CN115905399A - 基于人工智能的大数据可视化分析方法及*** - Google Patents
基于人工智能的大数据可视化分析方法及*** Download PDFInfo
- Publication number
- CN115905399A CN115905399A CN202211647225.7A CN202211647225A CN115905399A CN 115905399 A CN115905399 A CN 115905399A CN 202211647225 A CN202211647225 A CN 202211647225A CN 115905399 A CN115905399 A CN 115905399A
- Authority
- CN
- China
- Prior art keywords
- ecological
- ecological index
- index
- visual
- linkage analysis
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域,特别涉及一种基于人工智能的大数据可视化分析方法及***。本发明依据所述基础生态指标联动分析结果和所述环境区域比对数据,对所述第二农业生态指标关系集进行环境区域匹配以及生态指标向量的第二联动分析,得到所述种植环境检测报告二元组的目标生态指标联动分析结果,通过确定出的目标生态指标联动分析结果,能够将农业种植过程中的生态指标向量进行匹配和整合,从而基于全局层面以及局部层面进行环境状态特征的准确分析和汇总,以便为后续的智慧农业种植提供指导,本发明将智慧农业与人工智能相互配合,对智慧农业大数据进行可视化分析,从而提高了数据可视化分析处理效率。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种基于人工智能的大数据可视化分析方法及***。
背景技术
大数据可视化起源于图形学、计算机图形学、人工智能、科学可视化以及用户界面等领域的相互促进和发展,是当前计算机科学的一个重要研究方向,它利用计算机对抽象信息进行直观的表示,以利于快速检索信息和增强认知能力。而智慧农业则是大数据、人工智能和物联网技术的综合运用,是指现代科学技术与农业种植相结合,从而实现无人化、自动化和智能化管理。当前,针对智慧农业的种植环境分析是其中一个工作重点,而如何准确地实现农业种植环境的生态指标分析汇总,是目前继续攻克的一个技术难题。
发明内容
为改善相关技术中存在的技术问题,本发明提供了一种基于人工智能的大数据可视化分析方法及***。
第一方面,本发明实施例提供了一种基于人工智能的大数据可视化分析方法,应用于大数据可视化分析***,所述方法包括:
对拟分析的种植环境检测报告二元组进行不同特征细节程度的生态指标向量挖掘,得到第一农业生态指标关系集和第二农业生态指标关系集,所述第一农业生态指标关系集的特征细节程度低于所述第二农业生态指标关系集的特征细节程度,所述第一农业生态指标关系集包括第一生态指标视觉向量簇和第二生态指标视觉向量簇;
对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇进行生态指标向量的第一联动分析,得到基础生态指标联动分析结果以及所述种植环境检测报告二元组的环境区域比对数据;其中,各基础生态指标联动分析结果反映一个第一生态指标视觉向量与多个第二生态指标视觉向量的配对,或者反映一个第二生态指标视觉向量与多个第一生态指标视觉向量的配对;所述第一生态指标视觉向量为所述第一生态指标视觉向量簇对应的生态指标视觉向量,所述第二生态指标视觉向量为所述第二生态指标视觉向量簇对应的生态指标视觉向量;
依据所述基础生态指标联动分析结果和所述环境区域比对数据,对所述第二农业生态指标关系集进行环境区域匹配以及生态指标向量的第二联动分析,得到所述种植环境检测报告二元组的目标生态指标联动分析结果。
在一些可选的实施例中,所述对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇对进行生态指标向量的第一联动分析,得到基础生态指标联动分析结果,包括:
确定所述第一生态指标视觉向量簇中的每个第一生态指标视觉向量与所述第二生态指标视觉向量簇中的所有第二生态指标视觉向量的第一相关性数据,以及所述第二生态指标视觉向量簇中每个第二生态指标视觉向量与所述第一生态指标视觉向量簇中的所有第一生态指标视觉向量的第二相关性数据;
通过所述第一相关性数据和所述第二相关性数据对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇进行生态指标向量关联分析,得到所述基础生态指标联动分析结果;所述基础生态指标联动分析结果满足设定关联评分。
在一些可选的实施例中,所述第一联动分析基于第一生态指标联动分析算法进行,所述第一生态指标联动分析算法包括第一目标生态指标更新网络;所述确定所述第一生态指标视觉向量簇中的每个第一生态指标视觉向量与所述第二生态指标视觉向量簇中的所有第二生态指标视觉向量的第一相关性数据,以及所述第二生态指标视觉向量簇中每个第二生态指标视觉向量与所述第一生态指标视觉向量簇中的所有第一生态指标视觉向量的第二相关性数据,包括:
通过所述第一目标生态指标更新网络对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇进行生态指标更新操作,得到第一已更新生态指标视觉向量簇和第二已更新生态指标视觉向量簇;
对所述第一已更新生态指标视觉向量簇和所述第二已更新生态指标视觉向量簇进行向量运算,得到特征向量列表,所述特征向量列表的两个特征维度反映所述第一已更新生态指标视觉向量簇的第一已更新生态指标视觉向量以及所述第二已更新生态指标视觉向量簇的第二已更新生态指标视觉向量;
分别从所述两个特征维度对所述特征向量列表进行向量关联回归分析,得到所述第一相关性数据和所述第二相关性数据。
在一些可选的实施例中,所述通过所述第一相关性数据和所述第二相关性数据对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇进行生态指标向量关联分析,得到所述基础生态指标联动分析结果,包括:
分别从所述第一相关性数据和所述第二相关性数据中确定出满足设定关联评分的第一目标相关性数据和第二目标相关性数据;
通过所述第一目标相关性数据,确定第一生态指标联动分析结果;
通过所述第二目标相关性数据,确定第二生态指标联动分析结果;
确定所述第一生态指标联动分析结果中第二目标生态指标视觉向量与第一目标生态指标视觉向量的第一数目比例,以及所述第二生态指标联动分析结果中第一目标生态指标视觉向量与第二目标生态指标视觉向量的第二数目比例;
根据目标数目比例对应的生态指标联动分析结果,得到所述基础生态指标联动分析结果;所述目标数目比例为所述第一数目比例和所述第二数目比例中的最大值。
在一些可选的实施例中,所述对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇对进行生态指标向量的第一联动分析,得到所述种植环境检测报告二元组的环境区域比对数据,包括:
确定所述第一数目比例与所述第二数目比例的第一设定运算结果,以及所述第二数目比例与所述第一数目比例的第二设定运算结果;
