一种融合多因子的秀珍菇生长环境调控系统及使用方法与流程

本发明涉及电数字数据处理领域，具体涉及一种融合多因子的秀珍菇生长环境调控系统及使用方法。

背景技术：

1、秀珍菇为侧耳科侧耳属的真菌，口感鲜美，富含丰富的营养物质，是一种被广泛种植的重要食用菌。秀珍菇的生长环境对其产量和品质具有决定性影响，因此在其生长时通常需要进行精确的生长环境调控。传统的秀珍菇生长环境调控方法多依赖于经验调节，人工读取温度、湿度等数据后，再进行相应的加热、加湿等操作，缺乏系统化、自动化的调控手段。

2、之后，人们研发了现有秀珍菇生长环境调控系统，现有秀珍菇生长环境调控系统主要工作流程为：采集秀珍菇的生长环境数据，对数据进行处理，对处理后的数据进行判断后得出具体的系统操作指令，执行系统操作指令调整秀珍菇的生长环境，能够系统化、自动化地对秀珍菇的生长环境进行调控，但现有秀珍菇生长环境调控系统主要存在以下三个问题：

3、（1）现有秀珍菇生长环境调控系统无法有效融合多因子数据。现有秀珍菇生长环境调控系统对环境数据的采集和处理往往局限于单一或少量环境因子，但秀珍菇的生长环境数据为多因子数据，因为其不只受到单一或少量环境因子的影响，而是受到温度、湿度、二氧化碳浓度、氧气浓度等多个环境因子的影响，因此现有秀珍菇生长环境调控系统的智能化水平较低，较难精确地实时调控生长环境，影响了秀珍菇的生长效果。

4、（2）现有秀珍菇生长环境调控系统无法对多因子数据进行数据挖掘。随着环境调控系统涉及的影响因子数目的增多，其采集到的生长环境数据会出现多维度、多类型的特点，现有特征提取与特征降维方法在应对这些高维、复杂数据时表现出明显的局限性，容易导致处理过程中生长环境数据丢失或无法充分保留生长环境数据的内在特性。

5、（3）现有秀珍菇生长环境调控系统对多因子数据的判断不够准确。现有秀珍菇生长环境调控系统主要是由分类器对生长环境数据进行分类处理，给数据标注具体的系统操作指令，但现有秀珍菇生长环境调控系统在多因子影响下分类处理能力不足，难以进行高效、准确的操作指令输出。

6、因此现有秀珍菇生长环境调控系统存在无法有效融合多因子数据、无法对多因子数据进行数据挖掘以及对多因子数据的判断不够准确的问题。

技术实现思路

1、本发明所要解决的技术问题在于克服上述现有技术的缺点，提供一种能够有效融合多因子数据、能够对多因子数据进行数据挖掘且对多因子数据的判断较为准确的融合多因子的秀珍菇生长环境调控系统以及融合多因子的秀珍菇生长环境调控系统使用方法。

2、为解决上述技术问题，本发明提供的一种融合多因子的秀珍菇生长环境调控系统包括存储模块，用于存储数据；

3、秀珍菇多因子数据采集模块，用于采集秀珍菇的生长环境数据并发送至存储模块中存储，生长环境数据包括环境传感器数据、系统操作数据、生长反馈数据以及外部影响数据，生长环境数据包括多个属性；

4、秀珍菇多因子数据特征提取模块，用于对秀珍菇多因子数据采集模块采集的属性数量小于或等于50的生长环境数据进行特征挖掘得到特征挖掘后的数据；秀珍菇多因子数据特征提取模块包括基于自适应生物影响优化的神经网络的特征提取模型；

5、秀珍菇多因子数据特征降维模块，用于对秀珍菇多因子数据采集模块采集的数据属性数量大于50的生长环境数据进行特征挖掘得到特征挖掘后的数据；秀珍菇多因子数据特征降维模块包括基于自编码器算法结合黎曼几何优化算法的特征降维模型；

