一种蔬菜营养液自维护方法及系统与流程

1.本发明涉及营养液自维护技术领域，具体涉及一种蔬菜营养液自维护方法及系统。


背景技术：

2.近年来，蔬菜无土培养技术在不断发展，无土培养蔬菜成为了农业的主要作物。无土培养的蔬菜产量和质量主要受到营养液配比的影响，目前，对蔬菜营养液的维护和调控方法主要通过人为干预对营养液配比调控，需要对营养液中的营养元素含量进行实时监测；人为调控维护营养液的智能化和自动化的水平较低，缺乏量化指标；如果仅使用已经调配好的固定浓度的标准营养液的彼标准值对营养液进行调控，会造成营养液元素的实际组成成分与标准理论值存在较大的误差；营养液的各元素浓度的消耗量也会受到光照，温湿度等外界因素的影响；因此难以对营养液进行精准的调控维护。


技术实现要素：

3.为了解决现有技术难以对营养液进行精准调控维护的问题，本发明的目的在于提供一种蔬菜营养液自维护方法及系统，所采用的技术方案具体如下：
4.第一方面，本发明一个实施例提供了一种蔬菜营养液自维护方法包括以下步骤：
5.获取营养液在历史时间段内各时刻的营养液信息和环境信息；所述营养液信息包括ph值、k

含量、ca
2
含量、含量和ec值，将k

、ca
2
和记为营养元素，所述环境信息包括光照强度、温度和湿度；
6.根据培养液在历史时间段内各时刻的营养液信息和环境信息，构建营养液自维护网络，所述营养液自维护网络用于对营养液未来时刻的营养元素的含量进行预测，为多尺度卷积；
7.根据营养液在历史时间段内各时刻的营养液信息对营养液自维护网络进行训练，得到训练好的营养液自维护网络；
8.将营养液当前时刻的营养液信息和环境信息输入到训练好的营养液自维护网络中，预测未来时刻的各营养元素的含量，利用未来时刻的各营养元素的含量对营养液进行调控。
9.第二方面，本发明另一个实施例提供了一种蔬菜营养液自维护系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种蔬菜营养液自维护方法。
10.优选的，构建营养液自维护网络的过程，包括：
11.根据培养液在历史时间段内各时刻的各营养元素含量，对各营养元素含量进行曲线拟合，得到各营养元素含量对应的变化曲线，所述变化曲线用于反映对应的营养元素含量随时间的变化关系；
12.将同一时刻的营养液信息和环境信息进行整合并分割，得到对应的数据向量；
13.根据各营养元素含量对应的变化曲线，得到所述营养液自维护网络的时间窗口的长度和各营养元素含量对应的变化曲线的周期长度；
14.根据时间窗口长度计算各卷积层对应的扩展系数；
15.根据时间窗口的长度和各营养元素含量对应的变化曲线的周期长度，得到卷积层跨度；
16.根据数据向量的分割情况，设计多尺度卷积核，所述多尺度卷积核包括第一卷积核，第二卷积核，第三卷积核；所述多尺度卷积核用于对数据向量序列进行同时卷积，所述数据向量序列由不同时刻对应的数据向量构成；
17.根据时间窗口的长度、多尺度卷积核、扩展系数和卷积层跨度构建营养液自维护网络。
18.优选的，根据各营养元素含量对应的变化曲线，得到所述营养液自维护网络的时间窗口的长度，包括：
19.根据各营养元素含量对应的变化曲线，获取各营养元素含量随着时间变化时各营养元素含量对应的变化曲线的斜率；
20.根据各营养元素含量随着时间变化时各营养元素含量对应的变化曲线的斜率，计算得到所述时间窗口的长度。
