【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及牧草種質(zhì)，具體為一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法。
技術(shù)介紹
1、隨著農(nóng)業(yè)和牧草學(xué)研究的不斷發(fā)展，牧草種質(zhì)資源的評價變得愈發(fā)重要，傳統(tǒng)的牧草種質(zhì)資源評價方法主要依賴于人工觀察和測量，這種方式不僅效率低下，而且容易受到主觀因素的影響，導(dǎo)致評價結(jié)果的準確性和可靠性有限，近年來，隨著生物技術(shù)的進步，大量與牧草種質(zhì)資源相關(guān)的數(shù)據(jù)得以產(chǎn)生，包括形態(tài)學(xué)特征、生理學(xué)特性、遺傳學(xué)信息等，從而增加整合和分析這些多源異構(gòu)的數(shù)據(jù)難度，使得原有的評價方法卻存在一些缺陷，比如：
2、現(xiàn)有的牧草種質(zhì)資源評價體系往往側(cè)重于單一的指標(biāo)或特性，無法綜合考慮多個因素的相互作用和影響，且現(xiàn)有模型訓(xùn)練數(shù)據(jù)不足、特征提取不全面、評價指標(biāo)單一，導(dǎo)致評價結(jié)果的準確性和可靠性較低。
3、針對上述問題，急需在原有牧草種質(zhì)資源評價的基礎(chǔ)上進行創(chuàng)新設(shè)計。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的在于提供一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，以解決上述
技術(shù)介紹
中提出現(xiàn)有的牧草種質(zhì)資源評價體系往往側(cè)重于單一的指標(biāo)或特性，無法綜合考慮多個因素的相互作用和影響，且現(xiàn)有模型訓(xùn)練數(shù)據(jù)不足、特征提取不全面、評價指標(biāo)單一，導(dǎo)致評價結(jié)果的準確性和可靠性較低的問題。
2、為實現(xiàn)上述目的，本專利技術(shù)提供如下技術(shù)方案：一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，包括以下評價方法：
3、s1.從多個渠道收集牧草種質(zhì)資源的相關(guān)數(shù)據(jù)，包括但不限于牧草的形態(tài)特征、生理指標(biāo)等數(shù)據(jù)，確保數(shù)據(jù)的多樣性和代表性，涵
4、s2.對上述s1中收集的數(shù)據(jù)進行清洗，去除噪聲、錯誤和重復(fù)的數(shù)據(jù)，在對數(shù)據(jù)進行標(biāo)注，之后對數(shù)據(jù)進行標(biāo)準化或歸一化處理，以使得不同特征的數(shù)據(jù)在數(shù)值上具有可比性；
5、s3.對于上述s1中牧草形態(tài)的圖像數(shù)據(jù)中牧草紋理、形狀等特征，使用卷積神經(jīng)網(wǎng)絡(luò)方法自動提取特征，對于基因序列數(shù)據(jù)采用序列嵌入轉(zhuǎn)化為適合深度學(xué)習(xí)模型處理的特征向量；
6、s4.將上述s2中預(yù)處理的數(shù)據(jù)和s3中提取特征后的數(shù)據(jù)劃分為訓(xùn)練集、驗證集和測試集，使用訓(xùn)練集數(shù)據(jù)對選定的深度學(xué)習(xí)模型進行訓(xùn)練，通過調(diào)整模型的參數(shù)來優(yōu)化模型性能；
7、s5.使用上述s4中的測試集數(shù)據(jù)對訓(xùn)練好的模型進行評估，分析模型的評估結(jié)果，根據(jù)性能要求，考慮調(diào)整模型結(jié)構(gòu)、增加數(shù)據(jù)量或改進訓(xùn)練方法；
8、s6將待評價的牧草種質(zhì)資源數(shù)據(jù)輸入優(yōu)化后的模型，得到評價結(jié)果，評價結(jié)果進行分析和解讀，為牧草種質(zhì)資源的保護、利用和育種提供決策依據(jù)。
9、采用上述技術(shù)方案，便于多方面獲取對應(yīng)的牧草種質(zhì)數(shù)據(jù)來源，增加對模型訓(xùn)練數(shù)據(jù)來源。
10、優(yōu)選的，所述s1中的牧草種質(zhì)資源數(shù)據(jù)來源包括：科研機構(gòu)與高校、國家種質(zhì)資源庫。
11、采用上述技術(shù)方案，通過增加牧草種質(zhì)資源數(shù)據(jù)來源，便于模型內(nèi)訓(xùn)練與處理。
12、優(yōu)選的，所述牧草種質(zhì)資源數(shù)據(jù)包含多個地理區(qū)域內(nèi)的牧草種質(zhì)資源的考察采集與鑒定工作的數(shù)據(jù)匯總。
13、采用上述技術(shù)方案，隨著科研人員在多個地理區(qū)域內(nèi)采集不同種類的牧草進行數(shù)據(jù)采集與鑒定，從而構(gòu)成涵蓋廣闊地理區(qū)域的牧草數(shù)據(jù)。
14、優(yōu)選的，所述s2中對牧草數(shù)據(jù)進行標(biāo)注中，將牧草種質(zhì)資源按照特定的評價標(biāo)準分類或標(biāo)注其優(yōu)劣程度。
15、采用上述技術(shù)方案，經(jīng)過對牧草數(shù)據(jù)進行統(tǒng)一標(biāo)注，為數(shù)據(jù)進行標(biāo)準化處理。
