数据驱动的生长优化系统及其优化方法

技术领域

本发明涉及农产品生长优化的领域，且更为具体地，涉及一种数据驱动的生长优化系统及其优化方法。

背景技术

我国是一个农业大国，农业是国民经济的基础，是民生之本、国家强盛的保障。在资源有限的条件下，我们农产品供需总量正面临严重失衡，依靠农业科技提高土地生产率，提高农产品质量迫在眉睫。

以植物生长柜中的水培生菜为研究对象，经研究发现环境变量对于生菜的影响并非线性增长关系，在多种环境变量融合下，生菜的生长质量存在很大差异。因此，期待一种数据驱动的生长优化系统以对环境参数进行适当且准确地调整，从而保证水培生菜的生长质量。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种数据驱动的生长优化系统及其优化方法，其通过编码器模型对多个时间点的营养液温度、光量子密度、空气温度、空气湿度进行编码处理，并将得到的四个所述特征向量构造高斯密度图，进一步再通过卷积神经网络对所述多个时间点的水培生菜的图像进行特征提取，这样就能够基于所述每个时间点的特征向量和所述高斯密度图构造高斯混合模型，以实现所述高斯密度图及其所述响应特征向量的各个响应位置间的一致性，从而实现了所述响应特征向量的响应范围与所述高斯密度图的目标尺度之间的一定程度的匹配。这样，能够使得得到的用于表示参数是否需要调整的分类结果更为准确，进而保证水培生菜的生长质量。

根据本申请的一个方面，提供了一种数据驱动的生长优化系统，其包括：

生长影响数据获取单元，用于获取在多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度；

参数特征编码单元，用于将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度分别排列为输入向量后通过包含一维卷积层和全连接层的编码器以获得营养液温度特征向量、光量子密度特征向量、空气温度特征向量和空气湿度特征向量；

高斯密度图构造单元，用于基于所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量构造高斯密度图，其中，所述高斯密度图在第k个位置的高斯分布的均值为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值的均值，所述高斯密度图在第k个位置的高斯分布的方差为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值之间的方差；

生长图像获取单元，用于获取在所述多个预定时间点的水培生菜的图像；

生长特征编码单元，用于将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络以获得对应于所述多个预定时间点的多个生长特征向量；

高斯混合单元，用于基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型，其中，所述高斯混合模型通过以各个位置的生长特征向量中各个位置的加权和的倒数作为权重计算其所述高斯密度图中各个位置的高斯分布的加权和生成；

高斯离散单元，用于对所述高斯混合模型进行高斯离散化以获得融合矩阵；

待确定参数获取单元，用于获取所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量；

向量查询单元，用于将所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量与所述融合矩阵进行相乘以获得分类特征向量；以及

结果生成单元，用于将所述分类特征向量通过分类器以获得用于表示参数是否需要调整的分类结果。

在上述数据驱动的生长优化系统中，所述参数特征编码单元，包括：向量构造子单元，用于将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度分别排列为第一输入向量、第二输入向量和第三输入向量和第四输入向量；全连接编码子单元，用于使用所述编码器的全连接层分别对所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量进行全连接编码以提取出所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量中各个位置的特征值的高维隐含特征；一维卷积编码子单元，用于使用所述编码器的一维卷积层分别对所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量进行一维卷及处理以提取出所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量中各个位置的特征值间的关联的高维关联隐含特征。

在上述数据驱动的生长优化系统中，所述生长特征编码单元，进一步用于：使用所述卷积神经网络的各层在层的正向传递的过程中对输入数据进行卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述卷积神经网络的最后一层输出所述生长特征向量，其中，所述卷积神经网络的第一层的输入数据为所述水培生菜的图像。

在上述数据驱动的生长优化系统中，所述卷积神经网络的最后一层以Sigmoid函数为激活函数以使得所述生长特征向量中各个位置的特征值在0到1的概率区间内。

在上述数据驱动的生长优化系统中，所述高斯混合单元，用于基于所述多个生长特征向量和所述高斯密度图以如下公式来构造所述高斯混合模型；

其中，所述公式为：

在上述数据驱动的生长优化系统中，所述结果生成单元，进一步用于：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果；其中，所述公式为：

