[发明专利]一种基于深度学习算法的植物电信号分类识别方法

权利要求书

1.一种基于深度学习算法的植物电信号分类识别方法，其特征在于，具体按照以下步骤实施：

步骤1.对植物电信号进行等时间间隔采样，构成一个离散信号序列，定义为D，长度为Len(D)；

步骤2.将离散信号序列D，用经验模态分解算法分解，得到n个本征模态函数，将本征模态函数拼接成一个Len(D)×n的二维矩阵向量张量D_S；将二维矩阵向量张量D_S标注为正常信号；

步骤3.对环境胁迫下的植物，采取步骤1和步骤2同样的处理方法，并将得到的二维矩阵向量张量标注为受胁迫信号Ds′；将正常信号和受胁迫信号的二维张量共同构成样本数据集data；

步骤4.将样本数据集data分为训练集，测试集，验证集；

步骤5.将训练集导入深度学习网络模型中进行训练，调整模型的超参数并对模型的能力进行初步评估，将验证集导入已经训练好的网络中去，用于调整超参数，监控模型是否发生过拟合，得到优化模型；

步骤6.使用优化模型对需要识别的新数据进行处理并分类，从而识别出当前植物的生命状态。

2.根据权利要求1所述一种基于深度学习算法的植物电信号分类识别方法，其特征在于，步骤1所述植物电信号采集位置为植物叶片、茎部中的一个。

3.根据权利要求1所述一种基于深度学习算法的植物电信号分类识别方法，其特征在于，步骤2所述用经验模态分解算法分解，得到n个本征模态函数具体过程为：

找出离散信号序列中数据所有的极大值点，用三次样条插值函数拟合形成原离散信号序列的极大值的包络线e₊(t)，即上包络线；同理找出原离散信号序列中数据所有的极小值点，并拟合形成离散信号序列的极小值包络线e_-(t)，即下包络线；上下包络线的均值记为m₁(t)，则：

使用离散信号序列中数据分别减去上下包络线均值m₁(t)，得到一个去掉低频的新信号序列有：

判断是否存在正的局部极小值和负的局部最大值，若存在，则为一个中间状态函数，对重复上面的步骤；

经历k次“筛选”后，满足imf的两个条件，定义是这组信号的一阶imf分量；

则有：

从原始离散信号序列D(t)中减去c₁(t)得到一个新的信号r₁(t)，有：

r₁(t)＝D(t)-c₁(t)

把r₁(t)当作一个新的“原始信号”，重复上面步骤，就可以得到imf₂(t)的分量c₂(t)，同理可以得到第n阶分量c_n(t)，

原始离散信号序列D(t)的表达式为：

其中的imf_i(t)为本征模态函数，r_n(t)为分解的残差。

4.根据权利要求1所述一种基于深度学习算法的植物电信号分类识别方法，其特征在于，步骤4所述将data数据集分为训练集、测试集、验证集的比例为3:1:1。

5.根据权利要求1所述一种基于深度学习算法的植物电信号分类识别方法，其特征在于，步骤5中所述将训练集和验证集传入深度学习网络中去，进行训练的迭代次数为1000-2000次。

6.根据权利要求1所述一种基于深度学习算法的植物电信号分类识别方法，其特征在于，步骤5所述深度学习网络为卷积神经网络。

7.根据权利要求1所述一种基于深度学习算法的植物电信号分类识别方法，其特征在于，步骤6具体过程为：

需要识别的新数据为d，对d进行经验模态分解，得到一个二维向量矩阵，并记为data_I，形状为m×n，将它展开为一个[1,N]的向量x，其中N＝m×n；根据优化模型参数计算连接权重和偏置，结合下面公式计算预测值：

y_pred＝w^Tx+b

w表示神经元之间的连接权重weight，b表示神经元连接的偏置，y_pred为预测值。