16、優(yōu)選的，所述s4中的深度學(xué)習(xí)模型訓(xùn)練工作包括：數(shù)據(jù)準備、模型選擇、定義模型架構(gòu)、定義損失函數(shù)和優(yōu)化器、訓(xùn)練模型和評估模型、模型早停以及模型微調(diào)。
17、采用上述技術(shù)方案，隨著深度學(xué)習(xí)模型訓(xùn)練處理，用于對評估結(jié)果調(diào)整學(xué)習(xí)率和正則化參數(shù)，提高模型處理效果。
18、優(yōu)選的，所述深度學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)準備中的牧草種質(zhì)資源包括圖像、特征描述、基因數(shù)據(jù)并進行預(yù)處理歸一化構(gòu)成數(shù)據(jù)集，將數(shù)據(jù)集按照70%訓(xùn)練集、15%驗證集、15%測試集劃分。
19、采用上述技術(shù)方案，通過對數(shù)據(jù)集進行劃分，用于配合模型數(shù)據(jù)進行調(diào)整處理。
20、優(yōu)選的，所述深度學(xué)習(xí)模型訓(xùn)練的模型選擇中卷積神經(jīng)網(wǎng)絡(luò)用于圖像數(shù)據(jù)，循環(huán)神經(jīng)網(wǎng)絡(luò)用于序列數(shù)據(jù)，且模型選擇后的定義模型架構(gòu)確定模型的層數(shù)、神經(jīng)元數(shù)量、激活函數(shù)定義模型架構(gòu)。
21、采用上述技術(shù)方案，選擇對應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)分別面對不同數(shù)據(jù)類型進行處理。
22、優(yōu)選的，所述深度學(xué)習(xí)模型訓(xùn)練的定義損失函數(shù)和優(yōu)化器，根據(jù)評價任務(wù)選擇合適的損失函數(shù)，分類任務(wù)常用交叉熵損失，回歸任務(wù)常用均方誤差損失，選擇優(yōu)化器，并設(shè)置學(xué)習(xí)率等參數(shù)。
23、采用上述技術(shù)方案，經(jīng)過優(yōu)化器的隨機梯度下降，配合損失函數(shù)定義對深度學(xué)習(xí)模型進一步進行優(yōu)化。
24、優(yōu)選的，所述深度學(xué)習(xí)模型訓(xùn)練的訓(xùn)練模型和評估模型中通過訓(xùn)練集數(shù)據(jù)輸入模型進行迭代訓(xùn)練，每個訓(xùn)練批次后，根據(jù)損失函數(shù)計算誤差，并通過優(yōu)化器更新模型的參數(shù)，在訓(xùn)練過程中，定期使用驗證集評估模型的性能，根據(jù)評估結(jié)果調(diào)整學(xué)習(xí)率、正則化參數(shù)等。
25、采用上述技術(shù)方案，增加對深度學(xué)習(xí)模型迭代訓(xùn)練次數(shù)，從而提高估模型的性能。
26、優(yōu)選的，所述深度學(xué)習(xí)模型訓(xùn)練的模型早停用于對驗證集經(jīng)過一定輪數(shù)后不再提升，停止訓(xùn)練，防止過擬合，隨后根據(jù)驗證集的結(jié)果，對模型進行微調(diào)，如增加層數(shù)、調(diào)整神經(jīng)元數(shù)量實現(xiàn)模型微調(diào)。
27、采用上述技術(shù)方案，通過增加對驗證集工作的早停，有效避免模型過度擬合處理。
28、與現(xiàn)有技術(shù)相比，本專利技術(shù)的有益效果是：該基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法：
29、1.通過增加牧草種質(zhì)數(shù)據(jù)來源，通過增加科研機構(gòu)與高校、國家種質(zhì)資源庫，從而包含大量作物牧草種質(zhì)與野生牧草種質(zhì)信息，增加牧草種質(zhì)數(shù)據(jù)資料來源，同時考慮牧草的形態(tài)學(xué)、生理學(xué)、遺傳學(xué)等多個維度的特征，進行全面、系統(tǒng)的評價，提供更綜合和全面的資源評估結(jié)果，為牧草種質(zhì)資源的收集、保存和創(chuàng)新利用提供科學(xué)依據(jù)，有助于更合理地分配資源和制定管理策略；
30、2.通過在對獲取的數(shù)據(jù)進行歸一化處理，統(tǒng)一數(shù)據(jù)標(biāo)記效果深度學(xué)習(xí)模型能夠處理和分析大量復(fù)雜的數(shù)據(jù)，從而更精確地評估牧草種質(zhì)資源的各種特征和屬性，減少人為誤差和主觀性，同時經(jīng)過模型訓(xùn)練需要逐步迭代訓(xùn)練增加，不僅能夠?qū)崟r更新數(shù)據(jù)和模型，適應(yīng)牧草生長環(huán)境變化、新品種培育等動態(tài)情況，保持評價的時效性和有效性，為農(nóng)業(yè)生產(chǎn)、生態(tài)保護等領(lǐng)域的決策提供可靠的科學(xué)支持，保障相關(guān)工作的科學(xué)性和合理性。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于，包括以下評價方法：
2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述S1中的牧草種質(zhì)資源數(shù)據(jù)來源包括：科研機構(gòu)與高校、國家種質(zhì)資源庫。
3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述牧草種質(zhì)資源數(shù)據(jù)包含多個地理區(qū)域內(nèi)的牧草種質(zhì)資源的考察采集與鑒定工作的數(shù)據(jù)匯總。
