基于深度学习的粮情智能分析预警技术

技术详细介绍

在互联网发展快速的时代中，很多信息都以电子数据的方式存在于电脑之中，在粮食产业结构改革的今天，在粮食的栽种、收割、运输、存储等环节中都会产生大量的环境数据，一份较为准确的粮仓温度回归预测能够延长农庄作物的保存时间，同时也能够尽量减少自然天气对农作物造成的粮食损失，提高粮食储存的安全性、高效性。本成果提出了基于GRU（门控制循环单元）算法，同时采用多元线性回归进行特征生成，对数据集进行特征优化和构建，使用小波过滤对相应特征进行数据降噪。

本成果采用GRU深度融合模型对粮仓外部温度数据进行预测，其结构模型如图1所示。首要对数据进行数据清洗；随后依据相关矩阵热力图对关联度较差的特征使用多元线性回归进行特征生成，强化数据集的特征，提高数据集质量；通过小波过滤对数据进行降噪处理，强化数据质量提高预测效果；其后对数据使用GRU模型对数据进行回归预测，GRU模型是LSTM的变种，它将LSTM中的遗忘门和更新门变成了重置门去替代减少隐藏层的计算量，减少无效数据对模型的影响，强化有效数据对模型的比重，提高模型的预测效果。