本發(fā)明涉及智慧農(nóng)業(yè)信息處理，具體為一種用于智慧農(nóng)業(yè)的預(yù)警監(jiān)控系統(tǒng)。
背景技術(shù)：
1、現(xiàn)有智慧農(nóng)業(yè)監(jiān)控系統(tǒng)在融合處理多源異構(gòu)數(shù)據(jù)時面臨挑戰(zhàn)。通常，系統(tǒng)需要整合高時間分辨率的視覺數(shù)據(jù)與低時間分辨率的環(huán)境傳感數(shù)據(jù)。當前技術(shù)方案多采用固定權(quán)重進行數(shù)據(jù)融合，此類方法無法有效應(yīng)對不同數(shù)據(jù)源在時效性和重要性上的動態(tài)變化，導(dǎo)致系統(tǒng)生成的綜合評估結(jié)果存在滯后性或誤判，難以準確反映農(nóng)田生態(tài)系統(tǒng)的真實狀態(tài)和演變趨勢，因此，現(xiàn)有的系統(tǒng)功能主要局限于基于離散事件的閾值告警，是一種被動響應(yīng)機制，缺乏對整個農(nóng)田系統(tǒng)性均衡狀態(tài)的連續(xù)性、預(yù)測性認知。
2、本發(fā)明的目的在于提供一種技術(shù)方案，其核心在于一種自適應(yīng)多模態(tài)數(shù)據(jù)融合算法，該算法能夠根據(jù)數(shù)據(jù)源的內(nèi)在波動性與預(yù)設(shè)的農(nóng)業(yè)影響因子，動態(tài)地計算各數(shù)據(jù)源在綜合評估模型中的權(quán)重系數(shù)，進而將高頻視覺數(shù)據(jù)與低頻環(huán)境數(shù)據(jù)有效融合成一個統(tǒng)一且具備預(yù)測能力的農(nóng)田系統(tǒng)狀態(tài)向量。這一核心機制使得系統(tǒng)的功能得以從基于離散事件的閾值告警，升維至面向農(nóng)業(yè)環(huán)境系統(tǒng)性均衡的連續(xù)調(diào)節(jié)與引導(dǎo)。
3、在上述背景技術(shù)部分公開的上述信息僅用于加強對本公開的背景的理解，因此它可以包括不構(gòu)成對本領(lǐng)域普通技術(shù)人員已知的現(xiàn)有技術(shù)的信息。
技術(shù)實現(xiàn)思路
1、本發(fā)明的目的在于提供一種用于智慧農(nóng)業(yè)的預(yù)警監(jiān)控系統(tǒng)，以解決上述背景技術(shù)中提出的問題。
2、本發(fā)明的技術(shù)方案是，包括：數(shù)據(jù)獲取模塊，用于采集高頻視覺數(shù)據(jù)與低頻環(huán)境數(shù)據(jù)，并進行歸一化處理以生成范式化數(shù)據(jù)；
3、第一處理模塊，用于基于范式化數(shù)據(jù)，確定各數(shù)據(jù)源的波動性；
4、第二處理模塊，用于依據(jù)波動性與預(yù)設(shè)的基礎(chǔ)影響力系數(shù)，計算出各數(shù)據(jù)源的動態(tài)權(quán)重系數(shù)；
5、第三處理模塊，用于依據(jù)動態(tài)權(quán)重系數(shù)與范式化數(shù)據(jù)，并經(jīng)由預(yù)設(shè)的特征映射函數(shù)進行加權(quán)融合，以生成農(nóng)田系統(tǒng)狀態(tài)向量；
6、第四處理模塊，用于基于農(nóng)田系統(tǒng)狀態(tài)向量的時序序列，預(yù)測出未來狀態(tài)向量，并用于將未來狀態(tài)向量與預(yù)設(shè)的理想均衡狀態(tài)進行比較，以確定是否生成調(diào)控指令。
7、優(yōu)選的，所述第一處理模塊用于確定波動性，包括：
8、基于范式化數(shù)據(jù)在相鄰采樣時刻的數(shù)值變化量與時間間隔，采用有限差分法確定波動性。
9、優(yōu)選的，所述第二處理模塊用于計算出動態(tài)權(quán)重系數(shù)，包括：