将所述第一设定运算结果和所述第二设定运算结果中的最大值,作为所述环境区域比对数据。
在一些可选的实施例中,根据目标数目比例对应的生态指标联动分析结果,得到所述基础生态指标联动分析结果,包括:
基于联动分析回归算法对所述目标数目比例对应的生态指标联动分析结果进行优化,得到所述基础生态指标联动分析结果。
在一些可选的实施例中,所述基于第一目标生态指标更新网络对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇进行生态指标更新操作,得到第一已更新生态指标视觉向量簇和第二已更新生态指标视觉向量簇,包括:
将所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇输入第一生态指标更新网络,进行生态指标混合更新,得到第三已更新生态指标视觉向量簇和第四已更新生态指标视觉向量簇;
获取第一生态指标辅助向量和第二生态指标辅助向量;
基于第二生态指标更新网络分别对所述第一生态指标辅助向量和所述第三已更新生态指标视觉向量簇、所述第二生态指标辅助向量和所述第四已更新生态指标视觉向量簇,进行生态指标更新操作,得到第五已更新生态指标视觉向量簇和第六已更新生态指标视觉向量簇;
将所述第五已更新生态指标视觉向量簇和所述第六已更新生态指标视觉向量簇输入第三生态指标更新网络,进行生态指标混合更新,得到所述第一已更新生态指标视觉向量簇和所述第二已更新生态指标视觉向量簇。
在一些可选的实施例中,所述依据所述基础生态指标联动分析结果和所述环境区域比对数据,对所述第二农业生态指标关系集进行环境区域匹配以及生态指标向量的第二联动分析,得到所述种植环境检测报告二元组的目标生态指标联动分析结果,包括:
依据所述基础生态指标联动分析结果,从所述第二农业生态指标关系集中拆解生态指标视觉向量单元,得到第一视觉向量单元和第二视觉向量单元;
利用所述环境区域比对数据对所述第一视觉向量单元进行环境区域匹配处理,得到第三视觉向量单元;
所述第一视觉向量单元对应于所述种植环境检测报告二元组中的第一种植环境检测报告,所述第一种植环境检测报告的环境检测规模大于第二种植环境检测报告的环境检测规模,所述第二种植环境检测报告为所述种植环境检测报告二元组中除第一种植环境检测报告以外的种植环境检测报告;
基于第二生态指标联动分析算法的第二目标生态指标更新网络对所述第三视觉向量单元和所述第二视觉向量单元进行生态指标更新操作,得到第四视觉向量单元和第五视觉向量单元;
对所述第五视觉向量单元的目标成员向量与所述第四视觉向量单元的进行关联度解析,得到联动向量分布;
通过所述联动向量分布,获取所述目标生态指标联动分析结果。
在一些可选的实施例中,所述方法还包括:
获取多个种植环境检测报告二元组样例、先验注释和初始特征列表;
所述先验注释反映第一联动分析二元组、第二联动分析二元组和联动分析标签集;
每个种植环境检测报告二元组样例中的两个种植环境检测报告样例为相同农业种植地区在不同环境检测关注面下的种植环境检测报告;
对每个种植环境检测报告二元组样例进行不同特征细节程度的生态指标向量挖掘,得到第一农业生态指标关系集样例和第二农业生态指标关系集样例,所述第一农业生态指标关系集样例的特征细节程度低于所述第二农业生态指标关系集样例的特征细节程度,所述第一农业生态指标关系集样例包括第一生态指标视觉向量簇样例和第二生态指标视觉向量簇样例;
基于基础第一生态指标联动分析算法,对所述第一生态指标视觉向量簇样例和所述第二生态指标视觉向量簇样例进行联动分析,得到第一联动分析回归结果和环境区域比对回归数据;
基于设定残差模型对所述第一联动分析回归结果进行优化,得到第二联动分析回归结果;
基于基础第二生态指标联动分析算法、所述第二联动分析回归结果以及所述环境区域比对回归数据,对所述第二农业生态指标关系集样例进行生态指标向量的第二联动分析,得到目标联动分析回归结果;
依据所述第一联动分析回归结果、所述第二联动分析回归结果、所述目标联动分析回归结果、所述初始特征列表以及所述先验注释,确定目标算法代价;
通过所述目标算法代价,对所述基础第一生态指标联动分析算法、所述基础第二生态指标联动分析算法以及所述设定残差模型进行调试,得到所述第一生态指标联动分析算法、所述第二生态指标联动分析算法和所述联动分析回归算法。
第二方面,本发明还提供了一种大数据可视化分析***,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现上述的方法。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
应用于本发明实施例,基于二次联动分析的整体思路,在第一次生态指标联动分析中引入非一对一的的第一生态指标视觉向量与第二生态指标视觉向量的基础生态指标联动分析结果,可以避免忽略深层次的生态指标联动分析结果,得到尽可能丰富的生态指标视觉向量,为之后的第二次生态指标联动分析提供基础;并在第一次生态指标联动分析中引入环境区域比对数据,使得在第二次生态指标联动分析中可以基于环境区域比对数据实现第二农业生态指标关系集的环境区域匹配,可以适用环境检测规模差别较大的种植环境检测报告二元组之间的生态指标视觉向量配对,具有一定的抗干扰性;并且第二次生态指标联动分析是基于较高特征细节程度的第二农业生态指标关系集进行的,实现了局部环境生态细节层面的生态指标视觉向量配对;这样能够通过不同关注层面实现农业种植环境下的生态指标配对和联动分析,以便为之后的农业种植提供生态环境层面的指导依据。可以理解,通过该目标生态指标联动分析结果,能够将农业种植过程中的生态指标向量进行匹配和整合,从而基于全局层面以及局部层面进行环境状态特征的准确分析和汇总,以便为后续的智慧农业种植提供指导。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是本发明实施例提供的一种基于人工智能的大数据可视化分析方法的流程示意图。
图2是本发明实施例提供的一种基于人工智能的大数据可视化分析方法的应用环境的通信架构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
本发明实施例所提供的方法实施例可以在大数据可视化分析***、计算机设备或者类似的运算装置中执行。以运行在大数据可视化分析***上为例,大数据可视化分析***可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器,可选地,上述大数据可视化分析***还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解,上述结构仅为示意,其并不对上述大数据可视化分析***的结构造成限定。例如,大数据可视化分析***还可包括比上述所示更多或者更少的组件,或者具有与上述所示不同的配置。
存储器可用于存储计算机程序,例如,应用软件的软件程序以及模块,如本发明实施例中的一种基于人工智能的大数据可视化分析方法对应的计算机程序,处理器通过运行存储在存储器内的计算机程序,从而执行各种功能应用以及数据处理,即实现上述的方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至大数据可视化分析***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括大数据可视化分析***的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
