本發(fā)明涉及礦區(qū)生態(tài)領(lǐng)域，尤其涉及一種風(fēng)沙草灘區(qū)露天煤礦植被種植智能決策方法。

背景技術(shù)：

1、風(fēng)沙草灘區(qū)的沙丘大面積連續(xù)分布，植被嚴(yán)重退化，土地趨向荒漠化愈加顯著，地下水位不穩(wěn)定，生態(tài)環(huán)境極為脆弱；露天煤礦，水土資源嚴(yán)重匱乏，水土流失面積巨大，對(duì)生態(tài)環(huán)境造成重大破壞。已有研究表明，露天煤礦植被恢復(fù)對(duì)環(huán)境治理具有積極作用，可見尋求風(fēng)沙草灘區(qū)露天煤礦的植被種植方法至關(guān)重要。已有種植決策案例中，表現(xiàn)出以下缺陷：

2、(1)在植被種植決策方面，首先智能性表現(xiàn)不足，多采用專家經(jīng)驗(yàn)法或直接借鑒前人成果經(jīng)驗(yàn)；其次，部分利用智能決策方法以決策樹和灰色理論為主，通過研究發(fā)現(xiàn)，其處理數(shù)據(jù)量體積和處理結(jié)果的準(zhǔn)確性遠(yuǎn)低于神經(jīng)網(wǎng)絡(luò)的算法能力；最后，神經(jīng)網(wǎng)絡(luò)決策過程中，其權(quán)重初始化方法以隨機(jī)初始化和遷移學(xué)習(xí)學(xué)習(xí)初始化為主，而沒有任何先驗(yàn)知識(shí)的隨機(jī)初始化，加重了模型訓(xùn)練的繁瑣；利用預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)的初始化方法，則對(duì)模型結(jié)構(gòu)具有一定的約束，需要權(quán)重分布規(guī)律進(jìn)行提取以使得模型權(quán)重具有更高概率逼近全局最優(yōu)解。

3、(2)風(fēng)沙草灘區(qū)露天煤礦的植被種植的數(shù)據(jù)集構(gòu)建方面，缺乏對(duì)種植區(qū)域數(shù)據(jù)的長(zhǎng)期監(jiān)測(cè)，植被生長(zhǎng)特征以及區(qū)域適應(yīng)能力無法科學(xué)的評(píng)價(jià)。

4、(3)植被種植決策結(jié)果方面以植被品種決策為主體，不夠全面，還需補(bǔ)充植被種植密度以及病蟲害防治和灌溉施肥等方面。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明提供一種風(fēng)沙草灘區(qū)露天植被種植智能決策方法，本發(fā)明的方法提高植被種植決策的可靠性和科學(xué)性，彌補(bǔ)單一經(jīng)驗(yàn)法的不足，為風(fēng)沙草灘區(qū)露天煤礦種植的選擇提供依據(jù)。

2、具體的，本技術(shù)是通過如下技術(shù)方案實(shí)現(xiàn)的：

3、本發(fā)明的第一方面提供一種風(fēng)沙草灘區(qū)露天煤礦植被種植智能決策方法，其方法包括：

4、構(gòu)建風(fēng)沙草灘區(qū)露天煤礦植被種植檔案數(shù)據(jù)集；

5、構(gòu)建風(fēng)沙草灘區(qū)露天煤礦植被種植的經(jīng)驗(yàn)知識(shí)庫(kù)；

6、基于anpl-layer模型優(yōu)化alexnet卷積神經(jīng)網(wǎng)絡(luò)，得到anpl-net卷積神經(jīng)網(wǎng)絡(luò)模型；

7、基于anpl-net卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)合檔案數(shù)據(jù)集和經(jīng)驗(yàn)知識(shí)庫(kù)，對(duì)露天煤礦植被種植進(jìn)行決策。

8、根據(jù)本發(fā)明的一個(gè)實(shí)施例，構(gòu)建風(fēng)沙草灘區(qū)露天煤礦植被種植檔案數(shù)據(jù)集的方法包括：

9、收集露天煤礦區(qū)域的生態(tài)環(huán)境因子數(shù)據(jù)和種植區(qū)域的遙感圖像數(shù)據(jù)；

10、基于生態(tài)環(huán)境因子數(shù)據(jù)和遙感圖像數(shù)據(jù)構(gòu)建基于物聯(lián)網(wǎng)技術(shù)的數(shù)據(jù)獲取網(wǎng)絡(luò)；