21.优选的，根据时间窗口的长度和各营养元素含量对应的变化曲线的周期长度，得到卷积层跨度，包括：
22.将各营养元素含量对应的变化曲线的周期长度的最大值记为目标周期长度；
23.根据目标周期长度和时间窗口长度，计算得到卷积层跨度。
24.优选的，计算卷积层跨度的公式为：
[0025][0026]
其中，k为卷积层跨度，k0为卷积层跨度初始值，α为跨度调整系数，为向下取整；
[0027]
所述跨度调整系数为目标周期长度与时间窗口的长度之比。
[0028]
优选的，训练营养液信息对网络的损失函数为：
[0029][0030]
其中loss为营养液自维护网络的损失函数的值，w为环境特征向量的差异度，n为数据向量序列的长度，为第i个时刻各营养元素含量的真实值，yi为营养液自维护网络输出的对第i个时刻各营养元素含量的预测值。
[0031]
优选的，计算环境特征向量的差异度的公式为：
[0032][0033]
其中，m为目标周期总数，hj为第j个目标周期对应的环境特征向量，h
j-1
第j-1个目标周期对应的环境特征向量，‖‖2为l2距离。
[0034]
优选的，将营养液当前时刻的营养液信息和环境信息输入到训练好的营养液自维
护网络中，预测未来时刻各营养元素的含量，利用未来时刻各营养元素的含量对营养液进行调控，包括：
[0035]
获取营养液在当前时刻的营养液信息和环境信息；
[0036]
将营养液当前时刻的营养液信息和环境信息输入到训练好的营养液自维护网络中，得到未来时刻的各营养元素的含量；
[0037]
根据未来时刻的各营养元素的含量与当前时刻的各营养元素的含量，计算各营养元素含量的变化量；
[0038]
若各营养元素含量的变化量大于对应的变化量阈值，则对对应的营养元素含量进行的调控。
[0039]
本发明实施例具有如下有益效果：
[0040]
本发明利用营养液在历史时间段内各时刻下的营养液信息和环境信息，来构建营养液自维护网络，所述营养液自维护网络用于对营养液未来时刻的营养元素的含量进行预测，并根据营养液在历史时间段内各时刻下的营养液信息对营养液自维护网络进行训练，得到训练好的营养液自维护网络；本发明利用训练好的营养液自维护网络，对未来时刻各营养元素含量进行预测，进而对营养液的调控维护，实现了对营养液自动化和智能化的自维护，无需对营养液中的各元素含量进行实时监测，大大提高了对营养液中各营养元素调控的精度。
附图说明
[0041]
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0042]
图1为本发明一个实施例所提供的一种蔬菜营养液自维护方法的流程图。
具体实施方式
[0043]
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的一种蔬菜营养液自维护方法及系统进行详细说明如下。
[0044]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
[0045]
下面结合附图具体的说明本发明所提供的一种蔬菜营养液自维护方法及系统的具体方案。
[0046]
一种蔬菜营养液自维护方法实施例：
[0047]
如图1所示，本实施例的一种蔬菜营养液自维护方法包括以下步骤：
[0048]
步骤s1，获取营养液在历史时间段内各时刻下的营养液信息和环境信息；所述营养液信息包括ph值、k