基于此,请参阅图1,图1是本发明实施例所提供的一种基于人工智能的大数据可视化分析方法的流程示意图,该方法应用于大数据可视化分析***,进一步可以包括步骤201-步骤205描述的技术方案。
步骤201,对拟分析的种植环境检测报告二元组进行不同特征细节程度的生态指标向量挖掘,得到第一农业生态指标关系集和第二农业生态指标关系集,第一农业生态指标关系集的特征细节程度低于第二农业生态指标关系集的特征细节程度,该第一农业生态指标关系集包括第一生态指标视觉向量簇和第二生态指标视觉向量簇。
本发明实施例中,可以对种植环境检测报告二元组(两组种植环境检测报告)进行第一次生态指标联动分析和第二次生态指标联动分析,便能够进行全局环境生态细节层面配对和局部环境生态细节层面配对。这样一来,可以对拟分析的种植环境检测报告二元组进行不同特征细节程度的生态指标向量挖掘,便能够使用不同挖掘算子(比如卷积核)进行该生态指标向量挖掘,以得到第一农业生态指标关系集和第二农业生态指标关系集。在一些实施例中,第一农业生态指标关系集的特征细节程度低于第二农业生态指标关系集的特征细节程度。特征细节程度可以理解为特征识别度。农业生态指标关系集可以理解为农业生态指标二元组,包括两组农业生态指标向量分布(生态指标视觉向量簇)。生态指标向量/生态指标视觉向量用于反映农业种植过程中的各类生态环境的指标特征,包括但不限于温湿度、虫害、土壤酸碱度、经纬度等。
对于一些示例而言,挖掘算子可以为第一卷积核和第二卷积核。以挖掘算子为第一卷积核和第二卷积核为例,可以对种植环境检测报告二元组中的第一种植环境检测报告(report1)和第二种植环境检测报告(report2),进行第一卷积处理,得到第一农业生态指标关系集;对种植环境检测报告二元组中的report1和report2,进行第二卷积处理,得到第二农业生态指标关系集。其中,第一农业生态指标关系集可以包括第一生态指标视觉向量簇和第二生态指标视觉向量簇第二农业生态指标关系集可以包括第三生态指标视觉向量簇和第四生态指标视觉向量簇。
步骤203,对第一生态指标视觉向量簇和第二生态指标视觉向量簇进行生态指标向量的第一联动分析,得到基础生态指标联动分析结果以及种植环境检测报告二元组的环境区域比对数据;各基础生态指标联动分析结果反映一个第一生态指标视觉向量与多个第二生态指标视觉向量的配对,或者反映一个第二生态指标视觉向量与多个第一生态指标视觉向量的配对;第一生态指标视觉向量为第一生态指标视觉向量簇对应的生态指标视觉向量,第二生态指标视觉向量为第二生态指标视觉向量簇对应的生态指标视觉向量。
本发明实施例中,本发明实施例中的第一联动分析主要是指配对针对的生态指标视觉向量簇是低特征细节程度的。基于此,可以对第一生态指标视觉向量簇和第二生态指标视觉向量簇进行生态指标向量的第一联动分析,得到基础生态指标联动分析结果,比如可以从两个特征维度进行全局生态指标视觉向量配对,其中一个特征维度可以是利用第一生态指标视觉向量簇中的每一个生态指标视觉向量与第二生态指标视觉向量簇中的所有生态指标视觉向量进行配对,比如确定生态指标视觉向量之间的共性指数,比如向量相似度,从而可以确定共性指数达到共性指数限值(可以是下面的配对度限值)的至少一个第一生态指标视觉向量二元组。另一个特征维度可以是利用第二生态指标视觉向量簇中的每一个生态指标视觉向量与第一生态指标视觉向量簇中的所有生态指标视觉向量进行配对,比如确定生态指标视觉向量之间的共性指数,比如向量相似度,从而可以确定共性指数达到共性指数限值的至少一个第二生态指标视觉向量二元组。
其中,第一生态指标视觉向量二元组和第二生态指标视觉向量二元组可以是共性指数达到共性指数限值的生态指标视觉向量二元组,使得每个第一生态指标视觉向量二元组中可以是一个第一生态指标视觉向量与对应的多个(包括两个)第二生态指标视觉向量;每个第二生态指标视觉向量二元组中可以是一个第二生态指标视觉向量与对应的多个(包括两个)第一生态指标视觉向量。相应地,第一生态指标视觉向量簇对应的生态指标视觉向量可以是指第一生态指标视觉向量簇中的生态指标视觉向量,第二生态指标视觉向量簇对应的生态指标视觉向量可以是指第二生态指标视觉向量簇中的生态指标视觉向量。
进一步地,可以基于至少一个第一生态指标视觉向量二元组和至少一个第二生态指标视觉向量二元组,得到基础生态指标联动分析结果(初始的生态指标向量匹配对)。比如,可以获取至少一个第一生态指标视觉向量二元组中的子配对对的第一数目、以及获取至少一个第二生态指标视觉向量二元组中的子配对对的第二数目,该子配对对中是一个第一生态指标视觉向量二元组应一个第二生态指标视觉向量。这样可以判断第一数目和第二数目的大小,若第一数目大于第二数目,可以将上述至少一个第一生态指标视觉向量二元组作为基础生态指标联动分析结果;若第一数目小于第二数目,可以将上述至少一个第二生态指标视觉向量二元组作为基础农业生态指标关系集;或者若第一数目等于第二数目,可以将至少一个第一生态指标视觉向量二元组或至少一个第二生态指标视觉向量二元组,作为基础生态指标联动分析结果。
在上述基础上,可以基于基础生态指标联动分析结果中第一生态指标视觉向量的数目和第二生态指标视觉向量的数目,确定环境区域比对数据(可以理解为环境区域的尺寸比例识别信息)。示例性的,在基础生态指标联动分析结果为上述至少一个第一生态指标视觉向量二元组的基础上,可以将第一生态指标视觉向量的数目在第二生态指标视觉向量的数目中的数目比例作为环境区域比对数据;在基础生态指标联动分析结果为上述至少一个第二生态指标视觉向量二元组的基础上,可以将第二生态指标视觉向量的数目在第一生态指标视觉向量的数目中的数目比例作为环境区域比对数据。可以理解的是,第一生态指标视觉向量的数目在第二生态指标视觉向量的数目中的数目比例,可以是指第一生态指标视觉向量的数目与第二生态指标视觉向量的数目的数目比例,即第一生态指标视觉向量的数目/第二生态指标视觉向量的数目。第二生态指标视觉向量的数目在第一生态指标视觉向量的数目中的数目比例也类似。示例性地,也可以提取第一生态指标视觉向量簇和第二生态指标视觉向量簇的生态环境要素,这样可以基于生态环境要素,确定出第一生态指标视觉向量簇与第二生态指标视觉向量簇的规模占比,从而可以将该规模占比作为第一种植环境检测报告与第二种植环境检测报告的规模占比预测结果。对于一些示例而言,可以在第一生态指标联动分析算法中设置环境检测规模识别模块实现规模占比预测结果的处理。
步骤205,根据基础生态指标联动分析结果和环境区域比对数据,对第二农业生态指标关系集进行环境区域匹配以及生态指标向量的第二联动分析,得到种植环境检测报告二元组的目标生态指标联动分析结果。