10、結(jié)合波動性、基礎(chǔ)影響力系數(shù)以及預(yù)設(shè)的波動敏感度系數(shù)，確定各數(shù)據(jù)源的瞬時激活度；采用softmax函數(shù)對所有數(shù)據(jù)源的瞬時激活度進行歸一化處理，以生成動態(tài)權(quán)重系數(shù)。
11、優(yōu)選的，所述第三處理模塊中的特征映射函數(shù)包括：
12、用于處理高頻視覺數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)；
13、用于處理低頻環(huán)境數(shù)據(jù)的多層感知機。
14、優(yōu)選的，所述第四處理模塊用于預(yù)測出未來狀態(tài)向量，包括：
15、采用循環(huán)神經(jīng)網(wǎng)絡(luò)模型，基于當前及歷史的農(nóng)田系統(tǒng)狀態(tài)向量與控制輸入向量，來確定未來狀態(tài)向量。
16、優(yōu)選的，所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型，是通過在歷史的狀態(tài)向量序列與對應(yīng)的控制輸入序列上進行深度學(xué)習(xí)訓(xùn)練得到的。
17、優(yōu)選的，所述第四處理模塊用于確定是否生成調(diào)控指令，包括：
18、計算未來狀態(tài)向量與理想均衡狀態(tài)之間的向量范數(shù)偏差；
19、當向量范數(shù)偏差超過預(yù)設(shè)閾值時，生成旨在最小化未來狀態(tài)偏差的調(diào)控指令；
20、當向量范數(shù)偏差未超過預(yù)設(shè)閾值時，維持當前控制策略。
21、優(yōu)選的，所述理想均衡狀態(tài)，是根據(jù)作物生長階段由農(nóng)業(yè)專家知識庫預(yù)先定義，或通過分析與歷史最高產(chǎn)量相關(guān)聯(lián)的狀態(tài)向量均值學(xué)習(xí)確定。
22、本發(fā)明通過改進在此提供一種用于智慧農(nóng)業(yè)的預(yù)警監(jiān)控系統(tǒng)，與現(xiàn)有技術(shù)相比，具有如下改進及優(yōu)點：
23、1.本發(fā)明實現(xiàn)了數(shù)據(jù)影響力的動態(tài)自適應(yīng)評估；系統(tǒng)不采用固定的權(quán)重分配方案，而是基于各數(shù)據(jù)源在相鄰采樣時刻的數(shù)值變化量，通過有限差分法確定其實時波動性；依據(jù)此波動性、源于農(nóng)業(yè)先驗知識的基礎(chǔ)影響力系數(shù)以及可優(yōu)化的波動敏感度系數(shù)，計算出各數(shù)據(jù)源的動態(tài)權(quán)重系數(shù)；這使得系統(tǒng)能夠瞬時地、定量地放大當前變化劇烈的數(shù)據(jù)源的影響力，從而更精確地捕捉到農(nóng)田生態(tài)系統(tǒng)的關(guān)鍵動態(tài)變化，提升了狀態(tài)感知的準確性與靈敏度；
24、2.本發(fā)明構(gòu)建了異構(gòu)數(shù)據(jù)向統(tǒng)一狀態(tài)空間的有效映射；針對高頻視覺數(shù)據(jù)和低頻環(huán)境數(shù)據(jù)這兩種物理模態(tài)與信息密度迥異的數(shù)據(jù)類型，系統(tǒng)采用了專門的特征映射函數(shù)進行處理；利用卷積神經(jīng)網(wǎng)絡(luò)提取視覺數(shù)據(jù)中的深層空間語義特征，同時利用多層感知機擬合環(huán)境數(shù)據(jù)間的非線性關(guān)系；此舉將不同來源的原始數(shù)據(jù)轉(zhuǎn)化為維度相同且在語義層面可比的特征向量，為后續(xù)執(zhí)行有意義的加權(quán)融合生成農(nóng)田系統(tǒng)狀態(tài)向量提供了技術(shù)前提，解決了異構(gòu)數(shù)據(jù)融合的難題；