6、秀珍菇生长环境调控预测模块，用于根据特征挖掘后的数据生成相应的系统操作指令；秀珍菇生长环境调控预测模块包括基于量子哈密顿优化的核极限学习机分类算法的分类器；

7、执行模块，用于控制秀珍菇的生长环境参数并接收、执行系统操作指令调整生长环境参数。

8、本发明提供的基于上述一种融合多因子的秀珍菇生长环境调控系统的一种融合多因子的秀珍菇生长环境调控系统使用方法包括：

9、s1、收集秀珍菇的历史生长环境数据，生长环境数据包括环境传感器数据、系统操作数据、生长反馈数据以及外部影响数据，环境传感器数据、系统操作数据、生长反馈数据以及外部影响数据均包括多个属性；

10、s2、对历史生长环境数据进行人工标注并存储至存储模块中，标注的标注类别为系统操作指令；

11、s3、将属性数量小于或等于50的历史生长环境数据输入至秀珍菇多因子数据特征提取模块中，训练秀珍菇多因子数据特征提取模块的基于自适应生物影响优化的神经网络的特征提取模型，获得神经网络的输出数据，存储入存储模块中；

12、s4、将属性数量大于50的生长环境数据输入至秀珍菇多因子数据特征降维模块中，训练秀珍菇多因子数据特征降维模块的基于自编码器算法结合黎曼几何优化算法的特征降维模型，获得自编码器的输出数据，存储入存储模块中；

13、s5、将神经网络的输出数据与自编码器的输出数据输入至秀珍菇生长环境调控预测模块中，训练秀珍菇生长环境调控预测模块的基于量子哈密顿优化的核极限学习机分类算法的分类器；

14、s6、通过秀珍菇多因子数据采集模块采集新的生长环境数据并存储至存储模块中；

15、s7、判断新的生长环境数据的属性数量；当属性数量小于或等于50时，将新的生长环境数据输入至秀珍菇多因子数据特征提取模块中进行特征挖掘；当属性数量大于50时，将新的生长环境数据输入至秀珍菇多因子数据特征降维模块中进行特征挖掘；对新的生长环境数据的特征挖掘完成后获得特征挖掘后的数据；

16、s8、将特征挖掘后的数据输入至秀珍菇生长环境调控预测模块中进行标注，得到与特征挖掘后的数据相应的系统操作指令，将系统操作指令发送至执行模块，执行模块根据系统操作指令对秀珍菇的生长环境参数进行调整。

17、作为本发明更进一步的改进：s1中：

18、环境传感器数据包括三个属性：温度、湿度以及二氧化碳浓度；

19、系统操作数据包括四个属性：地热加热、水冷降温、补水增湿以及增氧换气系统的操作状态；

20、生长反馈数据包括四个属性：菌丝生长速度、子实体分化速度、产量的数据以及质量的数据；

21、外部影响数据包括三个属性：季节变化、外部气温以及湿度。

22、作为本发明更进一步的改进：s2与s8中的系统操作指令包括加热开启、加热关闭、制冷开启、制冷关闭、增湿开启、增湿关闭、换气开启、换气关闭以及未明确具体操作。

23、作为本发明更进一步的改进：s3中训练秀珍菇多因子数据特征提取模块的基于自适应生物影响优化的神经网络的特征提取模型包括：

24、s301、初始化设定神经网络的参数，包括神经网络的权重与神经网络的偏置，初始化的方式表示为：

25、 （1）

26、 （2）

27、式（1）与式（2）中，为神经网络的初始权重，为非线性变换函数，为初始化的随机种子参数，为神经网络的输入维度，为神经网络的初始偏置；

28、s302、根据训练数据的特征和目标，模拟一个动态变化的环境因子，环境因子影响着神经网络参数的适应性需求，且环境因子基于训练数据特征的统计特性来动态生成的，通过评估输入特征的变异系数和偏态进行模拟，表示为：

29、 （5）

30、 （6）

31、 （7）

32、式（5）、式（6）及式（7）中，为环境因子，是调节环境模拟敏感度的第一超参数，为变异系数计算函数，为输入到神经网络的特征，是调节环境模拟敏感度的第二超参数，为偏态计算函数，为特征的标准差，为特征的均值；