本发明实施例中,可以基于环境区域比对数据对第二农业生态指标关系集的第三农业生态指标关系集和第四农业生态指标关系集进行环境区域匹配处理,得到环境区域匹配后的第三农业生态指标关系集和第四农业生态指标关系集。并可以确定基础生态指标联动分析结果中的第一生态指标视觉向量在匹配后的第三农业生态指标关系集中配对的第一生态指标匹配向量,以及基础生态指标联动分析结果中的第二生态指标视觉向量在匹配后的第四农业生态指标关系集中配对的第二生态指标匹配向量。从而可以对第一生态指标匹配向量与第二生态指标匹配向量进行联动分析,得到种植环境检测报告二元组的目标生态指标联动分析结果。该目标生态指标联动分析结果的数目可以是多个,每个目标生态指标联动分析结果可以是一个第一生态指标匹配向量和一个第二生态指标匹配向量。即每个目标生态指标联动分析结果可以是一个第三生态指标视觉向量和一个第四生态指标视觉向量,第三生态指标视觉向量为第三农业生态指标关系集应的生态指标视觉向量,本发明实施例是第一生态指标匹配向量,第四生态指标视觉向量为第四农业生态指标关系集应的生态指标视觉向量,本发明实施例是第二生态指标匹配向量。
进一步地,可以根据基础生态指标联动分析结果,从第二农业生态指标关系集中的第三生态指标视觉向量簇和第四生态指标视觉向量簇中的相应位置以x*x的拆解核(拆解窗口)拆解生态指标视觉向量单元(生态指标视觉向量块),得到第一视觉向量单元和第二视觉向量单元。其中,相应位置可以是基础生态指标联动分析结果中的第一生态指标视觉向量和第二生态指标视觉向量在第一视觉向量单元和第二视觉向量单元中对应的位置。
进一步地,可以基于环境区域比对数据对上述第一视觉向量单元和第二视觉向量单元进行环境区域匹配处理,得到第一视觉向量匹配单元和第二视觉向量匹配单元。
通过以上相关内容,可以利用第二视觉向量匹配单元的目标成员向量作为生态指标辅助向量(查询特征),与第一视觉向量匹配单元中的所有视觉向量计算关联度,从而生成一个向量关联分布。从而可以基于该向量关联分布进行回归分析,从而得到第一视觉向量匹配单元中配对的第一目标生态指标视觉配对向量,以及第二视觉向量匹配单元中的第二目标生态指标视觉配对向量(这里仍然是多个第二生态指标视觉向量),即得到了局部生态环境细节层面的目标生态指标联动分析结果。每个目标生态指标联动分析结果中为一个第一目标生态指标视觉配对向量(第三农业生态指标关系集应的生态指标视觉向量)与一个第二目标生态指标视觉配对向量(第四农业生态指标关系集应的生态指标视觉向量)。通过该目标生态指标联动分析结果,能够将农业种植过程中的生态指标向量进行匹配和整合,从而基于全局层面以及局部层面进行环境状态特征的准确分析和汇总,以便为后续的智慧农业种植提供指导。
基于二次联动分析的整体思路,在第一次生态指标联动分析中引入非一对一的的第一生态指标视觉向量与第二生态指标视觉向量的基础生态指标联动分析结果,可以避免忽略深层次的生态指标联动分析结果,得到尽可能丰富的生态指标视觉向量,为之后的第二次生态指标联动分析提供基础;并在第一次生态指标联动分析中引入环境区域比对数据,使得在第二次生态指标联动分析中可以基于环境区域比对数据实现第二农业生态指标关系集的环境区域匹配,可以适用环境检测规模差别较大的种植环境检测报告二元组之间的生态指标视觉向量配对,鲁棒性较佳;并且第二次生态指标联动分析是基于较高特征细节程度的第二农业生态指标关系集进行的,实现了局部环境生态细节层面的生态指标视觉向量配对;这样能够通过不同关注层面实现农业种植环境下的生态指标配对和联动分析,以便为之后的农业种植提供生态环境层面的指导依据。
在一些示例性实施例中,步骤203可以包括:步骤301,确定第一生态指标视觉向量簇中的每个第一生态指标视觉向量与第二生态指标视觉向量簇中的所有第二生态指标视觉向量的第一相关性数据,以及第二生态指标视觉向量簇中每个第二生态指标视觉向量与第一生态指标视觉向量簇中的所有第一生态指标视觉向量的第二相关性数据。
在一些示例性实施例中,可以基于第一生态指标视觉向量簇中的每个第一生态指标视觉向量作为生态指标辅助向量,与第二生态指标视觉向量簇中的所有第二生态指标视觉向量进行匹配分析,得到第一相关性数据。并可以基于第二生态指标视觉向量簇中的每个第二生态指标视觉向量作为生态指标辅助向量,与第一生态指标视觉向量簇中的所有第一生态指标视觉向量进行匹配分析,得到第二相关性数据。
在另一些示例性实施例中,第一联动分析可以基于第一生态指标联动分析算法进行。该第一生态指标联动分析算法可以包括第一目标生态指标更新网络,示例性地,该第一生态指标联动分析算法可以包括第一目标生态指标更新网络和第一支持向量机。本发明实施例中的第一目标生态指标更新网络可以包括第一生态指标更新网络、第二生态指标更新网络和第三生态指标更新网络。其中,第一生态指标更新网络和第三生态指标更新网络可以用于特征向量的交互处理(比如自交互和外交互);第二生态指标更新网络可以用于外交互。进一步地,该步骤301可以包括:步骤401,基于第一目标生态指标更新网络对第一生态指标视觉向量簇和第二生态指标视觉向量簇进行生态指标更新操作(特征交互处理),得到第一已更新生态指标视觉向量簇(第一交互特征向量图)和第二已更新生态指标视觉向量簇(第二交互特征向量图)。
在一些实施例中,可以将第一生态指标视觉向量簇和第二生态指标视觉向量簇加载到第一生态指标更新网络,进行生态指标混合更新,得到第三已更新生态指标视觉向量簇和第四已更新生态指标视觉向量簇;并可以获取第一生态指标辅助向量和第二生态指标辅助向量。
基于第二生态指标更新网络分别对第一生态指标辅助向量和第三已更新生态指标视觉向量簇、第二生态指标辅助向量和第四已更新生态指标视觉向量簇,进行生态指标更新操作,得到第五已更新生态指标视觉向量簇和第六已更新生态指标视觉向量簇。以及可以将第五已更新生态指标视觉向量簇和第六已更新生态指标视觉向量簇加载到第三生态指标更新网络,进行生态指标混合更新(特征自交互和特征间交互),得到第一已更新生态指标视觉向量簇和第二已更新生态指标视觉向量簇。
可以理解,通过设置多个生态指标更新网络对第一生态指标视觉向量簇和第二生态指标视觉向量簇进行生态指标更新操作,可以提高特征更新时效性以及特征所反映出的信息的丰富程度和细节程度;并且通过生态指标辅助向量的加持,可以进一步提升第一已更新生态指标视觉向量簇和第二已更新生态指标视觉向量簇的精度和完整性。
步骤403,对第一已更新生态指标视觉向量簇和第二已更新生态指标视觉向量簇进行向量运算,得到特征向量列表,特征向量列表的两个特征维度反映第一已更新生态指标视觉向量簇的第一已更新生态指标视觉向量以及第二已更新生态指标视觉向量簇的第二已更新生态指标视觉向量。
步骤405,分别从两个特征维度对特征向量列表进行向量关联回归分析,得到第一相关性数据和第二相关性数据。
示例性地,可以基于第一支持向量机对从两个特征维度对特征向量列表进行向量关联回归分析,便能够对特征向量列表的两个特征维度进行逻辑回归,得到第一相关性数据和第二相关性数据。
步骤303,基于第一相关性数据和第二相关性数据对第一生态指标视觉向量簇和第二生态指标视觉向量簇进行生态指标向量关联分析,得到基础生态指标联动分析结果。
可以理解的是,本发明实施例是基于第一生态指标视觉向量簇和第二生态指标视觉向量簇进行生态指标更新操作得到的第一已更新生态指标视觉向量簇和第二已更新生态指标视觉向量簇进行第一次生态指标联动分析的,相应地,本发明实施例中的第一生态指标视觉向量簇对应的生态指标视觉向量可以是指第一已更新生态指标视觉向量簇中的第一已更新生态指标视觉向量,第二生态指标视觉向量簇对应的生态指标视觉向量可以是指第二已更新生态指标视觉向量簇中的第二已更新生态指标视觉向量。
通过第一生态指标视觉向量簇向第二生态指标视觉向量簇的配对以及第二生态指标视觉向量簇向第一生态指标视觉向量簇的配对,实现两个特征维度的配对处理,可以得到两个特征维度的配对度信息,从而可以记录尽可能丰富的配对度信息,这样得到的基础生态指标联动分析结果更加精准可靠。