含量、ca
2
含量、含量和ec值，将k

、ca
2
和记为营养元素，所述环境信息包括光照强度、温度和湿度。
[0049]
本实施例所针对的场景为蔬菜无土培养场景，且其培养环境中有对应的数据采集
装置，所述数据采集装置可以通过传感器获取无土培养基中的营养液信息，即营养液中的营养液信息，并获取蔬菜培养的环境信息；所述营养液信息包括ph值、k

含量、ca
2
含量、含量和ec值(用于测量溶液中可溶性盐浓度)，所述环境信息包括：光照强度、温度和湿度，本实施例将k

、ca
2
和记为营养液的营养元素。本实施例以无土栽培的番茄的场景为例进行说明。
[0050]
本实施例利用数据采集装置采集无土培养基在历史时间段内各采集时刻下的营养液信息和环境信息，本实施例中历史时间段为3个月，采集时间间隔为1小时，具体可根据实际需要进行设置；本实施例根据营养液信息在历史时间段内各时刻下的营养液信息，对ph值、k

含量、ca
2
含量、含量和ec值进行曲线拟合，得到营养液信息中各信息对应的变化曲线，本实施例可以通过拟合曲线对数据缺失值进行处理，进而获取营养液信息中各数据与时间的变化关系。
[0051]
本实施例中所采集的营养液数据和环境信息用于对后续构建的营养液自维护网络进行训练。
[0052]
步骤s2，根据培养液在历史时间段内各时刻的营养液信息和环境信息，构建营养液自维护网络，所述营养液自维护网络用于对营养液未来时刻的营养元素的含量进行预测，为多尺度卷积。
[0053]
本实施例根据培养液的营养液信息的信息种类与环境信息的信息种类，构建营养液自维护网络，所述营养液自维护网络的输入为某一时刻下营养液信息和环境信息组成的数据序列，输出为未来时刻下的营养元素含量，即营养液自维护网络用于对营养液未来时刻的营养元素含量进行预测，以实现对营养液的调控。
[0054]
本实施例中营养液自维护网络为encoder-fc结构，该营养液自维护网络的训练数据为历史时间段内不同时刻下的营养液信息和环境信息，本实施例将历史时间段内不同时刻下的营养液信息和环境信息输入到营养液自维护网络来对营养液自维护网络进行训练。接下来本实施例根据营养液信息和环境信息对营养液自维护网络内部结构的设计进行说明：
[0055]
由于一个时刻下的训练数据为多维数据，包括环境信息和营养液信息，并且数据维度之间存在一定的关系，因此为了使网络能够快速提取特征，本实施例在对输入到网络中的数据进行卷积之前要先进行预处理，将同一时刻的多维数据进行整合，并将其进行分割得到该时刻对应的一个数据向量，即一个时刻对应的数据对应一个数据向量，以便于后续对该数据向量进行多尺度卷积，具体为：[[a,b,c],[d,e],[f,g,h]]，其中，a表示营养液的k

含量，b表示营养液的ca
2
含量，c表示营养液的含量(本实施例以该数据向量的分割情况，即营养液的配比构成成分来对营养液自维护网络进行设计)，d表示营养液的ph值，,e表示营养液的ec值，f表示的光照强度，g表示温度，h表示湿度。
[0056]
对数据进行预处理后，本实施例采用多尺度的卷积核对数据向量序列进行同时卷积，进而获取对应的数据特征，所述数据向量序列为在历史时间段内的所有数据向量组成的序列。传统的时序预测网络都是利用相邻时刻和前序时刻的数据对未来时刻的数据进行预测，时间窗口约束小，对于大量数据信息需要堆叠很多卷积层才能获取最终的输出；本实施例设计了自适应的时间窗口的长度l(即卷积核大小)、扩展系数d、多尺度卷积以及卷积
层跨度k，进而来减少卷积层堆叠的数量，减少网络开销。具体的：
[0057]
第一，设计自适应时间窗口长度。
[0058]
本实施例通过对步骤s1获取到的a,b,c对应的变化曲线进行斜率一致性判断，即判断各营养元素含量对应的变化曲线在一段时间内的斜率的正负性是否一致，来确定斜率一致时的时间长度，具体的：
[0059]
获取各营养元素含量随着时间变化时，各营养元素含量对应的变化曲线的斜率ka,kb,kc，其中ka为k

含量对应的斜率，kb为ca
2
含量对应的斜率，kc为含量对应的斜率；若在一段时间内ka,kb,kc》0或ka,kb,kc＜0则认为三个营养元素在这一段时间内具有斜率一致性；本实施例根据三个营养元素对应的变化曲线的斜率一致性来确定每次斜率一致的时间长度，即从任意一次斜率一致开始到斜率一致结束的时间长度。
[0060]
本实施例根据上述方法可以获取到在历史时间段内的多个时间长度，构成对应的时间长度序列[l1,l2,
…
,lm]，其中l1为第1次斜率一致的时间长度，l2为第2次斜率一致的时间长度，lm为第m次斜率一致的时间长度；本实施例利用时间长度序列获取时间长度均值，将所述时间长度均值作为时间窗口长度，即其中，l为时间窗口长度，li为第i次斜率一致的时间长度，m为时间长度序列中时间长度的数量。
[0061]
第二，设计扩展系数。
[0062]
扩展系数的变化只与卷积窗口(即所述时间窗口)的大小有关，卷积窗口越大，卷积窗口中的数据就间隔越大，其数据间隔大小既为扩展系数，本实施例中扩展系数d＝ln，其中d为第n个卷积层的扩展系数。
[0063]
第三，设计卷积层跨度。
[0064]
本实施例分别对a,b,c对应的变化曲线进行周期性判断，获取各营养元素随着时间变化时，各营养元素含量变化曲线的周期长度za,zb,zc，其中za为k