根据本申请的另一方面，一种数据驱动的生长优化系统的优化方法，其包括：

获取在多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度；

将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度分别排列为输入向量后通过包含一维卷积层和全连接层的编码器以获得营养液温度特征向量、光量子密度特征向量、空气温度特征向量和空气湿度特征向量；

基于所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量构造高斯密度图，其中，所述高斯密度图在第k个位置的高斯分布的均值为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值的均值，所述高斯密度图在第k个位置的高斯分布的方差为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值之间的方差；

获取在所述多个预定时间点的水培生菜的图像；

将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络以获得对应于所述多个预定时间点的多个生长特征向量；

基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型，其中，所述高斯混合模型通过以各个位置的生长特征向量中各个位置的加权和的倒数作为权重计算其所述高斯密度图中各个位置的高斯分布的加权和生成；

对所述高斯混合模型进行高斯离散化以获得融合矩阵；

获取所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量；

将所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量与所述融合矩阵进行相乘以获得分类特征向量；以及

将所述分类特征向量通过分类器以获得用于表示参数是否需要调整的分类结果。

在上述数据驱动的生长优化系统的优化方法中，将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度分别排列为输入向量后通过包含一维卷积层和全连接层的编码器以获得营养液温度特征向量、光量子密度特征向量、空气温度特征向量和空气湿度特征向量，包括：将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度分别排列为第一输入向量、第二输入向量和第三输入向量和第四输入向量；使用所述编码器的全连接层分别对所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量进行全连接编码以提取出所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量中各个位置的特征值的高维隐含特征；使用所述编码器的一维卷积层分别对所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量进行一维卷及处理以提取出所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量中各个位置的特征值间的关联的高维关联隐含特征。

在上述数据驱动的生长优化系统的优化方法中，将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络以获得对应于所述多个预定时间点的多个生长特征向量，包括：使用所述卷积神经网络的各层在层的正向传递的过程中对输入数据进行卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述卷积神经网络的最后一层输出所述生长特征向量，其中，所述卷积神经网络的第一层的输入数据为所述水培生菜的图像。

在上述数据驱动的生长优化系统的优化方法中，所述卷积神经网络的最后一层以Sigmoid函数为激活函数以使得所述生长特征向量中各个位置的特征值在0到1的概率区间内。

在上述数据驱动的生长优化系统的优化方法中，基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型，包括：基于所述多个生长特征向量和所述高斯密度图以如下公式来构造所述高斯混合模型；

其中，所述公式为：

在上述数据驱动的生长优化系统的优化方法中，将所述分类特征向量通过分类器以获得用于表示参数是否需要调整的分类结果，包括：使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果；其中，所述公式为：

与现有技术相比，本申请提供的数据驱动的生长优化系统及其优化方法，其通过编码器模型对多个时间点的营养液温度、光量子密度、空气温度、空气湿度进行编码处理，并将得到的四个所述特征向量构造高斯密度图，进一步再通过卷积神经网络对所述多个时间点的水培生菜的图像进行特征提取，这样就能够基于所述每个时间点的特征向量和所述高斯密度图构造高斯混合模型，以实现所述高斯密度图及其所述响应特征向量的各个响应位置间的一致性，从而实现了所述响应特征向量的响应范围与所述高斯密度图的目标尺度之间的一定程度的匹配。这样，能够使得得到的用于表示参数是否需要调整的分类结果更为准确，进而保证水培生菜的生长质量。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的数据驱动的生长优化系统的应用场景图。

