AREA)
- Environmental Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Botany (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Beans For Foods Or Fodder (AREA)
- Fertilizers (AREA)
Abstract
本发明公开了一种智能大豆生产管理方法及***。该方法包括:获取大豆生产过程中投入的各生产要素的时间序列数据,生产要素包括水分、农药和化肥;获取大豆的生产环境指标、长势、病虫害情况的时间序列数据,生产环境指标包括光照、土壤温湿度和土壤养分;以大豆的生产环境指标、长势、病虫害情况的时间序列数据为输入,以大豆生产过程中投入的各生产要素的时间序列数据为输出,训练长短时记忆循环神经网络;采用训练后的长短时记忆循环神经网络对大豆生产过程中各生产要素的投入进行预测;根据长短时记忆循环神经网络预测的各生产要素的投入管理大豆的生产。本发明能够更加便捷、科学的确定大豆生产过程中各生产要素的投入需求。
Description
技术领域
本发明涉及大豆生产管理领域,特别是涉及一种智能大豆生产管理方法及***。
背景技术
智能化农业生产的快速发展,对繁荣农村经济、优化产业结构、提高农民生活水平具有重要意义。《国家中长期科学和技术发展规划纲要(2006-2020)》已明确将“农业精确作业与信息化”纳入优化主题,因此,利用大数据技术建立现代化的大豆生产管理***,对我国农业的现代化发展和提高农业竞争力都有重大意义。
发明内容
本发明的目的是提供一种智能大豆生产管理方法及***,能够更加便捷、科学的确定大豆生产过程中各生产要素的投入量。
为实现上述目的,本发明提供了如下方案:
一种智能大豆生产管理方法,包括:
获取大豆生产过程中投入的各生产要素的时间序列数据,所述生产要素包括水分、农药和化肥;
获取大豆的生产环境指标、长势、病虫害情况的时间序列数据,所述生产环境指标包括光照、土壤温湿度和土壤养分;所述时间序列数据为统计得到的历史时间序列数据;
以大豆的生产环境指标、长势、病虫害情况的时间序列数据为输入,以大豆生产过程中投入的各生产要素的时间序列数据为输出,训练长短时记忆循环神经网络;
采用训练后的长短时记忆循环神经网络对大豆生产过程中各生产要素的投入进行预测;
根据长短时记忆循环神经网络预测的各生产要素的投入管理大豆的生产。
可选的,在所述训练长短时记忆循环神经网络之前,还包括:
对所述时间序列数据中的评价指标进行数值化处理;
将各所述时间序列数据处理为格式统一的数据。
可选的,在训练长短时记忆循环神经网络的过程中,在长短时记忆循环神经网络的输出层添加辅助神经元,以对输出数据进行约束和调整,所述辅助神经元对应的指标包括投入收益率和生产-价格弹性系数。
可选的,训练过程中,所述长短时记忆循环神经网络中的权值采用反馈调节的方式确定。
可选的,训练过程中,所述长短时记忆循环神经网络采用规则导数进行梯度求解,获得所述长短时记忆循环神经网络中的权重以及偏置。
可选的,对所述时间序列数据进行分割,得到多个时间序列数据子集,获取互不相邻的多个子集作为训练集。
可选的,选取时间早于所述训练集的时间序列数据作为测试集。
本发明还提供了一种智能大豆生产管理***,包括:
第一历史数据获取模块,用于获取大豆生产过程中投入的各生产要素的时间序列数据,所述生产要素包括水分、农药和化肥;
第二历史数据获取模块,用于获取大豆的生产环境指标、长势、病虫害情况的时间序列数据,所述生产环境指标包括光照、土壤温湿度和土壤养分,所述时间序列为统计得到的历史时间序列数据;
神经网络模型训练模块,用于以大豆的生产环境指标、长势、病虫害情况的时间序列数据为输入,以大豆生产过程中投入的各生产要素的时间序列数据为输出,训练长短时记忆循环神经网络;
预测模块,用于采用训练后的长短时记忆循环神经网络对大豆生产过程中各生产要素的投入进行预测;
生产要素投入管理模块,用于根据预测得到的各生产要素的投入管理大豆的生产。
可选的,所述***还包括:
数值化模块,用于对所述时间序列数据中的评价指标进行数值化处理;
格式统一化模块,用于将各所述时间序列数据处理为格式统一的数据。
可选的,所述***还包括:
神经网络模型输出数据调整模块,用于在长短时记忆循环神经网络的输出层添加辅助神经元,以对输出数据进行约束和调整,所述辅助神经元对应的指标包括投入收益率和生产-价格弹性系数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的智能大豆生产管理方法及***,通过获取与大豆生产相关的大数据,采用深度学习方法处理和预测大豆生产过程中的各生产要素的投入量,为大豆的生产管理提供依据。由于深度学习方法利用的是各生产要素的投入与其他要素之间的关系规律,因此,采用深度学习方法预测的各生产要素的投入结果更加的科学,同时,相较于传统的预测方法更加精准、便捷。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例智能大豆生产管理方法流程图;
图2为本发明实施例长短时记忆循环神经网络结构图;