33、s303、定义初始的适应度评价函数，适应度评价函数考量模型的预测精度与参数适应性，确保从多维度评估网络性能，计算方式为：

34、 （8）

35、 （9）

36、式（8）与式（9）中，为神经网络的适应度函数，为神经网络的权重，为神经网络的偏置，为环境因子，为交叉熵损失函数，为神经网络的正则化系数，为范数，为神经网络的权重变化量，为适应度自适应正则化因子，为神经网络的第j个权重，为前一次迭代神经网络的变化量；

37、s304、神经网络的权重和偏置基于动态调整因子进行调整，调整方式表示为：

38、 （12）

39、 （13）

40、 （14）

41、式（12）、式（13）及式（14）中，为非线性调节因子参数，是调节反应强度的超参数，为非线性反应函数，为神经网络的适应度函数，为神经网络的权重，为神经网络的偏置，为环境因子，为随机噪声，为参数更新操作，是神经网络的学习率，为神经网络的适应度函数关于权重参数的梯度，为神经网络的适应度函数关于偏置参数的梯度；

42、s305、重复迭代s302~s304，直至满足预设的停止迭代条件，即表示模型训练完成。

43、作为本发明更进一步的改进：s303中，基于特征的活跃度计算适应度自适应正则化因子，表示为：

44、 （11）

45、式（11）中，为适应度自适应正则化因子，是调整正则化基准强度的超参数，为特征的活跃度计算函数，为神经网络的权重。

46、作为本发明更进一步的改进：s4中训练秀珍菇多因子数据特征降维模块的基于自编码器算法结合黎曼几何优化算法的特征降维模型包括：

47、s401、定义自编码器的结构，自编码器的输入层接收多维特征数据，自编码器的输出层的神经元数量为50，定义输入到每一层的变换方式表示为：

48、 （16）

49、式（16）中，为自编码器第层的线性变换输出；为自编码器第层的权重矩阵；为自编码器第层的输出，也即自编码器第层的输入；为自编码器第层的偏置向量；

50、s402、数据通过自编码器的每个隐藏层进行传递，并在每个隐藏层利用黎曼几何优化算法调整数据流动路径，以保证数据流动符合其特征内在分布的属性，表示为：

51、 （17）

52、式（17）中，为自编码器应用激活函数后的第层输出，为自编码器第层的线性变换输出；是的范数，表征的模长；为调节第层激活强度的黎曼几何参数；为双曲正切函数；

53、s403、使用重构损失和黎曼距离共同评估输出数据与原数据之间的差异，确保在降维过程中数据本质特性得以保留，自编码器的损失函数的计算方式为：

54、 （20）

55、式（20）中，mrc为当前批次输入到自编码器中的样本数量，为第i个训练样本的数据向量，为第i个自编码器重构的输出，为控制黎曼距离影响的正则化系数，为黎曼距离，为噪声惩罚项损失；

56、s404、通过反向传播算法计算损失函数对各参数的梯度，更新自编码器每层的参数，反向传播使用链式法则计算梯度，并更新自编码器权重和偏置的方式表示为：

57、 （25）

58、 （26）

59、式（25）与式（26）中，为自编码器权重的更新量，是自编码器的学习率，是偏导数符号，为自编码器的损失函数对自编码器权重的偏导数，是自编码器的权重衰减率，是自编码器偏置的更新量，为自编码器的损失函数对自编码器偏置的偏导数；

60、s405、重复迭代s402~s404，直至满足预设的停止迭代条件，即表示模型训练完成。

61、作为本发明更进一步的改进：s402中的范数的计算方式为：

62、（18）

63、式（18）中，为向量的维度，表示向量的第i个分量。

64、作为本发明更进一步的改进：s404中自编码器的损失函数关于权重的偏导数的计算方式为：

65、 （27）

66、式（27）中，mrc为当前批次输入到自编码器中的样本数量，为自编码器应用激活函数后的第层输出，为第i个训练样本的数据向量，是的转置；为自编码器第层的输出，也即自编码器第层的输入；是自编码器的正则化参数，是黎曼距离对自编码器的权重的偏导数。