图2为根据本申请实施例的数据驱动的生长优化系统的框图。

图3为根据本申请实施例的数据驱动的生长优化系统的优化方法的流程图。

图4为根据本申请实施例的数据驱动的生长优化系统的优化方法的架构示意图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述：如前所述，我国是一个农业大国，农业是国民经济的基础，是民生之本、国家强盛的保障。在资源有限的条件下，我们农产品供需总量正面临严重失衡，依靠农业科技提高土地生产率，提高农产品质量迫在眉睫。

以植物生长柜中的水培生菜为研究对象，经研究发现环境变量对于生菜的影响并非线性增长关系，在多种环境变量融合下，生菜的生长质量存在很大差异。因此，期待一种数据驱动的生长优化系统以对环境参数进行适当且准确地调整，从而保证水培生菜的生长质量。

具体地，在本申请的技术方案中，营养液温度、光量子密度、空气温度、空气湿度这四个参数，每一个参数获得多个时间点的输入向量并通过包含一维卷积层和全连接层的编码器得到特征向量。

将这四个特征向量构造高斯密度图：

获得该多个时间点的水培生菜的图像，并输入卷积神经网络（II类）以获得每个时间点的特征向量，其中卷积神经网络的最后一层以sigmoid函数加权以转换到概率空间。

基于每个时间点的特征向量和高斯密度图构造高斯混合模型：

该高斯混合模型实现了高斯密度图及其响应特征向量的各个响应位置间的一致性，从而实现了响应特征向量的响应范围与高斯密度图的目标尺度之间的一定程度的匹配。

然后，将高斯混合模型进行高斯离散化以得到融合矩阵。

当要确定某个参数是否需要调整时，就将其对应的特征向量作为查询向量与融合矩阵相乘，并通过分类器获得分类结果。

基于此，本申请提出了一种数据驱动的生长优化系统，其包括：生长影响数据获取单元，用于获取在多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度；参数特征编码单元，用于将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度分别排列为输入向量后通过包含一维卷积层和全连接层的编码器以获得营养液温度特征向量、光量子密度特征向量、空气温度特征向量和空气湿度特征向量；高斯密度图构造单元，用于基于所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量构造高斯密度图，其中，所述高斯密度图在第k个位置的高斯分布的均值为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值的均值，所述高斯密度图在第k个位置的高斯分布的方差为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值之间的方差；生长图像获取单元，用于获取在所述多个预定时间点的水培生菜的图像；生长特征编码单元，用于将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络以获得对应于所述多个预定时间点的多个生长特征向量；高斯混合单元，用于基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型，其中，所述高斯混合模型通过以各个位置的生长特征向量中各个位置的加权和的倒数作为权重计算其所述高斯密度图中各个位置的高斯分布的加权和生成；高斯离散单元，用于对所述高斯混合模型进行高斯离散化以获得融合矩阵；待确定参数获取单元，用于获取所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量；向量查询单元，用于将所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量与所述融合矩阵进行相乘以获得分类特征向量；以及，结果生成单元，用于将所述分类特征向量通过分类器以获得用于表示参数是否需要调整的分类结果。

