基于神经网络算法和投资组合理论的品种选择方法和装置制造方法及图纸

本发明专利技术公开了一种基于神经网络算法和投资组合理论的品种选择方法和装置。包括：通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量；获取在预设区域内种植可供种植品种的约束参数值，约束参数值至少包括以下之一：在预设区域内种植的品种种类的上限值、在预设区域内种植的每个品种的使用比例上限值、在预设区域内种植的每个品种的使用比例下限值；通过目标函数确定在预设区域内种植的品种组合参数的值，其中，目标函数基于投资组合理论确定，目标函数用于至少增加预设区域的产量期望或至少减小预设区域的产量方差。本发明专利技术解决了相关技术中的品种选择方法不够贴合实际的技术问题。

【技术实现步骤摘要】

本专利技术涉及数据处理领域，具体而言，涉及一种基于神经网络算法和投资组合理论的品种选择方法和装置。
技术介绍
在对一块给定的土地选择最优的品种组合时，通常采用基于投资组合理论的品种选择方法，以土地的产量期望最大、产量方差最小为目标在可供选择的品种中选择种植的品种种类。投资组合理论是现代金融学的重要基础之一，其本质在于通过构建一个二次规划模型，求解资产组合的帕累托前沿，来满足证券投资组合的双重目标(最大化收益、最小化风险)，从而提供一组在不同风险偏好情况下的最优投资品种组合。在解决对一块给定的土地选择最优的品种组合这一实际问题时，投资组合理论的目标也可以包括例如期望最大、方差最小等目标，以满足农业生产的实际要求。但是现有技术中基于投资组合理论的品种选择模型没有考虑实际情况，使得计算出的最优组合结果不贴合实际，例如，在一块土地上种植上百种种子，或者某种使用的种子品种只用了极小的使用比例，这种情况是不合实际的。针对相关技术中的品种选择方法不够贴合实际的技术问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种基于神经网络算法和投资组合理论的品种选择方法和装置，以至少解决相关技术中的品种选择方法不够贴合实际的技术问题。根据本专利技术实施例的一个方面，提供了一种基于神经网络算法和投资组合理论的品种选择方法，包括：通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量；获取在预设区域内种植可供种植品种的约束参数值，其中，约束参数值至少包括以下之一：在预设区域内种植的品种种类的上限值、在预设区域内种植的每个品种的使用比例上限值、在预设区域内种植的每个品种的使用比例下限值；通过目标函数确定在预设区域内种植的品种组合参数的值，其中，目标函数基于投资组合理论确定，目标函数用于至少增加预设区域的产量期望或至少减小预设区域的产量方差，目标函数的约束条件根据约束参数值确定，目标函数的待定参数包括品种组合参数，品种组合参数包括品种组合中的品种种类及每个品种的使用比例。进一步地，可供种植品种中包括第一品种，通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量包括：获取第一品种单独种植在其它区域的至少一个历史产量样本，其中，历史产量样本中包括产量及至少一个特征参数，其中，每个特征参数用于表示一个自然条件；根据第一品种的至少一个历史产量样本通过神经网络算法预测第一品种单独种植在预设区域内的产量。进一步地，根据第一品种的至少一个历史产量样本通过神经网络算法预测第一品种单独种植在预设区域内的产量包括：通过Relief算法在至少一个特征参数中剔除对产量的影响权重小于预设阈值的特征参数，并将剩余的特征参数作为关键特征参数；确定神经网络模型，其中，将关键特征参数作为神经网络模型的输入自变量，并将至少一个历史产量样本作为神经网络模型的训练样本对神经网络模型进行训练；通过根据训练样本训练之后得到的神经网络模型预测第一品种单独种植在预设区域内的产量。