11、通過數(shù)據(jù)獲取網(wǎng)絡(luò)，對(duì)各平臺(tái)的數(shù)據(jù)實(shí)時(shí)傳輸并集中存儲(chǔ)得到實(shí)時(shí)數(shù)據(jù)；

12、基于實(shí)時(shí)數(shù)據(jù)對(duì)環(huán)境數(shù)據(jù)進(jìn)行整理和分離，并生成風(fēng)沙草灘區(qū)露天煤礦植被種植檔案數(shù)據(jù)集。

13、根據(jù)本發(fā)明的一個(gè)實(shí)施例，基于anpl-layer模型優(yōu)化alexnet卷積神經(jīng)網(wǎng)絡(luò)的方法包括：

14、對(duì)alexnet卷積神經(jīng)網(wǎng)絡(luò)中每層的權(quán)重?cái)?shù)量、卷積核大小、通道數(shù)進(jìn)行計(jì)算；

15、基于對(duì)稱冪律分布函數(shù)優(yōu)化alexnet卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重分布；

16、根據(jù)anpl-layer模型生成優(yōu)化后的權(quán)重，并應(yīng)用于alexnet卷積神經(jīng)網(wǎng)絡(luò)的卷積層；

17、將優(yōu)化后的alexnet卷積神經(jīng)網(wǎng)絡(luò)的卷積層重新整合，形成anpl-net卷積神經(jīng)網(wǎng)絡(luò)模型。

18、根據(jù)本發(fā)明的一個(gè)實(shí)施例，對(duì)alexnet卷積神經(jīng)網(wǎng)絡(luò)中每層的權(quán)重?cái)?shù)量、卷積核大小、通道數(shù)進(jìn)行計(jì)算的方法包括：

19、統(tǒng)計(jì)alexnet卷積神經(jīng)網(wǎng)絡(luò)的卷積結(jié)構(gòu)以及對(duì)應(yīng)的權(quán)重?cái)?shù)量，其計(jì)算如下：

20、kiw＝ks×ks×ci×si；

21、其中，kiw代表第i層卷積核權(quán)重，ks代表卷積核大小，ci代表層通道數(shù)，si代表層卷積核個(gè)數(shù)；

22、將alexnet卷積神經(jīng)網(wǎng)絡(luò)的卷積層k的所有數(shù)據(jù)表示為:

23、ki＝{δ(ni，ci，hi，wi)|(1≤ni≤ni，1≤ci≤ci，i≤hi≤hi，1≤wi≤wi)}

24、其中，ki表示網(wǎng)絡(luò)模型中第i層卷積層的權(quán)重?cái)?shù)據(jù)，ni表示第i層卷積層的卷積核個(gè)數(shù)，ci表示第i層卷積層中卷積核的通道數(shù)，(hi，wi)表示第i層卷積層中卷積核的格式。

25、根據(jù)本發(fā)明的一個(gè)實(shí)施例，基于對(duì)稱冪律分布函數(shù)優(yōu)化alexnet卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重分布的方法包括：

26、對(duì)各層權(quán)重?cái)?shù)據(jù)進(jìn)行冪律分布檢驗(yàn)，基于預(yù)訓(xùn)練權(quán)重研究得到的權(quán)重分布規(guī)律，并對(duì)冪律分布函數(shù)進(jìn)行規(guī)范化，具體公式如下：

27、

28、依據(jù)推導(dǎo)出的標(biāo)準(zhǔn)化對(duì)稱冪律分布函數(shù)，構(gòu)建針對(duì)alexnet卷積神經(jīng)網(wǎng)絡(luò)的anpl-layer卷積層初始化方法。

29、根據(jù)本發(fā)明的一個(gè)實(shí)施例，anpl-layer初始化方法包括如下步驟：

30、當(dāng)卷積層需要的權(quán)重?cái)?shù)量為num時(shí)，對(duì)于xi值，對(duì)應(yīng)生成num*yi個(gè)數(shù)據(jù)；