含量对应的变化曲线的周期长度，zb为ca
2
含量对应的变化曲线的周期长度，zc为含量对应的变化曲线的周期长度。本实施例中一个周期长度可以包含着多个时间窗口长度。
[0065]
本实施例根据三个营养元素含量对应变化曲线的周期长度变化情况，来对卷积层之间进行跨层信息传递，本实施例选取三个营养元素含量对应的变化曲线的周期长度的最大值max(za,zb,zc)，记为目标周期长度,对应的周期为目标周期，然后根据上述得到的目标周期长度与时间窗口长度之比作为跨度调整系数，即本实施例中跨度调整系数用于对卷积层的跨层信息传递的跨度进行控制。本实施例中目标周期长度越长，目标周期内包含的时间窗口越多，即数据变化的越多，则卷积层之间的跨度应该越小，才能更好的学习目标周期内营养元素含量的变化规律；目标周期长度越短，目标周期内包含的时间窗口越少，则卷积层之间的跨度应该越大，更好的学习周期间营养液元素的变化规律。本实施例中获取卷积层跨度的计算公式为：
[0066][0067]
其中，k为卷积层跨度，k0为卷积层跨度初始值，α为跨度调整系数，表示向下取整，本实施例中k0＝5，具体可根据实际需要进行调整。
[0068]
第四，设计多尺度卷积核以及卷积过程。
[0069]
本实施例考虑到对营养液中的各营养元素含量的预测除了与时间序列相关，还与所处的环境信息、ph值和ec值有关。
[0070]
本实施例采用多尺度卷积核对输入数据向量序列进行同时卷积，以提取对应的特征，本实施中在同一卷积层中设置了两种尺度的卷积核来对数据向量序列进行卷积，这两种尺度的卷积核大小分别为：[1,3]和[1,2]，即1行3列和1行2列。
[0071]
本实施例根据数据向量的构成成分设计了三个卷积核，分别记为第一卷积核、第二卷积核和第三卷积核，这三个卷积核的尺度分别为[1,3]、[1,2]、[1,3]；本实施例利用这三个不同的卷积核来对数据向量序列进行同时卷积，卷积的过程为：三个卷积核时间窗口内进行滑动，对不同的数据进行卷积，第一卷积核获取时间窗口内的三个营养元素的特征，第二卷积核获取时间窗口内的ph值和ec值的特征，第三卷积核获取时间窗口内的环境信息的特征，但是第三卷积核的滑动步长与第一卷积核和第二卷积的不同，第三卷积核不进行权重参数更新，即在一个目标周期中第三卷积核获取的特征保持不变，只有滑动到下一个目标周期时才会变动。
[0072]
当卷积核滑动的时间窗口长度大于等于目标周期长度时，第三卷积核开始对上一个目标周期内的第一个时间窗口内的环境信息进行卷积，得到对应目标周期对应的环境特征向量，然后将第三卷积核获取的特征的稳定在下一个目标周期长度下的时间窗口的滑动过程中，持续此过程，直到第一层卷积结束。然后，利用卷积层跨度进行下一层卷积，不断迭代，随着迭代次数的增加，卷积核的感受野不断扩大，越深层的卷积可能包含有越多个目标周期长度，此时第三卷积核进行周期间的滑动卷积，周期内的数据视为空洞，直到数据特征卷积完成。本实施例中卷积核对数据卷积过程为现有技术，在此就不再赘述。
[0073]
作为其他实施方式，若营养液的营养元素有四种，例如k