图1图示了根据本申请实施例的数据驱动的生长优化系统的应用场景图。如图1所示，在该应用场景中，首先，通过部署在固定位置的传感器（例如，如图1中所示意的T）获取在多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度，并且通过设置于固定位置的摄像头（例如，如图1中所示意的C）获取在所述多个预定时间点的水培生菜的图像。然后，将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度，以及水培生菜的图像输入至部署有数据驱动的生长优化算法的服务器中（例如，如图1中所示意的云服务器S），其中，所述服务器能够以数据驱动的生长优化算法对所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度，以及水培生菜的图像进行处理，以生成用于表示参数是否需要调整的分类结果。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性系统：图2图示了根据本申请实施例的数据驱动的生长优化系统的框图。如图2所示，根据本申请实施例的数据驱动的生长优化系统 200，包括：生长影响数据获取单元 210，用于获取在多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度；参数特征编码单元 220，用于将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度分别排列为输入向量后通过包含一维卷积层和全连接层的编码器以获得营养液温度特征向量、光量子密度特征向量、空气温度特征向量和空气湿度特征向量；高斯密度图构造单元 230，用于基于所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量构造高斯密度图，其中，所述高斯密度图在第k个位置的高斯分布的均值为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值的均值，所述高斯密度图在第k个位置的高斯分布的方差为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值之间的方差；生长图像获取单元 240，用于获取在所述多个预定时间点的水培生菜的图像；生长特征编码单元 250，用于将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络以获得对应于所述多个预定时间点的多个生长特征向量；高斯混合单元 260，用于基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型，其中，所述高斯混合模型通过以各个位置的生长特征向量中各个位置的加权和的倒数作为权重计算其所述高斯密度图中各个位置的高斯分布的加权和生成；高斯离散单元 270，用于对所述高斯混合模型进行高斯离散化以获得融合矩阵；待确定参数获取单元 280，用于获取所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量；向量查询单元 290，用于将所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量与所述融合矩阵进行相乘以获得分类特征向量；以及，结果生成单元 300，用于将所述分类特征向量通过分类器以获得用于表示参数是否需要调整的分类结果。

具体地，在本申请实施例中，所述生长影响数据获取单元 210和所述参数特征编码单元 220，用于获取在多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度，并将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度分别排列为输入向量后通过包含一维卷积层和全连接层的编码器以获得营养液温度特征向量、光量子密度特征向量、空气温度特征向量和空气湿度特征向量。如前所述，应可以理解，考虑到水培生菜的相关影响因子包括营养液温度、光量子密度、空气温度和空气湿度，并且水培生菜的生长特性可通过水培生菜的图像经卷积神经网络处理生成，因此，在本申请的技术方案中，可认为所述四个要素是水培生菜的图像特征的前置影响要素，通过融合两者来准确地生成所述当前环境要素是否需要调整的分类结果。

也就是，具体地，首先，通过部署在固定位置的传感器获取在多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度，并把获得的四个参数数据排列为输入向量，以便于后续的编码处理。然后，将得到的四个所述输入向量通过包含一维卷积层和全连接层的编码器中进行编码处理，以提取出所述输入向量的高维隐含特征，从而获得营养液温度特征向量、光量子密度特征向量、空气温度特征向量和空气湿度特征向量。

更具体地，在本申请实施例中，所述参数特征编码单元，包括：向量构造子单元，用于将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度分别排列为第一输入向量、第二输入向量和第三输入向量和第四输入向量。全连接编码子单元，用于使用所述编码器的全连接层分别对所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量进行全连接编码以提取出所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量中各个位置的特征值的高维隐含特征。一维卷积编码子单元，用于使用所述编码器的一维卷积层分别对所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量进行一维卷及处理以提取出所述第一输入向量、所述第二输入向量、所述第三输入向量和所述第四输入向量中各个位置的特征值间的关联的高维关联隐含特征。

具体地，在本申请实施例中，所述高斯密度图构造单元 230，用于基于所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量构造高斯密度图，其中，所述高斯密度图在第k个位置的高斯分布的均值为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值的均值，所述高斯密度图在第k个位置的高斯分布的方差为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值之间的方差。应可以理解，考虑到每个参数特征向量在高维特征空间中对应着一个特征分布流形，而这些特征分布流形由于本身的不规则形状和散布位置，如果仅通过将各个参数特征向量级联来获得分类特征向量，将相当于简单地将这些特征分布流形按原位置和形状来进行叠加，使得新获得的特征分布流形的边界变得非常不规则和复杂，在通过梯度下降来寻找最优点时，非常容易陷入局部极值点中而无法获得全局最优点。因此，需要进一步地对这些参数特征向量进行适当的融合，使得各个特征分布能够相对于彼此在型面上收敛，从而提高后续解码回归的准确性。因此，在本申请的技术方案中，在得到所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量后，需要基于这四个所述特征向量来构造高斯密度图