31、基于生成取值區(qū)間為(-r，r)的隨機(jī)數(shù)，對(duì)num*yi取值為xi的數(shù)據(jù)做隨機(jī)數(shù)波動(dòng)處理，確保anpl-layer算法生成的數(shù)據(jù)layer?data中沒有連續(xù)相同的數(shù)據(jù)；

32、根據(jù)當(dāng)前第i層卷積層的格式(ni，ci，hi，wi)，對(duì)模型生成的權(quán)重?cái)?shù)據(jù)進(jìn)行格式化的處理；

33、anpl-layer模型算法最終輸出數(shù)據(jù)為：(ni，ci，hi，wi)的張量數(shù)據(jù)layer?data。

34、根據(jù)本發(fā)明的一個(gè)實(shí)施例，所述alexnet卷積神經(jīng)網(wǎng)絡(luò)包括五個(gè)卷積層和三個(gè)連接層。

35、根據(jù)本發(fā)明的一個(gè)實(shí)施例，基于anpl-net卷積神經(jīng)網(wǎng)絡(luò)模型，結(jié)合檔案數(shù)據(jù)集和經(jīng)驗(yàn)知識(shí)庫(kù)，對(duì)露天煤礦植被種植進(jìn)行決策的方法包括：

36、利用anpl-net卷積神經(jīng)網(wǎng)絡(luò)模型決策植被種植品種、植被種植密度、種植區(qū)域面積、水肥能力、病蟲害防治方案和灌溉施肥方案。

37、本發(fā)明的第二個(gè)方面提供一種非瞬時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述非瞬時(shí)性計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)一種風(fēng)沙草灘區(qū)露天煤礦植被種植智能決策的方法。

38、本發(fā)明的第三個(gè)方面提供一種電子設(shè)備，包括存儲(chǔ)器、處理器以及存儲(chǔ)在所述存儲(chǔ)器中并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)一種風(fēng)沙草灘區(qū)露天煤礦植被種植智能決策的方法。

39、本發(fā)明較現(xiàn)有技術(shù)相比，具有以下優(yōu)點(diǎn)及有益效果：

40、(1)根據(jù)露天煤礦種植區(qū)域特點(diǎn)，構(gòu)建礦區(qū)種植數(shù)據(jù)獲取網(wǎng)絡(luò)，基于物聯(lián)網(wǎng)技術(shù)，將各類傳感器和實(shí)施監(jiān)測(cè)系統(tǒng)進(jìn)行鏈接，利用網(wǎng)絡(luò)數(shù)據(jù)抓取將各平臺(tái)的數(shù)據(jù)最后集中于本發(fā)明所創(chuàng)建的數(shù)據(jù)網(wǎng)絡(luò)，形成風(fēng)沙草灘區(qū)露天煤礦的檔案數(shù)據(jù)集框架，使得植被種植決策具有更加完備且實(shí)時(shí)的數(shù)據(jù)集，為后續(xù)決策提供較好的數(shù)據(jù)支持，提高決策中卷積神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)的區(qū)域特征性和精確性。

41、(2)卷積層功能和權(quán)重相對(duì)獨(dú)立，針對(duì)alexnet卷積神經(jīng)網(wǎng)絡(luò)中卷積層的整體權(quán)重為研究對(duì)象，根據(jù)其對(duì)稱冪律分布函數(shù)，構(gòu)建anpl-layer模型。而后利用anpl-layer模型對(duì)alexnet卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行權(quán)重初始化形成anpl-net卷積神經(jīng)網(wǎng)絡(luò)模型，使其獲得更佳快速收斂和良好的泛化能力。

42、(3)在植被種植決策方面，本發(fā)明對(duì)植被品種的選擇，種植密度，病蟲害防治和灌溉施肥方面，都使用基于anpl-net卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行決策，使植被種植智能決策結(jié)果方面系統(tǒng)全面，提高了決策結(jié)果的全面性、整體性以及可借鑒性。

43、(4)本發(fā)明可以補(bǔ)足根據(jù)專家經(jīng)驗(yàn)的主觀性的缺陷，能夠快速實(shí)時(shí)對(duì)露天煤礦區(qū)域植被種植進(jìn)行決策，提高決策結(jié)果的有效性和精確性，對(duì)于種植的成本損耗的降低和礦區(qū)生態(tài)修復(fù)具有重要意義。