、ca
2
、而其他数据不变的情况下，在同一卷积层中设置三种尺度的卷积核来对数据向量序列进行卷积，这三种尺度的卷积核大小分别为：[1,4]、[1,3]和[1,2]，则设计的卷积核为：第一卷积核的尺度为[1,4]，用于对营养元素数据进行卷积；第二卷积核的尺度为[1,2]，用于对ph值和ec值进行卷积；第三卷积核的尺度为[1,3]，用于对环境信息进行卷积；即本实施例中卷积核的尺度与卷积核的数量样应根据实际需要进行设计。
[0074]
本实施例根据营养液数据的特性设计多尺度卷积核的卷积方式，能够根据不同的周期长度对周期间的环境参数变化特征进行获取，也能够在环境参数特征参数不变的情况下，获取周期内的营养液元素变化特征，从而使预测结果更加准确。
[0075]
步骤s3，根据营养液在历史时间段内各时刻的营养液信息对营养液自维护网络进行训练，得到训练好的营养液自维护网络。
[0076]
本实施例中步骤s2根据营养液在历史时间内各营养元素含量的变化曲线对营养液自维护网络进行了设计，进一步的，本实施例利用营养液在历史时间段内不同时刻下的营养液信息和环境信息对营养液自维护网络进行训练，具体的，首先将营养液在历史时间段内不同时刻下的营养液信息和环境信息输入到营养液自维护网络中；然后网络将营养液在历史时间段内同一时刻下的营养液信息和环境信息进行整合，得到不同时刻下的数据向量；最后利用第一卷积核、第二卷积核和第三卷积核对数据向量序列进行同时卷积；网络训练过程中网络的参数会随着网络输入数据的变化而动态变化，直到网络收敛得到训练好的
营养液自维护网络。
[0077]
本实施例中训练营养液自维护网络的损失函数的公式为：
[0078][0079]
其中loss为营养液自维护网络的损失函数的值，w为环境特征向量的差异度，n为数据向量序列的长度，即历史时间端内的时间序列长度，共n个时刻，为第i个时刻各营养元素含量的真实值，yi为营养液自维护网络输出的对第i个时刻各营养元素含量的预测值。
[0080]
所述环境特征向量的差异度用于反映目标周期间的环境变化，环境特征向量的差异度越大，说明环境变化较大，则可能预测的结果会存在一定的变化。本实施例中计算环境特征向量的差异度的公式为：
[0081][0082]
其中，m为目标周期总数，hj为第j个目标周期对应的环境特征向量，h
j-1
第j-1个目标周期对应的环境特征向量，‖‖2为l2距离。
[0083]
步骤s4，将营养液当前时刻的营养液信息和环境信息输入到训练好的营养液自维护网络中，预测未来时刻各营养元素的含量，利用未来时刻各营养元素的含量对营养液进行调控。
[0084]
接下来，本实施例通过训练好的营养液自维护网络对营养液的各营养元素含量进行预测，并根据预测值对营养液进行调节。具体的：
[0085]
获取营养液在当前时刻的营养液信息和环境信息，然后将营养液当前时刻的营养液信息和环境信息输入到训练好的营养液自维护网络中，得到未来时刻的各营养元素的含量，即未来时刻下的k

含量，ca
2
含量以及含量。然后根据未来时刻的各营养元素的含量与当前时刻的各营养元素的含量，计算各营养元素含量的变化量，即计算营养元素在当前时刻的含量与未来时刻的含量的差值。
[0086]
本实施例对各营养元素设定对应的变化量阈值，当预测到各营养元素含量的变化量大于对应的变化量阈值时，则对对应的营养元素含量进行的调控，以实现营养液的自维护，无需对营养液中的各元素含量进行实时监测，也节省了大量的人力物力。本实施例中所述阈值需根据实际需要进行设置。
[0087]
本实施例利用营养液在历史时间段内各时刻下的营养液信息和环境信息，来构建营养液自维护网络，所述营养液自维护网络用于对营养液未来时刻的营养元素的含量进行预测，并根据营养液在历史时间段内各时刻下的营养液信息对营养液自维护网络进行训练，得到训练好的营养液自维护网络；本实施例利用训练好的营养液自维护网络，对未来时刻各营养元素含量进行预测，进而对营养液的调控维护，实现了对营养液自动化和智能化的自维护，无需对营养液中的各元素含量进行实时监测，同时也考虑了外界环境对营养液中的各元素含量的影响，大大提高了对营养液中各营养元素调控的精度。
[0088]
一种蔬菜营养液自维护系统实施例
[0089]
本实施例一种蔬菜营养液自维护系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现上述所述的一种蔬菜营养液自维护方法。
[0090]
由于一种蔬菜营养液自维护方法已经在一种蔬菜营养液自维护方法实施例中进行了说明，所以本实施例不再对一种蔬菜营养液自维护方法进行赘述。
[0091]
需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种蔬菜营养液自维护方法，其特征在于，该方法包括以下步骤：获取营养液在历史时间段内各时刻的营养液信息和环境信息；所述营养液信息包括ph值、k