图3为本发明实施例智能大豆生产管理***结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种智能大豆生产管理方法及***,能够更加便捷、科学的确定大豆生产过程中各生产要素的投入量。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的智能大豆生产管理方法包括以下步骤:
步骤101:获取大豆生产过程中投入的各生产要素的时间序列数据,所述生产要素包括水分、农药和化肥;
步骤102:获取大豆的生产环境指标、长势、病虫害情况的时间序列,所述生产环境指标包括光照、土壤温湿度和土壤养分;所述时间序列数据为统计得到的历史数据序列数据;
步骤103:以大豆的生产环境指标、长势、病虫害情况的时间序列数据为输入,以大豆生产过程中投入的各生产要素的时间序列数据为输出,训练长短时记忆循环神经网络;大豆产量时间序列具有周期性的特征,利用长短时记忆循环神经网络的记忆机制,能够以较高的精度预测出中短期大豆生产过程中对各生产要素的投入需求,此处的生产要素包括:水、农药、化肥(又分氮、磷、钾肥);
步骤104:采用训练后的长短时记忆循环神经网络对大豆生产过程中各生产要素的投入进行预测;
步骤105:根据长短时记忆循环神经网络预测的各生产要素的投入管理大豆的生产。
在上述实施例步骤103之前,还包括:
对所述时间序列数据中的评价指标进行数值化处理;
将各所述时间序列数据处理为格式统一的数据。
基于公开统计数据库与调研数据相结合的大豆生产与流通环节多元异构数据融合,将不同时间维度下、不同地区、不同大豆生产环境指标(光照、土壤湿度、温度、土壤养分等)、长势、病虫害情况等数据进行数值化、标准化处理,并形成表达清晰、格式一致的时间序列数据。大豆常见的病虫害包括:霜霉病、病毒病、豆天蛾、食心虫、造桥虫、蚜虫、菟丝子等病虫草害。
其中,数值化包括评价指标数值化(比如:很好100分、好80分、良70 分等等),产品等级数值化(比如一级100份,二级80分,三级60分);
标准化通常包括:按数值型信息处理的流程及信息分析用途,可将农业数值型信息的标准化处理分为统一计量单位和无量纲化处理两类。
作为本发明的一个实施例,在上述实施例基础上,在训练过程中,在长短时记忆循环神经网络的输出层添加辅助神经元,如图2所示,以对输出数据进行约束和调整,通过在输出层添加辅助输出神经元并引入大豆生长机理特征与约束,或引入经济学理论或约束,可以提高模型预测的准确性,所述辅助神经元对应的指标可以包括投入的认为经验数据、投入产出比数据、投入收益率和生产产量弹性等。
模型中训练目标函数ε可表示为:
其中:ω为输出误差权重,R0为训练输出结果,R′0为输出样本实际值,Ri为辅助输出训练结果,R′i为辅助输出的实际值,ωi为各辅助输出权重且有
上述实施例中,长短时记忆循环神经网络中的权值采用反馈调节的方式确定。即通过反向传播算法来计算各类参数的权重。
作为本发明的一个实施例,上述实施例中的长短时记忆循环神经网络采用规则导数进行梯度求解,获得所述长短时记忆循环神经网络中的权重以及偏置。长短时记忆循环神经网络常用BPTT(Backpropagation Through Time)算法进行梯度求解计算模型的权值与偏置,该算法可以看成是标准BP算法的一种扩展。但由于BPTT算法收敛速度比较慢,本发明考虑对BPTT算法中使用的梯度下降法进行改进,使用规则导数代替传统的偏导数搜索求解,从而可以加快训练算法的收敛速度。
作为本发明的一个实施例,在上述实施例的基础上,按照时间先后顺序选择不同基期样本数据划分为训练集和测试集,保证训练集早于测试集。具体为对所述时间序列数据进行分割,得到多个时间序列数据子集,获取互不相邻的多个子集作为训练集。选取时间早于所述训练集的时间序列作为测试集。
本发明还提供了一种智能大豆生产管理***,如图3所示,包括:
第一历史数据获取模块301,用于获取大豆生产过程中投入的各生产要素的时间序列数据,所述生产要素包括水分、农药和化肥;
第二历史数据获取模块302,用于获取大豆的生产环境指标、长势、病虫害情况的时间序列数据,所述生产环境指标包括光照、土壤温湿度和土壤养分,所述时间序列数据为统计得到的历史时间序列数据;
神经网络模型训练模块303,用于以大豆的生产环境指标、长势、病虫害情况的时间序列数据为输入,以大豆生产过程中投入的各生产要素的时间序列数据为输出,训练长短时记忆循环神经网络;
预测模块304,用于采用训练后的长短时记忆循环神经网络对大豆生产过程中各生产要素的投入进行预测;
生产要素投入管理模块305,用于根据预测得到的各生产要素的投入管理大豆的生产。
该***还可以包括:
数值化模块,用于对所述时间序列数据中的评价指标进行数值化处理;
格式统一化模块,用于将各所述时间序列数据处理为格式统一的数据。
神经网络模型输出数据调整模块,用于在长短时记忆循环神经网络的输出层添加辅助神经元,以对输出数据进行约束和调整,所述辅助神经元对应的指标包括投入收益率和生产-价格弹性系数。