进一步地，通过根据训练样本训练之后得到的神经网络模型预测第一品种单独种植在预设区域内的产量包括：获取第一品种单独种植在预设区域内的关键特征参数的值；将第一品种单独种植在预设区域内的关键特征参数的值输入训练之后得到的神经网络模型，得到第一品种单独种植在预设区域内的预测产量。进一步地，基于如下公式确定每个特征参数的影响权重Wj：其中，其中，m为至少一个历史产量样本的个数，K为需要预设的正整数参数且其中，DNM(k)＝A-NM(k)，其中，A为根据至少一个历史产量样本确定的矩阵，A＝[(ai,j)],i＝1,2,...,m,j＝1,2,...,n，ai,j为第i个历史产量样本的第j个特征参数，每个历史产量样本包括n个特征参数，为与ai不同组的样本中在n维空间里欧氏距离距ai第k远的样本，DNH(k)＝A-NH(k)，为与ai同组的样本中在n维空间里欧式距离距ai第k近的样本，其中，在基于公式确定每个特征参数的影响权重Wj之前，先将a1,a2,...,am按照产量值的大小分为两组。进一步地，基于如下公式确定预设区域的产量期望E：其中，M为可供种植品种的种类个数，xi为第i个品种的使用比例，yi为第i个品种根据基于神经网络算法建立的产量预测模型预测的单独种植在预设区域内的产量；基于如下公式确定预设区域的产量方差V：其中，xj为第j个品种的使用比例，σij为第i个品种和第j个品种共同种植在预设区域内的产量的协方差；基于如下公式确定目标函数：minλV-(1-λ)E，其中，λ为需要预设的参数且0≤λ≤1；基于如下公式确定目标函数的约束条件：nili≤xi≤niui,i＝1,2,...,M，其中，N为需要预设的用于表示在预设区域内种植的品种种类的上限的参数，ni为二值变量，li为需要预设的用于表示第i个品种的使用比例下限的参数，ui为需要预设的用于表示第i个品种使用比例上限的参数；基于目标函数及目标函数的约束条件确定品种组合参数xi(1≤i≤M)。根据本专利技术实施例的另一方面，还提供了一种基于神经网络算法和投资组合理论的品种选择装置，包括：第一确定单元，用于通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量；获取单元，用于获取在预设区域内种植可供种植品种的约束参数值，其中，约束参数值至少包括以下之一：在预设区域内种植的品种种类的上限值、在预设区域内种植的每个品种的使用比例上限值、在预设区域内种植的每个品种的使用比例下限值；第二确定单元，用于基于投资组合理论确定在预设区域内种植的品种组合参数的值，其中，目标函数基于投资组合理论确定，目标函数用于至少增加预设区域的产量期望或至少减小预设区域的产量方差，目标函数的约束条件根据约束参数值确定的约束条件，品种组合参数包括品种组合中的品种种类及每个品种的使用比例。进一步地，可供种植品种中包括第一品种，第一确定单元包括：获取模块，用于获取第一品种单独种植在其它区域的至少一个历史产量样本，其中，历史产量样本中包括产量及至少一个特征参数，其中，每个特征参数用于表示一个自然条件；预测模块，用于根据第一品种的至少一个历史产量样本通过神经网络算法预测第一品种单独种植在预设区域内的产量。进一步地，预测模块包括：筛除子模块，用于通过Relief算法在至少一个特征参数中剔除对产量的影响权重小于预设阈值的特征参数，并将剩余的特征参数作为关键特征参数；确定子模块，用于确定神经网络模型，其中，将关键特征参数作为神经网络模型的输入自变量，并将至少一个历史产量样本作为神经网络模型的训练样本对神经网络模型进行训练；预测子模块，用于通过根据训练样本训练之后得到的神经网络模型预测第一品种单独种植在预设区域内的产量。进一步地，预测子模块还用于：获取第一品种单独种植在预设区域内的关键特征参数的值；将第一品种单独种植在预设区域内的关键特征参数的值输入训练之后得到的神经网络模型，得到第一品种单独种植在预设区域内的预测产量。在本专利技术实施例中，通过在基于投资组合理论确定品种组合参数的值时，确定符合实际情况的参数，例如，在预设区域内种植的品种种类的上限本文档来自技高网...

