买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京信息工程大学

摘要：本发明公开了一种基于给定农灾资料强化学习的灾后作物产值预估方法，基于历史气象农灾数据和历史环境信息数据构成的原始数据集，农业灾害发生概率模型、模拟作物生长模型、多层感知机模型、初级灾后作物产值预估模型；并结合环境特征向量集、历史气象农灾数据动态变量和历史环境信息数据静态变量、动态静态气象及农业关联数据分组数据特征之间的关联性，获得最终灾后作物产值预估模型同时利用Q学习算法，本发明提出带有环境信息编码的针对收成季节推移的农业产值异构预测网络，遵循时间维度，解析各关联数据分组所对应二维特征平面集合，并采用异构神经网络组件细粒度解析动态与静态特征要素，全面考虑了气象与农业各要素在产值与灾害上的相关性。

主权项：1.一种基于给定农灾资料强化学习的灾后作物产值预估方法,其特征在于，基于预设划分的各个目标地理区域、各个目标地理区域所对应历史气象农灾数据和历史环境信息数据构成的原始数据集、各个目标地理区域对应的收成季时间区、以及各个目标地理区域所对应原始数据集对应的历史目标地理区域的农业产值，执行以下步骤S1至步骤S9,获得最终灾后作物产值预估模型，实现给定气象农灾数据和给定环境信息数据的各个目标地理区域的农业产值预测；步骤S1:基于各个目标地理区域所对应的历史气象农灾数据和历史环境信息数据构成的原始数据集，对所述原始数据集中的各个数据进行特征分析，获得各个目标地理区域所对应的环境特征向量集；步骤S2:利用自编码网络，基于各个目标地理区域，以环境特征向量集中的各个环境特征向量为输入、环境特征向量集所对应的解码重构后的非线性组合环境特征集为输出，构建农业灾害发生概率模型；步骤S3：分别将各个收成季时间区划分为以下四个目标时间区：收成季开始前时间区、收成季初期时间区、收成季中期时间区、收成季后期时间区，进一步提取并获得各个目标时间区对应的非线性环境组合特征集中历史气象农灾数据动态变量和历史环境信息数据静态变量；步骤S4:利用LSTM神经网络，以各个目标时间区对应的原始数据集中历史气象农灾数据动态变量为输入、各个目标时间区对应的原始数据集中历史气象农灾数据动态变量对应的动态气象及农业关联数据分组为输出构建模拟作物生长模型；步骤S5:利用BP神经网络，以各个目标时间区对应的原始数据集中历史环境信息数据静态变量为输入、各个目标时间区对应的原始数据集中历史环境信息数据静态变量对应的静态变量气象及农业关联数据分组为输出构建多层感知机模型；步骤S6:基于目标时间区对应的原始数据集中历史气象农灾数据动态变量对应的动态气象及农业关联数据分组、以及目标时间区对应的原始数据集中历史环境信息数据静态变量对应的静态变量气象及农业关联数据分组构成的动态静态气象及农业关联数据分组数据特征训练集S；步骤S7:基于数据特征训练集S，通过Q学习算法，调整动态静态气象及农业关联数据分组数据特征训练集S中的动态气象及农业关联数据分组特征的权重、静态变量气象及农业关联数据分组特征的权重，获得调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇；步骤S8:利用MLP神经网络，以调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇为输入、调整后权重的动态静态气象及农业关联数据分组数据特征对应的各个目标地理区域的农业产值为输出，构建初级灾后作物产值预估模型；步骤S9：基于已获得的农业灾害发生概率模型、模拟作物生长模型、多层感知机模型、初级灾后作物产值预估模型；并结合与所述各个目标地理区域所对应的环境特征向量集、各个目标时间区对应的非线性环境组合特征集中历史气象农灾数据动态变量和历史环境信息数据静态变量、动态静态气象及农业关联数据分组数据特征训练集S、以及调整后权重的动态静态气象及农业关联数据分组数据特征训练集S＇之间的关联性，以各个目标地理区域所对应历史气象农灾数据和历史环境信息数据构成的原始数据集为输入，最终目标地理区域的农业产值为输出构建并训练最终灾后作物产值预估模型；同时利用Q学习算法，并预设初级灾后作物产值模型的收敛值，针对该最终灾后作物产值预估模型的动作参数微调，获得最终灾后作物产值预估模型、最终灾后作物产值预估模型的最优动作参数、以及最终目标地理区域的农业产值。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于给定农灾资料强化学习的灾后作物产值预估方法