本发明提供的智能大豆生产管理方法及***,通过获取与大豆生产相关的大数据,采用深度学习方法处理和预测大豆生产过程中的各生产要素的投入量,为大豆的生产管理提供依据。由于深度学习方法利用的是各生产要素的投入与其他要素之间的关系规律,因此,采用深度学习方法预测的各生产要素的投入结果更加的科学,同时,相较于传统的预测方法,更加的便捷。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种智能大豆生产管理方法,其特征在于,包括:
获取大豆生产过程中投入的各生产要素的时间序列数据,所述生产要素包括水分、农药和化肥;
获取大豆的生产环境指标、长势、病虫害情况的时间序列数据,所述生产环境指标包括光照、土壤温湿度和土壤养分;所述时间序列数据为统计得到的历史时间序列数据;
以大豆的生产环境指标、长势、病虫害情况的时间序列数据为输入,以大豆生产过程中投入的各生产要素的时间序列数据为输出,训练长短时记忆循环神经网络;
采用训练后的长短时记忆循环神经网络对大豆生产过程中各生产要素的投入进行预测;
根据长短时记忆循环神经网络预测的各生产要素的投入管理大豆的生产。
2.根据权利要求1所述的智能大豆生产管理方法,其特征在于,在所述训练长短时记忆循环神经网络之前,还包括:
对所述时间序列数据中的评价指标进行数值化处理;
将各所述时间序列数据处理为格式统一的数据。
3.根据权利要求1所述的智能大豆生产管理方法,其特征在于,在训练长短时记忆循环神经网络的过程中,在长短时记忆循环神经网络的输出层添加辅助神经元,以对输出数据进行约束和调整,所述辅助神经元对应的指标包括投入收益率和生产-价格弹性系数。
4.根据权利要求1所述的智能大豆生产管理方法,其特征在于,训练过程中,所述长短时记忆循环神经网络中的权值采用反馈调节的方式确定。
5.根据权利要求1所述的智能大豆生产管理方法,其特征在于,训练过程中,所述长短时记忆循环神经网络采用规则导数进行梯度求解,获得所述长短时记忆循环神经网络中的权重以及偏置。
6.根据权利要求1所述的智能大豆生产管理方法,其特征在于,对所述时间序列数据进行分割,得到多个时间序列数据子集,获取互不相邻的多个子集作为训练集。
7.根据权利要求6所述的智能大豆生产管理方法,其特征在于,选取时间早于所述训练集的时间序列数据作为测试集。
8.一种智能大豆生产管理***,其特征在于,包括:
第一历史数据获取模块,用于获取大豆生产过程中投入的各生产要素的时间序列数据,所述生产要素包括水分、农药和化肥;
第二历史数据获取模块,用于获取大豆的生产环境指标、长势、病虫害情况的时间序列数据,所述生产环境指标包括光照、土壤温湿度和土壤养分,所述时间序列为统计得到的历史时间序列数据;
神经网络模型训练模块,用于以大豆的生产环境指标、长势、病虫害情况的时间序列数据为输入,以大豆生产过程中投入的各生产要素的时间序列数据为输出,训练长短时记忆循环神经网络;
预测模块,用于采用训练后的长短时记忆循环神经网络对大豆生产过程中各生产要素的投入进行预测;
生产要素投入管理模块,用于根据预测得到的各生产要素的投入管理大豆的生产。
9.根据权利要求8所述的智能大豆生产管理***,其特征在于,所述***还包括:
数值化模块,用于对所述时间序列数据中的评价指标进行数值化处理;
格式统一化模块,用于将各所述时间序列数据处理为格式统一的数据。
10.根据权利要求8所述的智能大豆生产管理***,其特征在于,所述***还包括:
神经网络模型输出数据调整模块,用于在长短时记忆循环神经网络的输出层添加辅助神经元,以对输出数据进行约束和调整,所述辅助神经元对应的指标包括投入收益率和生产-价格弹性系数。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910113243.9A CN109816267A (zh) | 2019-01-31 | 2019-01-31 | 一种智能大豆生产管理方法及*** |
US16/744,821 US20200250768A1 (en) | 2019-01-31 | 2020-01-16 | Intelligent soybean production management method and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910113243.9A CN109816267A (zh) | 2019-01-31 | 2019-01-31 | 一种智能大豆生产管理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816267A true CN109816267A (zh) | 2019-05-28 |
Family
ID=66606576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910113243.9A Pending CN109816267A (zh) | 2019-01-31 | 2019-01-31 | 一种智能大豆生产管理方法及*** |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200250768A1 (zh) |