具体地，在本申请实施例中，所述生长图像获取单元 240和所述生长特征编码单元 250，用于获取在所述多个预定时间点的水培生菜的图像，并将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络以获得对应于所述多个预定时间点的多个生长特征向量。应可以理解，水培生菜的生长特性可通过水培生菜的图像经卷积神经网络处理生成。因此，在本申请的技术方案中，还需要通过设置于固定位置的摄像头获取在所述多个预定时间点的水培生菜的图像。然后，将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络中进行处理，以提取出所述多个预定时间点的水培生菜的图像的局部特征在高维空间中的特征分布表示，从而获得对应于所述多个预定时间点的多个生长特征向量。

更具体地，在本申请实施例中，所述生长特征编码单元，进一步用于：使用所述卷积神经网络的各层在层的正向传递的过程中对输入数据进行卷积处理、基于特征矩阵的均值池化处理和激活处理以由所述卷积神经网络的最后一层输出所述生长特征向量，其中，所述卷积神经网络的第一层的输入数据为所述水培生菜的图像。特别地，在一个具体示例中，所述卷积神经网络的最后一层以Sigmoid函数为激活函数以使得所述生长特征向量中各个位置的特征值在0到1的概率区间内。应可以理解，通过这样的处理方式，可以使得得到的所述生长特征向量具有概率化表达，这样不仅可以消除数据特征之间的量纲影响，便于度量和后续的计算，而且还可以便于卷积神经网络的训练与收敛。

具体地，在本申请实施例中，所述高斯混合单元 260和所述高斯离散单元 270，用于基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型，其中，所述高斯混合模型通过以各个位置的生长特征向量中各个位置的加权和的倒数作为权重计算其所述高斯密度图中各个位置的高斯分布的加权和生成，并对所述高斯混合模型进行高斯离散化以获得融合矩阵。应可以理解，为了更好地融合所述营养液温度特征、所述光量子密度特征、所述空气温度特征、所述空气湿度特征这四个参数特征与所述生长图像特征信息，以实现对特征尺度的鲁棒性，并有效地消除特征尺度之间的差异。因此，在本申请的技术方案中，进一步基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型。应可以理解，该所述高斯混合模型实现了高斯密度图及其响应特征向量的各个响应位置间的一致性，从而实现了响应特征向量的响应范围与高斯密度图的目标尺度之间的一定程度的匹配。然后，再将所述高斯混合模型进行高斯离散化以获得融合矩阵。应可以理解，对所述高斯混合模型进行高斯离散化处理，可以在特征融合时不产生信息损失。

更具体地，在本申请实施例中，所述高斯混合单元，用于基于所述多个生长特征向量和所述高斯密度图以如下公式来构造所述高斯混合模型；

其中，所述公式为：

具体地，在本申请实施例中，所述待确定参数获取单元 280和所述向量查询单元290，用于获取所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量，并将所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量与所述融合矩阵进行相乘以获得分类特征向量。应可以理解，在本申请的技术方案中，当要确定某个所述参数是否需要调整时，就可以获取所述参数对应的特征向量。然后，将所述特征向量与所述融合矩阵进行矩阵相乘，以将所述特征向量映射到所述融合矩阵的高维特征空间中，从而得到用于分类的分类特征向量。

具体地，在本申请实施例中，所述结果生成单元 300，用于将所述分类特征向量通过分类器以获得用于表示参数是否需要调整的分类结果。也就是，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果；其中，所述公式为：

综上，基于本申请实施例的所述数据驱动的生长优化系统 200被阐明，其通过编码器模型对多个时间点的营养液温度、光量子密度、空气温度、空气湿度进行编码处理，并将得到的四个所述特征向量构造高斯密度图，进一步再通过卷积神经网络对所述多个时间点的水培生菜的图像进行特征提取，这样就能够基于所述每个时间点的特征向量和所述高斯密度图构造高斯混合模型，以实现所述高斯密度图及其所述响应特征向量的各个响应位置间的一致性，从而实现了所述响应特征向量的响应范围与所述高斯密度图的目标尺度之间的一定程度的匹配。这样，能够使得得到的用于表示参数是否需要调整的分类结果更为准确，进而保证水培生菜的生长质量。