在一些示例性实施例中,上述步骤303可以包括:分别从第一相关性数据和第二相关性数据中确定出满足设定关联评分的第一目标相关性数据和第二目标相关性数据;基于第一目标相关性数据,确定第一生态指标联动分析结果;并基于第二目标相关性数据,确定第二生态指标联动分析结果;确定第一生态指标联动分析结果中第二目标生态指标视觉向量与第一目标生态指标视觉向量的第一数目比例,以及第二生态指标联动分析结果中第一目标生态指标视觉向量与第二目标生态指标视觉向量的第二数目比例;根据目标数目比例对应的生态指标联动分析结果,得到所述基础生态指标联动分析结果;该目标数目比例为第一数目比例和第二数目比例中的最大值。
在一些实施例中,设定关联评分RV可以为0.5。这里满足设定关联评分可以是指大于设定关联评分。以上述第一数目占比和第二数目占比为例,可以将第二占比数目作为目标占比数目,从而可以将第二生态指标联动分析结果作为基础生态指标联动分析结果。
示例性地,根据目标数目比例对应的生态指标联动分析结果,得到基础生态指标联动分析结果,可以包括:基于联动分析回归算法(向量匹配预测模型)对目标数目比例对应的生态指标联动分析结果进行优化,得到基础生态指标联动分析结果。
进一步地,环境区域比对数据可以基于以下步骤确定:确定第一数目比例与第二数目比例的第一设定运算结果,以及第二数目比例与第一数目比例的第二设定运算结果;并可以将第一设定运算结果和第二设定运算结果中的最大值,作为环境区域比对数据。以index1表示第一数目比例、以index2表示第二数目比例,这样第一设定运算结果可以为index1/index2,第二设定运算结果可以为index2/index1。从而可以将第一设定运算结果和第二设定运算结果中的最大值,作为环境区域比对数据(IN),即IN=max(index1/index2,index2/index1)。
在一些示例性实施例中,该步骤205可以包括步骤501-步骤509描述的技术方案。
步骤501,根据基础生态指标联动分析结果,从第二农业生态指标关系集中拆解生态指标视觉向量单元,得到第一视觉向量单元和第二视觉向量单元。
本发明实施例中,可以根据基础生态指标联动分析结果,从第二农业生态指标关系集的中的第三生态指标视觉向量簇和第四生态指标视觉向量簇中的相应位置以x*x的拆解核拆解生态指标视觉向量单元,得到第一视觉向量单元和第二视觉向量单元。
步骤503,若环境区域比对数据大于1,利用环境区域比对数据对第一视觉向量单元进行环境区域匹配处理,得到第三视觉向量单元。
本发明实施例中,为了将第一种植环境检测报告和第二种植环境检测报告中环境检测规模较小的、对应的视觉向量单元进行环境检测规模放大,可以基于环境区域比对数据确定环境检测规模较小的图像,比如若index1大于index2,可以确定第一种植环境检测报告的环境检测规模大于第二种植环境检测报告的环境检测规模,即环境检测规模较小的是第二种植环境检测报告;若index1小于index2,可以确定第一种植环境检测报告的环境检测规模小于第二种植环境检测报告的环境检测规模,即环境检测规模较小的是第一种植环境检测报告;示例性地,若index1=index2,说明第一种植环境检测报告与第二种植环境检测报告的环境检测规模相同,可以不需要进行该环境区域匹配处理,直接利用第一视觉向量单元和第二视觉向量单元进行下述步骤。
示例性的,以第一视觉向量单元对应的种植环境检测报告二元组中的第一种植环境检测报告的环境检测规模较小为例,即第一种植环境检测报告的环境检测规模小于第二种植环境检测报告的环境检测规模。可以根据环境区域比对数据对第一视觉向量单元进行上采样处理,实现对第一视觉向量单元的环境区域匹配处理。
步骤505,基于第一生态指标联动分析算法的第二目标生态指标更新网络对第三视觉向量单元和第二视觉向量单元进行生态指标更新操作,得到第四视觉向量单元和第五视觉向量单元。
本发明实施例中,从而可以将第三视觉向量单元和第二视觉向量单元输入第二目标生态指标更新网络进行生态指标更新操作,比如生态指标自交互和生态指标交叉处理,得到第四视觉向量单元和第五视觉向量单元。其中,第一生态指标联动分析算法的第二目标生态指标更新网络可以是基于attention机制的神经网络,该基于attention机制的神经网络可以包括自注意力模块和互注意力模块。
步骤507,对第五视觉向量单元的目标成员向量(中心特征)与第四视觉向量单元的进行关联度解析,得到联动向量分布。
步骤509,基于联动向量分布,从基础生态指标联动分析结果中确定处目标生态指标联动分析结果。
在一些示例性实施例中,可以利用第五视觉向量单元(较大环境检测规模的第一种植环境检测报告对应的)的目标成员向量作为生态指标辅助向量,从而可以将该生态指标辅助向量与第四视觉向量单元进行点积处理,得到如以上特征向量列表的形式。进而可以对该点积结果进行回归分析,比如可以将点积结果输入第二支持向量机,进行向量关联回归分析,得到联动向量分布。进一步地,可以基于联动向量分布得到目标生态指标联动分析结果。
对于一些可独立实施的设计思路而言,第一生态指标联动分析算法、所述第二生态指标联动分析算法和所述联动分析回归算法的调试过程,可以包括以下步骤:获取多个种植环境检测报告二元组样例、先验注释(标注信息)和初始特征列表(初始矩阵);所述先验注释反映第一联动分析二元组、第二联动分析二元组和联动分析标签集;每个种植环境检测报告二元组样例中的两个种植环境检测报告样例为相同农业种植地区在不同环境检测关注面下的种植环境检测报告;对每个种植环境检测报告二元组样例进行不同特征细节程度的生态指标向量挖掘,得到第一农业生态指标关系集样例和第二农业生态指标关系集样例,所述第一农业生态指标关系集样例的特征细节程度低于所述第二农业生态指标关系集样例的特征细节程度,所述第一农业生态指标关系集样例包括第一生态指标视觉向量簇样例和第二生态指标视觉向量簇样例;基于基础第一生态指标联动分析算法,对所述第一生态指标视觉向量簇样例和所述第二生态指标视觉向量簇样例进行联动分析,得到第一联动分析回归结果和环境区域比对回归数据。其中,基础第一生态指标联动分析算法可以包括预设生态指标更新网络和第一预设支持向量机;基于此,可以通过所述预设生态指标更新网络,对所述第一生态指标视觉向量簇样例和所述第二生态指标视觉向量簇样例进行生态指标更新操作,得到第一已更新生态指标视觉向量示例和第二已更新生态指标视觉向量示例;并可以对所述第一已更新生态指标视觉向量示例和所述第二已更新生态指标视觉向量示例进行向量运算,得到特征向量列表示例,所述特征向量列表示例的两个特征维度反映所述第一已更新生态指标视觉向量示例以及所述第二已更新生态指标视觉向量示例;以及可以通过所述第一预设支持向量机,分别从所述两个特征维度对所述特征向量列表示例进行向量关联回归分析,得到第一相关性数据示例和第二相关性数据示例;并通过所述第一相关性数据示例和所述第二相关性数据示例,对所述第一生态指标视觉向量簇样例和所述第二生态指标视觉向量簇样例进行生态指标向量的第一联动分析,得到所述第一联动分析回归结果和所述环境区域比对回归数据。
进一步地,基于设定残差模型对所述第一联动分析回归结果进行优化,得到第二联动分析回归结果;基于基础第二生态指标联动分析算法、所述第二联动分析回归结果以及所述环境区域比对回归数据,对所述第二农业生态指标关系集样例进行生态指标向量的第二联动分析,得到目标联动分析回归结果;依据所述第一联动分析回归结果、所述第二联动分析回归结果、所述目标联动分析回归结果、所述初始特征列表以及先验注释,确定目标算法代价。