25、3.本發(fā)明引入了數(shù)據(jù)驅(qū)動的自適應(yīng)系統(tǒng)演化預(yù)測模型；對農(nóng)田系統(tǒng)狀態(tài)向量的未來演化預(yù)測，并非基于固化的物理或生化模型，而是采用如循環(huán)神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)驅(qū)動的非線性動態(tài)模型；模型的關(guān)鍵參數(shù)，即狀態(tài)轉(zhuǎn)移矩陣與控制輸入矩陣，是通過對歷史的狀態(tài)向量與控制輸入序列進行系統(tǒng)辨識學(xué)習(xí)得到的；這種方法使得預(yù)測模型能夠從歷史數(shù)據(jù)中自主學(xué)習(xí)特定農(nóng)田的內(nèi)在動態(tài)特性，從而實現(xiàn)對未來狀態(tài)向量的更精準預(yù)測，具備了高度的環(huán)境特異性與自適應(yīng)能力；
26、4.本發(fā)明確立了前瞻性與最優(yōu)化的調(diào)控決策機制；系統(tǒng)的調(diào)控決策并非對當前狀態(tài)的被動響應(yīng)，而是基于對未來狀態(tài)向量的預(yù)測；通過計算預(yù)測狀態(tài)與理想均衡狀態(tài)之間的向量范數(shù)偏差，并與預(yù)設(shè)閾值比較，來決定是否生成調(diào)控指令；理想均衡狀態(tài)本身是動態(tài)的，可由專家知識庫定義或從歷史高產(chǎn)數(shù)據(jù)中學(xué)習(xí)得到；這種機制實現(xiàn)了從被動響應(yīng)到主動預(yù)判的轉(zhuǎn)變，并且旨在最小化未來的狀態(tài)偏差，使調(diào)控行為更具前瞻性、精確性和效益最優(yōu)化。
1.一種用于智慧農(nóng)業(yè)的預(yù)警監(jiān)控系統(tǒng)，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種用于智慧農(nóng)業(yè)的預(yù)警監(jiān)控系統(tǒng)，其特征在于，所述第一處理模塊用于確定波動性，包括：
3.根據(jù)權(quán)利要求1所述的一種用于智慧農(nóng)業(yè)的預(yù)警監(jiān)控系統(tǒng)，其特征在于，所述第二處理模塊用于計算出動態(tài)權(quán)重系數(shù)，包括：
4.根據(jù)權(quán)利要求1所述的一種用于智慧農(nóng)業(yè)的預(yù)警監(jiān)控系統(tǒng)，其特征在于，所述第三處理模塊中的特征映射函數(shù)包括：
5.根據(jù)權(quán)利要求1所述的一種用于智慧農(nóng)業(yè)的預(yù)警監(jiān)控系統(tǒng)，其特征在于，所述第四處理模塊用于預(yù)測出未來狀態(tài)向量，包括：
6.根據(jù)權(quán)利要求5所述的一種用于智慧農(nóng)業(yè)的預(yù)警監(jiān)控系統(tǒng)，其特征在于，所述循環(huán)神經(jīng)網(wǎng)絡(luò)模型，是通過在歷史的狀態(tài)向量序列與對應(yīng)的控制輸入序列上進行深度學(xué)習(xí)訓(xùn)練得到的。
7.根據(jù)權(quán)利要求1所述的一種用于智慧農(nóng)業(yè)的預(yù)警監(jiān)控系統(tǒng)，其特征在于，所述第四處理模塊用于確定是否生成調(diào)控指令，包括：
8.根據(jù)權(quán)利要求1或7所述的一種用于智慧農(nóng)業(yè)的預(yù)警監(jiān)控系統(tǒng)，其特征在于，所述理想均衡狀態(tài)，是根據(jù)作物生長階段由農(nóng)業(yè)專家知識庫預(yù)先定義，或通過分析與歷史最高產(chǎn)量相關(guān)聯(lián)的狀態(tài)向量均值學(xué)習(xí)確定。