【技术实现步骤摘要】
本专利技术涉及农业，更具体的说是涉及一种基于氮转运蛋白活性的茶树氮素吸收类型评估方法及系统。
技术介绍
1、目前，茶树以鲜叶为收获对象，茶树养分管理是其优质、高产、稳产的基础，而营养诊断是养分管理的理论和技术依据。植物营养诊断方法有土壤诊断、叶片诊断、田间试验、示踪原子、微生物测定等多种方法。由于茶树根系较大，树体需求和贮藏的营养物质多，园地立地条件复杂，采用土壤营养诊断和田间试验等方法常存在诊断准确性较差与效率低等问题，其结果也仅被视为生产中的参考值。
2、但是，单纯通过施肥来为茶树提供营养，不但会增加茶产业的投入成本和肥料带来的潜在环境风险，更不符合茶产业的可持续发展要求。因此，选育氮高效茶树品种具有重要意义。茶树是多年生的经济作物，选育良种耗时长，开发一种快速有效的茶树氮吸收能力的无损鉴定技术不但能大大缩短氮高效茶树品种选育时间，而且还能使选育的茶树品种完整保留，以便后期的田间验证。
3、因此，如何进行茶树氮素吸收效率评估是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于氮转运蛋白活性的茶树氮素吸收类型评估方法及系统，通过融合不同子模型的输入参数权重，构建综合预测模型，综合考虑各种氮转运蛋白活性对茶树氮素吸收的影响，能够很好的评估未知种类茶树的氮素吸收能力，提升了综合预测模型全面性和准确性。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、基于氮转运蛋白活性的茶树氮素吸收类型评估方法，
4、收集茶树各氮转运蛋白活性与氮素吸收率建立总数据集，通过聚类分析法对所述总数据集中数据进行类型划分并建立对应训练集，获取低氮高效集、氮高效集、高氮高效集；
5、采用低氮高效集、氮高效集、高氮高效集分别训练相同结构的cnn子模型，以茶树各氮转运蛋白活性作为输入数据，对应茶树的氮素吸收率为输出数据，获取低氮高效预测模型、氮高效预测模型、高氮高效预测模型；
6、计算所述低氮高效预测模型、氮高效预测模型、高氮高效预测模型中每个模型的输入参数的融合系数；及根据所述融合系数确定每个输入参数的融合权重，基于所有输入参数的所述融合权重构建综合预测模型；
7、通过所述综合预测模型对待判别茶树进行氮素吸收率计算，获取待测氮素吸收率，并根据所述聚类分析法对所述待判别茶树进行类型划分。
8、优选的，所述聚类分析法为k-means，具体包括：初始化分类，初始化三个聚类中心，以欧氏距离来表征样本间相似性的度量，计算所有样本到各个初始聚类中心的距离，按照距离最小的判别准则划分样本类别；更新聚类中心，计算每个类别中隶属样本的均值作为该类别的新聚类中心，而后重新获取所有样本到其所在类别的新聚类中心的距离平方和；判断前后两次聚类分析时聚类中心是否变化，如果不再变化，则聚类结束，否则重复更新聚类中心，直至聚类结束。
9、优选的，所述cnn子模型具体包括：选取与茶树氮素吸收率相关的6个输入参数，进行归一化处理，将处理后的输入参数数据按时间序列排列作为输入数据，构建6个输入数据时间序列输入层；对输入数据先进行卷积运算，并对经过卷积运算的输入数据进行池化，经过多次卷积池化后对输出数据进行全连接运算，完成所述低氮高效预测模型、氮高效预测模型、高氮高效预测模型的训练。
10、优选的，所述输入参数具体包括铵态氮转运蛋白：csamt1.1、csamt1.2；硝态氮转运蛋白：csnrt2.1、csnrt2.2、csnrt2.3、csnrt2.4。
11、优选的，完成所述低氮高效预测模型、氮高效预测模型、高氮高效预测模型的训练具体包括：在输入层对输入数据进行不同方向的卷积运算，纵向卷积提取输入数据间特征，横向卷积提取同一输入数据不同时刻的数据特征，每次卷积计算后进行池化运算，减少运算参数。
12、优选的，所述对输入数据进行不同方向的卷积运算具体包括：
13、s1：采用s个卷积核在输入层对输入数据进行纵向卷积，纵向卷积利用下述公式进行计算：
14、ai,j＝f(wmxi,j+zm),m＝1,2,...,s；
15、其中，xi,j为输入数据第i行第j列元素，wm表示卷积核权重，zm为卷积核的偏置项，ai,j为卷积后数据的第i行第j列元素，f为激活函数；
16、s2：输入数据经过s个卷积核卷积计算后由relu函数激活，激活后输出s个神经元，每个神经元中包含一个数据矩阵；
17、s3：对s个神经元进行平均池化，具体公式如下：
18、
19、其中，q表示池化区域的大小，d和f为单个神经元数据矩阵长度与宽度，由于池化核是纵向池化，神经元矩阵只有长度会减小，pi/q,j表示池化层输出神经元矩阵元素的第i/q行第j列元素；
20、s4：池化层输出的神经元再由g个卷积核进行横向卷积和并再次进行平均池化，输出g个神经元；
21、s5：经过两次卷积池化后输出的神经元作为连接层的输入，连接层将所有神经元矩阵的元素所代表的特征信息整合到连接层的神经元当中，设连接层神经元个数为t，经过多次卷积池化后输出的每个神经元中包含k行l列元素，连接层每个神经元由g个[k,l]的卷积核对每个神经元矩阵中的元素进行卷积，具体公式如下：
22、
23、其中，xk,l为输入数据第k行l列元素，wn为卷积核权重，zn为卷积核的偏置项，yu为全连接层每个神经元中的数值。
24、优选的，s5中的输出层由连接层输出向量的线性加权求和计算，具体公式如下：
25、
26、其中，输入神经元个数为t，输出为为输出的茶树氮素吸收率结果。
27、优选的，所述融合系数的计算步骤具体包括：
28、将训练后的各预测模型中每个所述输入参数对应的权重值，按照大小等分为不同的值域；
29、计算每个值域对应的权重值概率，根据所述权重值概率计算出每个所述预测模型中每个所述输入参数对应的权重熵；
30、根据所述权重熵计算出对应所述输入参数的融合系数。
31、优选的，根据所述融合系数确定每个输入参数的融合权重具体包括：将所有预测模型中同一个输入参数作为目标，将输入参数的权重熵通过融合系数进行加权合并，得到目标参数在所述综合预测模型中的融合权重。
32、基于氮转运蛋白活性的茶树氮素吸收等级评估系统，包括：
33、训练集建立模块，收集茶树各氮转运蛋白活性与氮素吸收率建立总数据集，通过聚类分析法对所述总数据集中数据进行类型划分并建立对应训练集，获取低氮高效集、氮高效集、高氮高效集；
34、子模型训练模块，采用低氮高效集、氮高效集、高氮高效集分别训练相同结构的cnn子模型，以茶树各氮转运蛋白活性作为输入数据，对应茶树的氮素吸收率为输出数据，获取低氮高效预测模型、氮高效预测模型、高氮高效预测模型；
35、预本文档来自技高网...