在一些实施例中,可以依据所述第二联动分析回归结果和联动分析标签集,确定第一算法代价;并依据所述第一联动分析回归结果和第一联动分析二元组,确定第二算法代价;以及依据所述目标联动分析回归结果、所述初始特征列表以及第二联动分析二元组,确定第三算法代价;并可以通过所述第一算法代价、第二算法代价和第三算法代价,确定目标算法代价。比如,将第一算法代价、第二算法代价以及第三算法代价的加权结果,作为目标算法代价(目标损失信息)。本发明对具体的算法代价函数(损失函数)不作限。从而可以基于目标算法代价,对基础第一生态指标联动分析算法、基础第二生态指标联动分析算法以及设定残差模型进行调试,得到第一生态指标联动分析算法、第二生态指标联动分析算法和联动分析回归算法。
其中,上述的示例/样例可以理解为训练样本,目标联动分析回归结果可以理解为联动分析的预测结果。
可以理解,在调试中引入多对一配对,能够提高算法调试收敛的效率,同时可以得到更丰富的配特征对,使得调试得到的算法在局部生态指标视觉向量配对中的性能更佳。
基于上述相同或相似的发明构思,请结合参阅图2,还提供了一种基于人工智能的大数据可视化分析方法的应用环境的架构示意图,包括互相之间通信的大数据可视化分析***10和智慧农业服务器20,大数据可视化分析***10和智慧农业服务器20在运行时实现或者部分实现上述方法实施例所描述的技术方案。
进一步地,还提供了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述的方法。
在本发明实施例所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于人工智能的大数据可视化分析方法,其特征在于,应用于大数据可视化分析***,所述方法包括:
对拟分析的种植环境检测报告二元组进行不同特征细节程度的生态指标向量挖掘,得到第一农业生态指标关系集和第二农业生态指标关系集,所述第一农业生态指标关系集的特征细节程度低于所述第二农业生态指标关系集的特征细节程度,所述第一农业生态指标关系集包括第一生态指标视觉向量簇和第二生态指标视觉向量簇;
对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇进行生态指标向量的第一联动分析,得到基础生态指标联动分析结果以及所述种植环境检测报告二元组的环境区域比对数据;其中,各基础生态指标联动分析结果反映一个第一生态指标视觉向量与多个第二生态指标视觉向量的配对,或者反映一个第二生态指标视觉向量与多个第一生态指标视觉向量的配对;所述第一生态指标视觉向量为所述第一生态指标视觉向量簇对应的生态指标视觉向量,所述第二生态指标视觉向量为所述第二生态指标视觉向量簇对应的生态指标视觉向量;
依据所述基础生态指标联动分析结果和所述环境区域比对数据,对所述第二农业生态指标关系集进行环境区域匹配以及生态指标向量的第二联动分析,得到所述种植环境检测报告二元组的目标生态指标联动分析结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇对进行生态指标向量的第一联动分析,得到基础生态指标联动分析结果,包括:
确定所述第一生态指标视觉向量簇中的每个第一生态指标视觉向量与所述第二生态指标视觉向量簇中的所有第二生态指标视觉向量的第一相关性数据,以及所述第二生态指标视觉向量簇中每个第二生态指标视觉向量与所述第一生态指标视觉向量簇中的所有第一生态指标视觉向量的第二相关性数据;
通过所述第一相关性数据和所述第二相关性数据对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇进行生态指标向量关联分析,得到所述基础生态指标联动分析结果;所述基础生态指标联动分析结果满足设定关联评分。
3.根据权利要求2所述的方法,其特征在于,所述第一联动分析基于第一生态指标联动分析算法进行,所述第一生态指标联动分析算法包括第一目标生态指标更新网络;所述确定所述第一生态指标视觉向量簇中的每个第一生态指标视觉向量与所述第二生态指标视觉向量簇中的所有第二生态指标视觉向量的第一相关性数据,以及所述第二生态指标视觉向量簇中每个第二生态指标视觉向量与所述第一生态指标视觉向量簇中的所有第一生态指标视觉向量的第二相关性数据,包括:
通过所述第一目标生态指标更新网络对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇进行生态指标更新操作,得到第一已更新生态指标视觉向量簇和第二已更新生态指标视觉向量簇;
对所述第一已更新生态指标视觉向量簇和所述第二已更新生态指标视觉向量簇进行向量运算,得到特征向量列表,所述特征向量列表的两个特征维度反映所述第一已更新生态指标视觉向量簇的第一已更新生态指标视觉向量以及所述第二已更新生态指标视觉向量簇的第二已更新生态指标视觉向量;
分别从所述两个特征维度对所述特征向量列表进行向量关联回归分析,得到所述第一相关性数据和所述第二相关性数据。
4.根据权利要求2或3所述的方法,其特征在于,所述通过所述第一相关性数据和所述第二相关性数据对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇进行生态指标向量关联分析,得到所述基础生态指标联动分析结果,包括:
分别从所述第一相关性数据和所述第二相关性数据中确定出满足设定关联评分的第一目标相关性数据和第二目标相关性数据;
通过所述第一目标相关性数据,确定第一生态指标联动分析结果;
通过所述第二目标相关性数据,确定第二生态指标联动分析结果;
确定所述第一生态指标联动分析结果中第二目标生态指标视觉向量与第一目标生态指标视觉向量的第一数目比例,以及所述第二生态指标联动分析结果中第一目标生态指标视觉向量与第二目标生态指标视觉向量的第二数目比例;
根据目标数目比例对应的生态指标联动分析结果,得到所述基础生态指标联动分析结果;所述目标数目比例为所述第一数目比例和所述第二数目比例中的最大值。
5.根据权利要求4所述的方法,其特征在于,所述对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇对进行生态指标向量的第一联动分析,得到所述种植环境检测报告二元组的环境区域比对数据,包括:
确定所述第一数目比例与所述第二数目比例的第一设定运算结果,以及所述第二数目比例与所述第一数目比例的第二设定运算结果;
将所述第一设定运算结果和所述第二设定运算结果中的最大值,作为所述环境区域比对数据。
6.根据权利要求4所述的方法,其特征在于,根据目标数目比例对应的生态指标联动分析结果,得到所述基础生态指标联动分析结果,包括:
基于联动分析回归算法对所述目标数目比例对应的生态指标联动分析结果进行优化,得到所述基础生态指标联动分析结果。
7.根据权利要求3所述的方法,其特征在于,所述基于第一目标生态指标更新网络对所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇进行生态指标更新操作,得到第一已更新生态指标视觉向量簇和第二已更新生态指标视觉向量簇,包括:
