[发明专利]西洋参生长年限预测方法、模型的训练方法及装置

权利要求书

1.一种西洋参生长年限的预测方法，其中，所述预测方法包括：

S101：收集待检测的西洋参样本，测定其理化性质，所述西洋参样本为西洋参的干燥主根；

S102：将代表所述理化性质的数据输入训练好的预测模型，获得所述西洋参的生长年限。

2.一种用于对权利要求1所述的预测方法中的预测模型进行训练的训练方法，其中，所述训练方法包括以下步骤：

S201：收集生长年限已知的西洋参样本，测定其理化性质，并基于其理化性质构建总数据集，所述总数据集中的每条数据代表一个样本的理化性质；以及

S202：采用所述总数据集中的多条数据对西洋参生长年限预测模型进行训练，得到权利要求1所述的训练好的预测模型，从而用于预测待检测的西洋参样本的生长年限。

3.根据权利要求2所述的训练方法，其中，步骤S202包括以下步骤：

a.从所述总数据集选取包括多条数据的一组数据，作为训练数据集；

b.将所述训练数据集输入至所述西洋参生长年限预测模型，获取所述预测模型的预测结果并输出所述训练数据集对应的样本的预测的生长年限；

c.根据所述训练数据集对应的样本的实际生长年限和所述预测的生长年限，构建损失函数；

d.检测损失函数是否收敛；

e.若未收敛，调整所述西洋参生长年限预测模型的参数，使得所述损失函数趋于收敛；

f.若收敛，检测模型训练是否完成，即损失函数是否始终收敛，或者训练轮数是否到达预设阈值；

g.若没有训练完成，重新执行步骤b；以及

h.若训练完成，使用测试数据集评价模型准确度，并继续从算法空间中选择其他算法训练模型。

4.根据权利要求3所述的训练方法，其中，所述步骤h包括以下步骤：

h1.使用训练数据集和指定算法训练模型，并获取训练完成的预测模型；

h2.从所述总数据集中选取一组数据，作为测试数据集，或者另外收集生长年限已知的西洋参样本，构建测试数据集；

h3.将所述测试数据集输入到已训练完成的预测模型中，获取所述预测模型的预测结果并输出所述测试数据集对应的样本的预测的生长年限；

h4.根据所述测试数据集对应的样本的实际生长年限，以及预测的生长年限，构建评价函数，根据评价函数计算已训练完成模型的准确度；

h5.检测算法空间中是否有未经建模的算法；

h6.若算法空间中有未经建模的算法，选择该算法作为指定算法，按照S202中a-h步骤训练模型；以及

h7.若算法空间中的所有算法都已经使用并训练出模型，则比较所有模型的准确度，选取准确度最优的算法及参数，作为最终的生长年限预测模型及参数。

5.根据权利要求3或4所述的训练方法，其中，所述损失函数的构建包括：

将训练数据集中各条训练数据对应的预测生长年限与对应的生长年限已知的均方误差之和、决定系数或绝对值误差之和，作为损失函数。

6.一种用于执行权利要求2-5中任一项所述的训练方法的训练装置，其中，所述训练装置包括：

M301，数据读取模块，用于载入总数据集中的数据，其中所述总数据集是基于生长年限已知的西洋参样本的理化性质构建的；

M302，数据选取模块，从所述总数据集中选取两组数据，分别作为训练数据集和测试数据集，或者从所述总数据集选取一组数据，作为训练数据集，另外载入一组数据，作为测试数据集；

M303，预测模型训练模块，尝试所有可能的模型映射关系，调整参数，对所述训练数据集进行预测，构建损失函数，检测损失函数是否收敛，寻找每个模型映射关系的最佳参数；以及

M304，预测模型评估模块，使用所述测试数据集，根据所述测试数据集对应的样本的实际生长年限和通过预测模型预测的生长年限构建评价函数，对所述预测模型的表现进行评估，并选择最优模型。

7.根据权利要求6所述的训练装置，其中，所述训练装置还包括：特征工程模块，对理化性质特征进行特征工程变换。