67、作为本发明更进一步的改进：s5中训练秀珍菇生长环境调控预测模块的基于量子哈密顿优化的核极限学习机分类算法的分类器包括：

68、s501、初始化核极限学习机的核函数，定义核函数的计算方式为：

69、 （29）

70、式（29）中，为核极限学习机的核函数，是核极限学习机的核函数的宽度参数，为核函数动态调整函数，是输入到核极限学习机的第i个样本，是输入到核极限学习机的第j个样本；

71、s502、将输入到核极限学习机的数据通过选定的核函数映射到高维特征空间，进行数据的非线性映射，表示为：

72、 （31）

73、式（31）中，为高维特征空间映射函数，表示输入到核极限学习机的数据，为核极限学习机的核宽度参数，是输入到核极限学习机的第i个样本；

74、s503、使用量子哈密顿优化算法对核参数进行再次优化，以适应具体的数据分布，利用量子计算的概率性和并行性搜索参数空间，找到最适合当前数据分布的核参数，求解最优核宽度参数和输出层权重的计算方式为：

75、 （32）

76、式（32）中，为量子哈密顿优化函数，为核极限学习机的核宽度参数，是核极限学习机的输出层权重，为取最小值函数，是目标输出向量，是高维特征空间的数据矩阵，是核极限学习机的正则化参数；

77、s504、根据映射后的数据和目标输出，利用流形映射策略进一步调整数据在核空间的分布，然后利用改进的正则化最小二乘法计算输出层的权重，通过最小化正则化损失函数，计算核极限学习机的输出层权重，表示为：

78、 （33）

79、式（33）中，是核极限学习机的输出层权重，表示的转置，是高维特征空间的数据矩阵，是核极限学习机的正则化参数，i是单位矩阵；

80、s505、核极限学习机的输出层权重计算完成后，即表示核极限学习机训练完成。

81、本发明的有益效果如下：本发明提供的融合多因子的秀珍菇生长环境调控系统及使用方法能够有效融合多因子数据、能够对多因子数据进行数据挖掘且对多因子数据的判断较为准确。

82、本发明使用的生长环境数据环境传感器数据、系统操作数据、生长反馈数据以及外部影响数据，具有多种数据源，是融合了多个环境因子的多因子数据，而不只依靠于单一的环境因子，因此使得对生长环境数据的获取更为全面。

83、当生长环境数据的属性数量小于或等于50时，本发明采用自适应生物影响优化的神经网络对生长环境数据进行特征提取，模拟环境压力下生物体的适应性行为，能够根据输入数据特征的变化自我调整参数更新策略，避免了梯度消失和梯度爆炸等问题，提升了特征提取的稳定性与训练效率，动态调整神经网络的权重和偏置，从而实现特征的高效提取与模型稳定性。当生长环境数据的属性数量大于50时，通过特征降维模块解决高维数据处理难题，利用自编码器结合黎曼几何优化算法进行特征降维有效减少了高维特征的维度，同时通过黎曼几何调整权重和偏置，使得降维后的数据保持内在几何结构，提升了系统在高维数据环境下的泛化能力和降维精度。自编码器通过黎曼几何优化算法保持了数据的内在几何结构，确保降维后的数据仍然具备原始数据的关键特征，有效减少了冗余信息，使模型在处理高维数据时更加精确和高效。从而使得本发明能够对多因子数据进行数据挖掘。

84、本发明的秀珍菇生长环境调控预测模块通过基于量子哈密顿优化的核极限学习机分类算法对特征挖掘后的数据进行分类，通过量子哈密顿优化策略，调整核函数参数与输出层权重，使得在复杂参数空间内能找到全局最优解，提升了模型在处理复杂生长环境控制数据时的分类精度。通过量子哈密顿优化策略在复杂的参数空间中搜索全局最优解，提升了分类器的决策准确性，使得系统能够快速、精确地输出针对生长环境的系统操作指令，保证了秀珍菇生长环境控制的实时性与精准性。因此对多因子数据的判断较为准确。