【技术保护点】
1.基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，包括：
2.根据权利要求1所述的基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，所述聚类分析法为k-means，具体包括：初始化分类，初始化三个聚类中心，以欧氏距离来表征样本间相似性的度量，计算所有样本到各个初始聚类中心的距离，按照距离最小的判别准则划分样本类别；更新聚类中心，计算每个类别中隶属样本的均值作为该类别的新聚类中心，而后重新获取所有样本到其所在类别的新聚类中心的距离平方和；判断前后两次聚类分析时聚类中心是否变化，如果不再变化，则聚类结束，否则重复更新聚类中心，直至聚类结束。
3.根据权利要求1所述的基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，所述CNN子模型具体包括：选取与茶树氮素吸收率相关的6个输入参数，进行归一化处理，将处理后的输入参数数据按时间序列排列作为输入数据，构建6个输入数据时间序列输入层；对输入数据先进行卷积运算，并对经过卷积运算的输入数据进行池化，经过多次卷积池化后对输出数据进行全连接运算，完成所述低氮高效预测模型、氮高效预测模型、高氮高效预测
4.根据权利要求3所述的基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，所述输入参数具体包括铵态氮转运蛋白：CsAMT1.1、CsAMT1.2；硝态氮转运蛋白：CsNRT2.1、CsNRT2.2、CsNRT2.3、CsNRT2.4。
5.根据权利要求3所述的基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，完成所述低氮高效预测模型、氮高效预测模型、高氮高效预测模型的训练具体包括：在输入层对输入数据进行不同方向的卷积运算，纵向卷积提取输入数据间特征，横向卷积提取同一输入数据不同时刻的数据特征，每次卷积计算后进行池化运算，减少运算参数。
6.根据权利要求5所述的基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，所述对输入数据进行不同方向的卷积运算具体包括：
7.根据权利要求6所述的基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，S5中的输出层由连接层输出向量的线性加权求和计算，具体公式如下：
8.根据权利要求3所述的基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，所述融合系数的计算步骤具体包括：
9.根据权利要求8所述的基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，根据所述融合系数确定每个输入参数的融合权重具体包括：将所有预测模型中同一个输入参数作为目标，将输入参数的权重熵通过融合系数进行加权合并，得到目标参数在所述综合预测模型中的融合权重。
10.基于氮转运蛋白活性的茶树氮素吸收等级评估系统，应用权利要求1-9任一所述的一种基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，包括：
...【技术特征摘要】
1.基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，包括：
2.根据权利要求1所述的基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，所述聚类分析法为k-means，具体包括：初始化分类，初始化三个聚类中心，以欧氏距离来表征样本间相似性的度量，计算所有样本到各个初始聚类中心的距离，按照距离最小的判别准则划分样本类别；更新聚类中心，计算每个类别中隶属样本的均值作为该类别的新聚类中心，而后重新获取所有样本到其所在类别的新聚类中心的距离平方和；判断前后两次聚类分析时聚类中心是否变化，如果不再变化，则聚类结束，否则重复更新聚类中心，直至聚类结束。
3.根据权利要求1所述的基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，所述cnn子模型具体包括：选取与茶树氮素吸收率相关的6个输入参数，进行归一化处理，将处理后的输入参数数据按时间序列排列作为输入数据，构建6个输入数据时间序列输入层；对输入数据先进行卷积运算，并对经过卷积运算的输入数据进行池化，经过多次卷积池化后对输出数据进行全连接运算，完成所述低氮高效预测模型、氮高效预测模型、高氮高效预测模型的训练。
4.根据权利要求3所述的基于氮转运蛋白活性的茶树氮素吸收类型评估方法，其特征在于，所述输入参数具体包括铵态氮转运蛋白：csamt1.1、csamt1.2；硝态氮转运蛋白：csnrt2.1、csnrt2.2、c...
【专利技术属性】
技术研发人员：韩晓阳，谢彤彤，孙瑶，向勤锃，黄晓琴，
申请(专利权)人：山东农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。