4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述S2中對牧草數(shù)據(jù)進行標(biāo)注中，將牧草種質(zhì)資源按照特定的評價標(biāo)準分類或標(biāo)注其優(yōu)劣程度。
5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述S4中的深度學(xué)習(xí)模型訓(xùn)練工作包括：數(shù)據(jù)準備、模型選擇、定義模型架構(gòu)、定義損失函數(shù)和優(yōu)化器、訓(xùn)練模型和評估模型、模型早停以及模型微調(diào)。
6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述深度學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)準備中的牧草種質(zhì)資源包括圖像、特征描述、基因數(shù)據(jù)并進行預(yù)處理歸一化構(gòu)
7.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述深度學(xué)習(xí)模型訓(xùn)練的模型選擇中卷積神經(jīng)網(wǎng)絡(luò)用于圖像數(shù)據(jù)，循環(huán)神經(jīng)網(wǎng)絡(luò)用于序列數(shù)據(jù)，且模型選擇后的定義模型架構(gòu)確定模型的層數(shù)、神經(jīng)元數(shù)量、激活函數(shù)定義模型架構(gòu)。
8.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述深度學(xué)習(xí)模型訓(xùn)練的定義損失函數(shù)和優(yōu)化器，根據(jù)評價任務(wù)選擇合適的損失函數(shù)，分類任務(wù)常用交叉熵損失，回歸任務(wù)常用均方誤差損失，選擇優(yōu)化器，并設(shè)置學(xué)習(xí)率等參數(shù)。
9.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述深度學(xué)習(xí)模型訓(xùn)練的訓(xùn)練模型和評估模型中通過訓(xùn)練集數(shù)據(jù)輸入模型進行迭代訓(xùn)練，每個訓(xùn)練批次后，根據(jù)損失函數(shù)計算誤差，并通過優(yōu)化器更新模型的參數(shù)，在訓(xùn)練過程中，定期使用驗證集評估模型的性能，根據(jù)評估結(jié)果調(diào)整學(xué)習(xí)率、正則化參數(shù)等。
10.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述深度學(xué)習(xí)模型訓(xùn)練的模型早停用于對驗證集經(jīng)過一定輪數(shù)后不再提升，停止訓(xùn)練，防止過擬合，隨后根據(jù)驗證集的結(jié)果，對模型進行微調(diào)，如增加層數(shù)、調(diào)整神經(jīng)元數(shù)量實現(xiàn)模型微調(diào)。
...【技術(shù)特征摘要】
1.一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于，包括以下評價方法：
2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述s1中的牧草種質(zhì)資源數(shù)據(jù)來源包括：科研機構(gòu)與高校、國家種質(zhì)資源庫。
3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述牧草種質(zhì)資源數(shù)據(jù)包含多個地理區(qū)域內(nèi)的牧草種質(zhì)資源的考察采集與鑒定工作的數(shù)據(jù)匯總。
4.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述s2中對牧草數(shù)據(jù)進行標(biāo)注中，將牧草種質(zhì)資源按照特定的評價標(biāo)準分類或標(biāo)注其優(yōu)劣程度。
5.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述s4中的深度學(xué)習(xí)模型訓(xùn)練工作包括：數(shù)據(jù)準備、模型選擇、定義模型架構(gòu)、定義損失函數(shù)和優(yōu)化器、訓(xùn)練模型和評估模型、模型早停以及模型微調(diào)。
6.根據(jù)權(quán)利要求5所述的一種基于深度學(xué)習(xí)的牧草種質(zhì)資源評價方法，其特征在于：所述深度學(xué)習(xí)模型訓(xùn)練的數(shù)據(jù)準備中的牧草種質(zhì)資源包括圖像、特征描述、基因數(shù)據(jù)并進行預(yù)處理歸一化構(gòu)成數(shù)據(jù)集，將數(shù)據(jù)集按照70％訓(xùn)練集、15％驗證集、15％測試集劃分。
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王學(xué)敏，周昕越，蔣慶雪，儀登霞，馬琳，
申請(專利權(quán))人：中國農(nóng)業(yè)科學(xué)院北京畜牧獸醫(yī)研究所，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。