将所述第一生态指标视觉向量簇和所述第二生态指标视觉向量簇输入第一生态指标更新网络,进行生态指标混合更新,得到第三已更新生态指标视觉向量簇和第四已更新生态指标视觉向量簇;
获取第一生态指标辅助向量和第二生态指标辅助向量;
基于第二生态指标更新网络分别对所述第一生态指标辅助向量和所述第三已更新生态指标视觉向量簇、所述第二生态指标辅助向量和所述第四已更新生态指标视觉向量簇,进行生态指标更新操作,得到第五已更新生态指标视觉向量簇和第六已更新生态指标视觉向量簇;
将所述第五已更新生态指标视觉向量簇和所述第六已更新生态指标视觉向量簇输入第三生态指标更新网络,进行生态指标混合更新,得到所述第一已更新生态指标视觉向量簇和所述第二已更新生态指标视觉向量簇。
8.根据权利要求7所述的方法,其特征在于,所述依据所述基础生态指标联动分析结果和所述环境区域比对数据,对所述第二农业生态指标关系集进行环境区域匹配以及生态指标向量的第二联动分析,得到所述种植环境检测报告二元组的目标生态指标联动分析结果,包括:
依据所述基础生态指标联动分析结果,从所述第二农业生态指标关系集中拆解生态指标视觉向量单元,得到第一视觉向量单元和第二视觉向量单元;
利用所述环境区域比对数据对所述第一视觉向量单元进行环境区域匹配处理,得到第三视觉向量单元;
所述第一视觉向量单元对应于所述种植环境检测报告二元组中的第一种植环境检测报告,所述第一种植环境检测报告的环境检测规模大于第二种植环境检测报告的环境检测规模,所述第二种植环境检测报告为所述种植环境检测报告二元组中除第一种植环境检测报告以外的种植环境检测报告;
基于第二生态指标联动分析算法的第二目标生态指标更新网络对所述第三视觉向量单元和所述第二视觉向量单元进行生态指标更新操作,得到第四视觉向量单元和第五视觉向量单元;
对所述第五视觉向量单元的目标成员向量与所述第四视觉向量单元的进行关联度解析,得到联动向量分布;
通过所述联动向量分布,获取所述目标生态指标联动分析结果。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
获取多个种植环境检测报告二元组样例、先验注释和初始特征列表;
所述先验注释反映第一联动分析二元组、第二联动分析二元组和联动分析标签集;
每个种植环境检测报告二元组样例中的两个种植环境检测报告样例为相同农业种植地区在不同环境检测关注面下的种植环境检测报告;
对每个种植环境检测报告二元组样例进行不同特征细节程度的生态指标向量挖掘,得到第一农业生态指标关系集样例和第二农业生态指标关系集样例,所述第一农业生态指标关系集样例的特征细节程度低于所述第二农业生态指标关系集样例的特征细节程度,所述第一农业生态指标关系集样例包括第一生态指标视觉向量簇样例和第二生态指标视觉向量簇样例;
基于基础第一生态指标联动分析算法,对所述第一生态指标视觉向量簇样例和所述第二生态指标视觉向量簇样例进行联动分析,得到第一联动分析回归结果和环境区域比对回归数据;
基于设定残差模型对所述第一联动分析回归结果进行优化,得到第二联动分析回归结果;
基于基础第二生态指标联动分析算法、所述第二联动分析回归结果以及所述环境区域比对回归数据,对所述第二农业生态指标关系集样例进行生态指标向量的第二联动分析,得到目标联动分析回归结果;
依据所述第一联动分析回归结果、所述第二联动分析回归结果、所述目标联动分析回归结果、所述初始特征列表以及所述先验注释,确定目标算法代价;
通过所述目标算法代价,对所述基础第一生态指标联动分析算法、所述基础第二生态指标联动分析算法以及所述设定残差模型进行调试,得到所述第一生态指标联动分析算法、所述第二生态指标联动分析算法和所述联动分析回归算法。
10.一种大数据可视化分析***,其特征在于,包括处理器和存储器;所述处理器和所述存储器通信连接,所述处理器用于从所述存储器中读取计算机程序并执行,以实现权利要求1-9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211647225.7A CN115905399B (zh) | 2022-12-21 | 2022-12-21 | 基于人工智能的大数据可视化分析方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211647225.7A CN115905399B (zh) | 2022-12-21 | 2022-12-21 | 基于人工智能的大数据可视化分析方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115905399A true CN115905399A (zh) | 2023-04-04 |
CN115905399B CN115905399B (zh) | 2023-07-25 |
Family
ID=86494874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211647225.7A Active CN115905399B (zh) | 2022-12-21 | 2022-12-21 | 基于人工智能的大数据可视化分析方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115905399B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455745A (zh) * | 2023-12-26 | 2024-01-26 | 四川省大数据技术服务中心 | 基于多维融合数据分析的公共安全事件感知方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180300494A1 (en) * | 2015-10-14 | 2018-10-18 | Minereye Ltd. | Method of identifying and tracking sensitive data and system thereof |
WO2020003306A1 (en) * | 2018-06-25 | 2020-01-02 | Bionic 8 Analytics Ltd. | Method of image-based relationship analysis and system thereof |
CN111241152A (zh) * | 2019-12-30 | 2020-06-05 | 广州高企云信息科技有限公司 | 政策信息挖掘方法、装置及云服务器 |
CN112733948A (zh) * | 2021-01-15 | 2021-04-30 | 重庆紫光华山智安科技有限公司 | 一种全目标关联指标自动化测试方法、***、介质及终端 |
CN113190715A (zh) * | 2021-04-16 | 2021-07-30 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 一种生态环境智能监测报警分析方法及*** |
CN115130926A (zh) * | 2022-08-26 | 2022-09-30 | 未名环境分子诊断(常熟)有限公司 | 应用人工智能的环境监测大数据分析方法及电子设备 |
CN115221217A (zh) * | 2022-06-16 | 2022-10-21 | 程秋江 | 应用于数据推送的大数据挖掘方法及*** |