【技术保护点】
一种基于神经网络算法和投资组合理论的品种选择方法，其特征在于，包括：通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量；获取在所述预设区域内种植所述可供种植品种的约束参数值，其中，所述约束参数值至少包括以下之一：在所述预设区域内种植的品种种类的上限值、在所述预设区域内种植的每个品种的使用比例上限值、在所述预设区域内种植的每个品种的使用比例下限值；通过目标函数确定在所述预设区域内种植的品种组合参数的值，其中，所述目标函数基于投资组合理论确定，所述目标函数用于至少增加所述预设区域的产量期望或至少减小所述预设区域的产量方差，所述目标函数的约束条件根据所述约束参数值确定，所述目标函数的待定参数包括所述品种组合参数，所述品种组合参数包括品种组合中的品种种类及每个品种的使用比例。

【技术特征摘要】
1.一种基于神经网络算法和投资组合理论的品种选择方法，其特征在于，包括：通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量；获取在所述预设区域内种植所述可供种植品种的约束参数值，其中，所述约束参数值至少包括以下之一：在所述预设区域内种植的品种种类的上限值、在所述预设区域内种植的每个品种的使用比例上限值、在所述预设区域内种植的每个品种的使用比例下限值；通过目标函数确定在所述预设区域内种植的品种组合参数的值，其中，所述目标函数基于投资组合理论确定，所述目标函数用于至少增加所述预设区域的产量期望或至少减小所述预设区域的产量方差，所述目标函数的约束条件根据所述约束参数值确定，所述目标函数的待定参数包括所述品种组合参数，所述品种组合参数包括品种组合中的品种种类及每个品种的使用比例。2.根据权利要求1所述的方法，其特征在于，所述可供种植品种中包括第一品种，通过基于神经网络算法建立的产量预测模型预测可供种植品种中每个品种在不同自然条件下单独种植在预设区域内的产量，包括：获取所述第一品种单独种植在其它区域的至少一个历史产量样本，其中，所述历史产量样本中包括产量及至少一个特征参数，其中，每个特征参数用于表示一个所述自然条件；根据所述第一品种的至少一个历史产量样本通过所述神经网络算法预测所述第一品种单独种植在所述预设区域内的产量。3.根据权利要求2所述的方法，其特征在于，根据所述第一品种的至少一个历史产量样本通过所述神经网络算法预测所述第一品种单独种植在所述预设区域内的产量包括：通过Relief算法在所述至少一个特征参数中剔除对产量的影响权重小于预设阈值的特征参数，并将剩余的特征参数作为关键特征参数；确定神经网络模型，其中，将所述关键特征参数作为所述神经网络模型的输入自变量，并将所述至少一个历史产量样本作为所述神经网络模型的训练样本对所述神经网络模型进行训练；通过根据所述训练样本训练之后得到的神经网络模型预测所述第一品种单独种植在所述预设区域内的产量。4.根据权利要求3所述的方法，其特征在于，通过根据所述训练样本训练之后得到的神经网络模型预测所述第一品种单独种植在所述预设区域内的产量包括：获取所述第一品种单独种植在所述预设区域内的关键特征参数的值；将所述第一品种单独种植在所述预设区域内的关键特征参数的值输入所述训练之后得到的神经网络模型，得到所述第一品种单独种植在所述预设区域内的预测产量。5.根据权利要求3所述的方法，其特征在于，通过Relief算法在所述至少一个特征参数中剔除对产量的影响权重小于预设阈值的特征参数包括：基于如下公式确定每个特征参数的影响权重Wj：Wj=1KΣk=1KWj(k),j=1,2,...,n]]>其中，其中，m为所述至少一个历史产量样本的个数，K为需要预设的正整数参数且其中，DNM(k)＝A-NM(k)，其中，A为根据所述至少一个历史产量样本确定的矩阵，A＝[(ai,j)],i＝1,2,...,m,j＝1,2,...,n，ai,j为第i个历史产量样本的第j个特征参数，每个历史产量样本包括n个特征参数，为与ai不同组的样本中在n维空间里欧氏距离距ai第k远的样本，DNH(k)＝A-NH(k)，为与ai同组的样本中在n维空间里欧式距离距ai第k近的样本，其中，在基于公式确定每个特征参数的影响权重Wj之...

【专利技术属性】
技术研发人员：赵宇，黄静思，秦明，侍乐媛，张玺，许晓云，宋洁，
申请(专利权)人：北京大学，
类型：发明
国别省市：北京;11