如上所述，根据本申请实施例的数据驱动的生长优化系统 200可以实现在各种终端设备中，例如数据驱动的生长优化算法的服务器等。在一个示例中，根据本申请实施例的数据驱动的生长优化系统 200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该数据驱动的生长优化系统 200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该数据驱动的生长优化系统 200同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该数据驱动的生长优化系统 200与该终端设备也可以是分立的设备，并且该数据驱动的生长优化系统 200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性方法：图3图示了数据驱动的生长优化系统的优化方法的流程图。如图3所示，根据本申请实施例的数据驱动的生长优化系统的优化方法，包括步骤：S110，获取在多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度；S120，将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度分别排列为输入向量后通过包含一维卷积层和全连接层的编码器以获得营养液温度特征向量、光量子密度特征向量、空气温度特征向量和空气湿度特征向量；S130，基于所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量构造高斯密度图，其中，所述高斯密度图在第k个位置的高斯分布的均值为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值的均值，所述高斯密度图在第k个位置的高斯分布的方差为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值之间的方差；S140，获取在所述多个预定时间点的水培生菜的图像；S150，将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络以获得对应于所述多个预定时间点的多个生长特征向量；S160，基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型，其中，所述高斯混合模型通过以各个位置的生长特征向量中各个位置的加权和的倒数作为权重计算其所述高斯密度图中各个位置的高斯分布的加权和生成；S170，对所述高斯混合模型进行高斯离散化以获得融合矩阵；S180，获取所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量；S190，将所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量与所述融合矩阵进行相乘以获得分类特征向量；以及，S200，将所述分类特征向量通过分类器以获得用于表示参数是否需要调整的分类结果。

图4图示了根据本申请实施例的数据驱动的生长优化系统的优化方法的架构示意图。如图4所示，在所述数据驱动的生长优化系统的优化方法的网络架构中，首先，将获取的所述多个预定时间点的营养液温度（例如，如图4中所示意的P1）、光量子密度（例如，如图4中所示意的P2）、空气温度（例如，如图4中所示意的P3）和空气湿度（例如，如图4中所示意的P4）分别排列为输入向量（例如，如图4中所示意的V1-V4）后通过包含一维卷积层和全连接层的编码器（例如，如图4中所示意的E）以获得营养液温度特征向量（例如，如图4中所示意的VF1）、光量子密度特征向量（例如，如图4中所示意的VF2）、空气温度特征向量（例如，如图4中所示意的VF3）和空气湿度特征向量（例如，如图4中所示意的VF4）；接着，基于所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量构造高斯密度图（例如，如图4中所示意的GD）；然后，将获取的所述多个预定时间点的水培生菜的图像（例如，如图4中所示意的Q）分别通过卷积神经网络（例如，如图4中所示意的CNN）以获得对应于所述多个预定时间点的多个生长特征向量（例如，如图4中所示意的VF）；接着，基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型（例如，如图4中所示意的G）；S170，对所述高斯混合模型进行高斯离散化以获得融合矩阵（例如，如图4中所示意的M）；然后，获取所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量（例如，如图4中所示意的V）；接着，将所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量与所述融合矩阵进行相乘以获得分类特征向量（例如，如图4中所示意的FV）；以及，最后，将所述分类特征向量通过分类器（例如，如图4中所示意的圈S）以获得用于表示参数是否需要调整的分类结果。

更具体地，在步骤S110和S120中，获取在多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度，并将所述多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度分别排列为输入向量后通过包含一维卷积层和全连接层的编码器以获得营养液温度特征向量、光量子密度特征向量、空气温度特征向量和空气湿度特征向量。也就是，具体地，首先，通过部署在固定位置的传感器获取在多个预定时间点的营养液温度、光量子密度、空气温度和空气湿度，并把获得的四个参数数据排列为输入向量，以便于后续的编码处理。然后，将得到的四个所述输入向量通过包含一维卷积层和全连接层的编码器中进行编码处理，以提取出所述输入向量的高维隐含特征，从而获得营养液温度特征向量、光量子密度特征向量、空气温度特征向量和空气湿度特征向量。

更具体地，在步骤S130中，基于所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量构造高斯密度图，其中，所述高斯密度图在第k个位置的高斯分布的均值为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值的均值，所述高斯密度图在第k个位置的高斯分布的方差为所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量在第k个位置的特征值之间的方差。也就是，在本申请的技术方案中，在得到所述营养液温度特征向量、所述光量子密度特征向量、所述空气温度特征向量和所述空气湿度特征向量后，需要基于这四个所述特征向量来构造高斯密度图

更具体地，在步骤S140和步骤S150中，获取在所述多个预定时间点的水培生菜的图像，并将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络以获得对应于所述多个预定时间点的多个生长特征向量。应可以理解，水培生菜的生长特性可通过水培生菜的图像经卷积神经网络处理生成。因此，在本申请的技术方案中，还需要通过设置于固定位置的摄像头获取在所述多个预定时间点的水培生菜的图像。然后，将所述多个预定时间点的水培生菜的图像分别通过卷积神经网络中进行处理，以提取出所述多个预定时间点的水培生菜的图像的局部特征在高维空间中的特征分布表示，从而获得对应于所述多个预定时间点的多个生长特征向量。

更具体地，在步骤S160和步骤S170中，基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型，其中，所述高斯混合模型通过以各个位置的生长特征向量中各个位置的加权和的倒数作为权重计算其所述高斯密度图中各个位置的高斯分布的加权和生成，并对所述高斯混合模型进行高斯离散化以获得融合矩阵。也就是，在本申请的技术方案中，进一步基于所述多个生长特征向量和所述高斯密度图构造高斯混合模型。应可以理解，该所述高斯混合模型实现了高斯密度图及其响应特征向量的各个响应位置间的一致性，从而实现了响应特征向量的响应范围与高斯密度图的目标尺度之间的一定程度的匹配。然后，再将所述高斯混合模型进行高斯离散化以获得融合矩阵。应可以理解，对所述高斯混合模型进行高斯离散化处理，可以在特征融合时不产生信息损失。

更具体地，在步骤S180和步骤S190中，获取所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量，并将所述营养液温度、所述光量子密度、所述空气温度和所述空气湿度中待确定是否需要调整的参数对应的特征向量与所述融合矩阵进行相乘以获得分类特征向量。应可以理解，在本申请的技术方案中，当要确定某个所述参数是否需要调整时，就可以获取所述参数对应的特征向量。然后，将所述特征向量与所述融合矩阵进行矩阵相乘，以将所述特征向量映射到所述融合矩阵的高维特征空间中，从而得到用于分类的分类特征向量。

更具体地，在步骤S200中，将所述分类特征向量通过分类器以获得用于表示参数是否需要调整的分类结果。也就是，在一个具体示例中，使用所述分类器以如下公式对所述分类特征向量进行处理以获得所述分类结果；其中，所述公式为：

综上，基于本申请实施例的所述数据驱动的生长优化系统的优化方法被阐明，其通过编码器模型对多个时间点的营养液温度、光量子密度、空气温度、空气湿度进行编码处理，并将得到的四个所述特征向量构造高斯密度图，进一步再通过卷积神经网络对所述多个时间点的水培生菜的图像进行特征提取，这样就能够基于所述每个时间点的特征向量和所述高斯密度图构造高斯混合模型，以实现所述高斯密度图及其所述响应特征向量的各个响应位置间的一致性，从而实现了所述响应特征向量的响应范围与所述高斯密度图的目标尺度之间的一定程度的匹配。这样，能够使得得到的用于表示参数是否需要调整的分类结果更为准确，进而保证水培生菜的生长质量。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。