[发明专利]一种基于LSTM的农产品品质分类方法

权利要求书

1.一种基于LSTM的农产品品质分类方法，其特征在于：包括以下步骤：

A、使用农产品检测仪器，检测出农产品的外部特征a_i与内部特征b_i；

B、从已有的数据中提取优质、合格、不合格三个标签样本数据，并将数据进行归一化处理；

C、构建基于RF的特征选择框架，将处理好的16个特征变量送入基于RF的农产品品质特征选择模型中进行农产品品质的分类预测，得出特征重要性排序；

D、选取16个特征变量中关联度较大的9个特征变量，将数据导入数据编码模块，数据编码模块采用数据处理技术对提取后的数据进行编码，最后划分为训练样本集和测试样本集；

E、构建基于LSTM的农产品品质分类模型；

F、利用已组建的训练样本集和测试样本集，训练基于LSTM的农产品品质分类模型，确定模型参数；

G、将几类待分类的农产品特征数据集，输入至训练完毕的深度学习模型中，深度学习模型输出识别分类结果。

2.如权利要求1所述一种基于LSTM的农产品品质分类方法，其特征在于：所述步骤A中，通过仪器检测出酚类含量、可溶性固形物、酒精含量、总酸、单宁等内部影响因素，通过分析天平检测出农产品重量、通过农产品检测仪检测农产品形态指数等外部影响因素。

3.如权利要求1所述一种基于LSTM的农产品品质分类方法，其特征在于：所述步骤B中，为了消除不同度量单位和方差对预测结果的不良影响，将训练集中的每一个数据特征的值进行归一化处理，且计算公式如下：

其中，x_i指样本，min(x_i)为样本最小值，max(x_i)为样本最大值。

4.如权利要求1所述一种基于LSTM的农产品品质分类方法，其特征在于：所述步骤C中，构建基于RF的农产品品质特征选择模型方法如下：

C1:从原始训练集中使用Bootstraping方法有放回地重复随机抽取n个样本；

C2：用n组袋外数据(OOB data)分别计算出每一棵决策树的误差值，记作E_rb1,E_rb2,....,E_rbk；

C3:保持其他特征不变的情况下，对n组袋外数据的第i个特征进行随机重排,并重新计算误差值，记新的误差值为E_ri1,E_ri2,....,E_rik；

C4：特征重要性排序的计算公式如下：

C5:基于特征对于最终结果的重要性进行排序，根据得到的最佳特征数9择出前9个特征作为特征向量送入新的模型。

5.如权利要求1所述一种基于LSTM的农产品品质分类方法，其特征在于：所述步骤D，构建数据编码模块方法如下：

数据的编码方式采用one-hot的编码方式，9个特征在一次热编码过程中被编码，编码符合一下特征：

在上式中，x为一个特征，包含有序集合中有可能的值。