CN (1) | CN109816267A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112544949A (zh) * | 2020-12-10 | 2021-03-26 | 广西顶俏食品科技集团有限公司 | 一种酱油生产中沉淀物的环保处理方法和装置 |
CN113222294A (zh) * | 2021-06-07 | 2021-08-06 | 中国农业科学院农业信息研究所 | 一种大豆投入单产预测方法及*** |
CN113219871A (zh) * | 2021-05-07 | 2021-08-06 | 淮阴工学院 | 一种养护室环境参数检测*** |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112616600B (zh) * | 2020-12-02 | 2022-05-24 | 吉林省农业科学院 | 一种提高花生耐低温能力的栽培工艺 |
CN115511224B (zh) * | 2022-11-11 | 2023-04-07 | 中国农业科学院农业资源与农业区划研究所 | 天地一体化的作物长势智能监测方法、装置及电子设备 |
CN117150785B (zh) * | 2023-09-05 | 2024-05-24 | 之江实验室 | 一种大豆生长全生育期仿真方法及*** |
CN117708761B (zh) * | 2024-02-06 | 2024-05-03 | 四川省亿尚农业旅游开发有限公司 | 一种融合多指标环境条件的朱顶红育苗***及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730052A (zh) * | 2017-11-07 | 2018-02-23 | 中国农业科学院农业信息研究所 | 一种农产品价格预测方法及*** |
CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
CN108701253A (zh) * | 2015-11-12 | 2018-10-23 | 渊慧科技有限公司 | 使用规范化的目标输出训练神经网络 |
CN108717586A (zh) * | 2018-05-10 | 2018-10-30 | 江南大学 | 一种基于长短时记忆网络的水产养殖环境溶解氧预测方法 |
CN108960530A (zh) * | 2018-07-26 | 2018-12-07 | 江南大学 | 基于长短时记忆网络的大田植被覆盖率指标的预测方法 |
CN109002917A (zh) * | 2018-07-13 | 2018-12-14 | 山东省农业信息中心 | 基于lstm神经网络的粮食总产量多维时间序列预测方法 |
CN109062901A (zh) * | 2018-08-14 | 2018-12-21 | 第四范式(北京)技术有限公司 | 神经网络训练方法和装置及命名实体识别方法和装置 |
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理*** |
CN109242219A (zh) * | 2018-11-14 | 2019-01-18 | 浙江农林大学 | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 |
-
2019
- 2019-01-31 CN CN201910113243.9A patent/CN109816267A/zh active Pending
-
2020
- 2020-01-16 US US16/744,821 patent/US20200250768A1/en not_active Abandoned
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108701253A (zh) * | 2015-11-12 | 2018-10-23 | 渊慧科技有限公司 | 使用规范化的目标输出训练神经网络 |
CN107730052A (zh) * | 2017-11-07 | 2018-02-23 | 中国农业科学院农业信息研究所 | 一种农产品价格预测方法及*** |
CN108717586A (zh) * | 2018-05-10 | 2018-10-30 | 江南大学 | 一种基于长短时记忆网络的水产养殖环境溶解氧预测方法 |
CN108665104A (zh) * | 2018-05-14 | 2018-10-16 | 华际卫星通信有限公司 | 一种基于lstm的渔场预报方法 |
CN109002917A (zh) * | 2018-07-13 | 2018-12-14 | 山东省农业信息中心 | 基于lstm神经网络的粮食总产量多维时间序列预测方法 |
CN108960530A (zh) * | 2018-07-26 | 2018-12-07 | 江南大学 | 基于长短时记忆网络的大田植被覆盖率指标的预测方法 |
CN109062901A (zh) * | 2018-08-14 | 2018-12-21 | 第四范式(北京)技术有限公司 | 神经网络训练方法和装置及命名实体识别方法和装置 |