CN115373982A (zh) * | 2022-08-09 | 2022-11-22 | 中国平安人寿保险股份有限公司 | 基于人工智能的测试报告分析方法、装置、设备及介质 |
-
2022
- 2022-12-21 CN CN202211647225.7A patent/CN115905399B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180300494A1 (en) * | 2015-10-14 | 2018-10-18 | Minereye Ltd. | Method of identifying and tracking sensitive data and system thereof |
WO2020003306A1 (en) * | 2018-06-25 | 2020-01-02 | Bionic 8 Analytics Ltd. | Method of image-based relationship analysis and system thereof |
CN111241152A (zh) * | 2019-12-30 | 2020-06-05 | 广州高企云信息科技有限公司 | 政策信息挖掘方法、装置及云服务器 |
CN112733948A (zh) * | 2021-01-15 | 2021-04-30 | 重庆紫光华山智安科技有限公司 | 一种全目标关联指标自动化测试方法、***、介质及终端 |
CN113190715A (zh) * | 2021-04-16 | 2021-07-30 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 一种生态环境智能监测报警分析方法及*** |
CN115221217A (zh) * | 2022-06-16 | 2022-10-21 | 程秋江 | 应用于数据推送的大数据挖掘方法及*** |
CN115373982A (zh) * | 2022-08-09 | 2022-11-22 | 中国平安人寿保险股份有限公司 | 基于人工智能的测试报告分析方法、装置、设备及介质 |
CN115130926A (zh) * | 2022-08-26 | 2022-09-30 | 未名环境分子诊断(常熟)有限公司 | 应用人工智能的环境监测大数据分析方法及电子设备 |
Non-Patent Citations (2)
Title |
---|
M. MADHESWARAN等: ""A new approach of two tier image feature vector matching technique using an unsupervised clustering technique"", 《2017 CONFERENCE ON EMERGING DEVICES AND SMART SYSTEMS (ICEDSS)》, pages 1 - 4 * |
罗文等: ""多维向量场辐散辐合结构特征自适应匹配方法"", 《电子学报》, pages 1729 - 1734 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117455745A (zh) * | 2023-12-26 | 2024-01-26 | 四川省大数据技术服务中心 | 基于多维融合数据分析的公共安全事件感知方法及*** |
CN117455745B (zh) * | 2023-12-26 | 2024-03-19 | 四川省大数据技术服务中心 | 基于多维融合数据分析的公共安全事件感知方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN115905399B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107111540A (zh) | 动态遥测消息剖析和调节 | |
Jabir et al. | Deep learning-based decision support system for weeds detection in wheat fields | |
CN102073708A (zh) | 面向大规模不确定图数据库的子图查询方法 | |
CN115905399B (zh) | 基于人工智能的大数据可视化分析方法及*** | |
CN104102922B (zh) | 一种基于上下文感知字典学习的害虫图像分类方法 | |
CN111325264A (zh) | 一种基于熵的多标签数据分类方法 | |
Sharma et al. | Big data analytics for crop prediction mode using optimization technique | |
CN111984702A (zh) | 村镇聚落的空间演化分析方法、装置、设备及存储介质 | |
CN114821818B (zh) | 基于智慧体育的动作数据分析方法及*** | |
CN110795522A (zh) | 一种移动用户轨迹位置的预测方法及装置 | |
Wang et al. | Accurate label refinement from multiannotator of remote sensing data | |
He et al. | Directed acyclic graphs-based diagnosis approach using small data sets for sustainability | |
CN114463596A (zh) | 一种超图神经网络的小样本图像识别方法、装置及设备 | |
CN114004389A (zh) | 一种对农作物产量预测的混合方法 | |
Chen et al. | Field-road classification for GNSS recordings of agricultural machinery using pixel-level visual features | |
CN117725422A (zh) | 程序代码漏洞检测模型训练方法及检测方法 | |
CN111290953B (zh) | 分析测试日志的方法与装置 | |
CN105701501A (zh) | 一种商标图像识别方法 | |
CN112635060A (zh) | 一种生存力评估方法、装置、评估设备及存储介质 | |
CN109889981B (zh) | 一种基于二分类技术的定位方法及*** | |
CN117114099A (zh) | 顾及时空特征的水稻施肥知识图谱构建及知识推理方法 | |
CN116778391A (zh) | 一种多模态作物病害表型协同分析模型及装置 | |
CN115373982A (zh) | 基于人工智能的测试报告分析方法、装置、设备及介质 | |
CN110309378B (zh) | 一种问题答复的处理方法、装置及*** | |
CN114374931A (zh) | 基于近邻成分分析的度量学习的指纹定位方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |