[发明专利]水禽健康养殖环境参数的特征提取方法及装置

权利要求书

1.一种水禽健康养殖环境参数的特征提取方法，其特征在于，所述方法包括：

获取筛选后的水禽健康养殖环境参数数据集；

将预设的深度学习网络分解成由相邻两层构成的一系列受限波尔兹曼机；

将所述筛选后的水禽健康养殖环境参数数据集作为输入，对所述一系列受限波尔兹曼机进行逐层贪婪无监督训练并优化，直到满足预设训练条件，获得训练优化后的网络；

通过所述训练优化后的网络由下向上多层次学习和提取水禽健康养殖环境参数测试样本的抽象特征，构建并获得水禽健康养殖环境参数的特征矩阵。

2.根据权利要求1所述的方法，其特征在于，在获取筛选后的水禽健康养殖环境参数数据集之前，所述方法还包括：

获取水禽健康养殖环境参数时间序列数据；

基于预设的小波变换和独立分量分析算法，分别对所述水禽健康养殖环境参数时间序列数据进行降噪处理，再进行降噪性能评价处理，直到满足预设降噪条件后进行小波重构和相空间重构，获得降噪后的水禽健康养殖环境参数数据集；

基于预设的多种数据降噪融合方法，对所述降噪后的水禽健康养殖环境参数数据集进行筛选处理，筛选出水禽健康养殖环境参数数据集。

3.根据权利要求2所述的方法，其特征在于，所述预设的多种数据降噪融合方法包括核主成分分析、多粒度粗糙集理论算法和灰色关联度分析中至少两种数据降维方法。

4.根据权利要求1所述的方法，其特征在于，所述深度学习网络包括深度置信网络、多层卷积神经网络和层叠自动编码机。

5.根据权利要求1所述的方法，其特征在于，对所述一系列受限波尔兹曼机进行逐层贪婪无监督训练并优化，直到满足预设训练条件，获得训练优化后的网络，包括：

通过对比散度方法对所述一系列受限波尔兹曼机中的第一层受限玻尔兹曼机进行逐层贪婪无监督训练，获得该层最优参数；

高层受限玻尔兹曼机以低一层受限玻尔兹曼机输出数据为输入，对受限玻尔兹曼机进行逐层贪婪无监督训练，获得受限玻尔兹曼机网络最优参数；

利用有监督的反向传播算法对训练好的整个网络各层参数进行微调，使得受限玻尔兹曼机收敛到全局最优，表明满足预设训练条件，获得训练优化后的网络。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述水禽健康养殖环境参数数据集包括温度、光照、氨气、CO2及水禽生长与繁育关键影响因子数据集。

7.一种水禽健康养殖环境参数的特征提取装置，其特征在于，所述装置包括：

获取单元，用于获取筛选后的水禽健康养殖环境参数数据集；

分解单元，用于将预设的深度学习网络分解成由相邻两层构成的一系列受限波尔兹曼机；

训练优化单元，用于将所述筛选后的水禽健康养殖环境参数数据集作为输入，对所述一系列受限波尔兹曼机进行逐层贪婪无监督训练并优化，直到满足预设训练条件，获得训练优化后的网络；

提取单元，用于通过所述训练优化后的网络由下向上多层次学习和提取水禽健康养殖环境参数测试样本的抽象特征，构建并获得水禽健康养殖环境参数的特征矩阵。

8.根据权利要求7所述的装置，其特征在于，所述获取单元，还用于：获取水禽健康养殖环境参数时间序列数据；基于预设的小波变换和独立分量分析算法，分别对所述水禽健康养殖环境参数时间序列数据进行降噪处理，再进行降噪性能评价处理，直到满足预设降噪条件后进行小波重构和相空间重构，获得降噪后的水禽健康养殖环境参数数据集；基于预设的多种数据降噪融合方法，对所述降噪后的水禽健康养殖环境参数数据集进行筛选处理，筛选出水禽健康养殖环境参数数据集。

9.根据权利要求8所述的装置，其特征在于，所述预设的多种数据降噪融合方法包括核主成分分析、多粒度粗糙集理论算法和灰色关联度分析中至少两种数据降维方法。

10.根据权利要求7所述的装置，其特征在于，所述训练优化单元，用于：通过对比散度方法对所述一系列受限波尔兹曼机中的第一层受限玻尔兹曼机进行逐层贪婪无监督训练，获得该层最优参数；高层受限玻尔兹曼机以低一层受限玻尔兹曼机输出数据为输入，对受限玻尔兹曼机进行逐层贪婪无监督训练，获得受限玻尔兹曼机网络最优参数；利用有监督的反向传播算法对训练好的整个网络各层参数进行微调，使得受限玻尔兹曼机收敛到全局最优，表明满足预设训练条件，获得训练优化后的网络。