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理*** |
CN109242219A (zh) * | 2018-11-14 | 2019-01-18 | 浙江农林大学 | 蛋鸡采食行为的预测方法及蛋鸡采食行为的预测装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112544949A (zh) * | 2020-12-10 | 2021-03-26 | 广西顶俏食品科技集团有限公司 | 一种酱油生产中沉淀物的环保处理方法和装置 |
CN112544949B (zh) * | 2020-12-10 | 2022-10-11 | 广西顶俏食品科技集团有限公司 | 一种酱油生产中沉淀物的环保处理方法和装置 |
CN113219871A (zh) * | 2021-05-07 | 2021-08-06 | 淮阴工学院 | 一种养护室环境参数检测*** |
CN113222294A (zh) * | 2021-06-07 | 2021-08-06 | 中国农业科学院农业信息研究所 | 一种大豆投入单产预测方法及*** |
CN113222294B (zh) * | 2021-06-07 | 2023-09-26 | 中国农业科学院农业信息研究所 | 一种大豆投入单产预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
US20200250768A1 (en) | 2020-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816267A (zh) | 一种智能大豆生产管理方法及*** | |
CN101796928B (zh) | 养殖水体水质参数对养殖生物生长状态影响的预测方法 | |
Flood | Towards the next generation of artificial neural networks for civil engineering | |
CN102496077B (zh) | 林业有害生物灾害预测***和方法 | |
CN103218669B (zh) | 一种智能的活鱼养殖水质综合预测方法 | |
Keerthana et al. | An ensemble algorithm for crop yield prediction | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
CN117322214B (zh) | 一种基于神经网络的农作物肥料精准施用方法与*** | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN110119767A (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
WO2021007363A1 (en) | Irrigation control with deep reinforcement learning and smart scheduling | |
CN113126490A (zh) | 智能变频增氧控制方法及装置 | |
CN115530054A (zh) | 灌溉控制方法、装置、电子设备及存储介质 | |
CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测*** | |
CN101929993A (zh) | 基于动态模糊神经网络的青霉素发酵过程软测量建模方法 | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
CN107945534A (zh) | 一种基于gmdh神经网络的交通车流量预测方法 | |
CN105184400A (zh) | 一种烟田土壤水分预测方法 | |
KR102387765B1 (ko) | 작물의 생육량 예측 방법 및 장치 | |
Kalaiarasi et al. | Crop yield prediction using multi-parametric deep neural networks | |
Sudduth et al. | AI down on the farm | |
CN107168066B (zh) | 一种温室环境自适应控制方法 | |
CN109685676A (zh) | 智能水肥管理方法和*** | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
CN201830751U (zh) | 养殖水体水质参数对养殖生物生长状态影响的预测*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |
|
RJ01 | Rejection of invention patent application after publication |