含量、ca
2
含量、含量和ec值，将k

、ca
2
和记为营养元素，所述环境信息包括光照强度、温度和湿度；根据培养液在历史时间段内各时刻的营养液信息和环境信息，构建营养液自维护网络，所述营养液自维护网络用于对营养液未来时刻的营养元素的含量进行预测，为多尺度卷积；根据营养液在历史时间段内各时刻的营养液信息对营养液自维护网络进行训练，得到训练好的营养液自维护网络；将营养液当前时刻的营养液信息和环境信息输入到训练好的营养液自维护网络中，预测未来时刻的各营养元素的含量，利用未来时刻的各营养元素的含量对营养液进行调控。2.根据权利要求1所述的一种蔬菜营养液自维护方法，其特征在于，构建营养液自维护网络的过程，包括：根据培养液在历史时间段内各时刻的各营养元素含量，对各营养元素含量进行曲线拟合，得到各营养元素含量对应的变化曲线，所述变化曲线用于反映对应的营养元素含量随时间的变化关系；将同一时刻的营养液信息和环境信息进行整合并分割，得到对应的数据向量；根据各营养元素含量对应的变化曲线，得到所述营养液自维护网络的时间窗口的长度和各营养元素含量对应的变化曲线的周期长度；根据时间窗口长度计算各卷积层对应的扩展系数；根据时间窗口的长度和各营养元素含量对应的变化曲线的周期长度，得到卷积层跨度；根据数据向量的分割情况，设计多尺度卷积核，所述多尺度卷积核包括第一卷积核，第二卷积核，第三卷积核；所述多尺度卷积核用于对数据向量序列进行同时卷积，所述数据向量序列由不同时刻对应的数据向量构成；根据时间窗口的长度、多尺度卷积核、扩展系数和卷积层跨度构建营养液自维护网络。3.根据权利要求2所述的一种蔬菜营养液自维护方法，其特征在于，根据各营养元素含量对应的变化曲线，得到所述营养液自维护网络的时间窗口的长度，包括：根据各营养元素含量对应的变化曲线，获取各营养元素含量随着时间变化时各营养元素含量对应的变化曲线的斜率；根据各营养元素含量随着时间变化时各营养元素含量对应的变化曲线的斜率，计算得到所述时间窗口的长度。4.根据权利要求2所述的一种蔬菜营养液自维护方法，其特征在于，根据时间窗口的长度和各营养元素含量对应的变化曲线的周期长度，得到卷积层跨度，包括：将各营养元素含量对应的变化曲线的周期长度的最大值记为目标周期长度；根据目标周期长度和时间窗口长度，计算得到卷积层跨度。5.根据权利要求4所述的一种蔬菜营养液自维护方法，其特征在于，计算卷积层跨度的公式为：
其中，k为卷积层跨度，k0为卷积层跨度初始值，α为跨度调整系数，为向下取整；所述跨度调整系数为目标周期长度与时间窗口的长度之比。6.根据权利要求1所述的一种蔬菜营养液自维护方法，其特征在于，训练营养液信息对网络的损失函数为：其中loss为营养液自维护网络的损失函数的值，w为环境特征向量的差异度，n为数据向量序列的长度，为第i个时刻各营养元素含量的真实值，y
i
为营养液自维护网络输出的对第i个时刻各营养元素含量的预测值。7.根据权利要求6所述的一种蔬菜营养液自维护方法，其特征在于，计算环境特征向量的差异度的公式为：其中，m为目标周期总数，h
j
为第j个目标周期对应的环境特征向量，h
j-1
第j-1个目标周期对应的环境特征向量，‖‖2为l2距离。8.根据权利要求1所述的一种蔬菜营养液自维护方法，其特征在于，将营养液当前时刻的营养液信息和环境信息输入到训练好的营养液自维护网络中，预测未来时刻各营养元素的含量，利用未来时刻各营养元素的含量对营养液进行调控，包括：获取营养液在当前时刻的营养液信息和环境信息；将营养液当前时刻的营养液信息和环境信息输入到训练好的营养液自维护网络中，得到未来时刻的各营养元素的含量；根据未来时刻的各营养元素的含量与当前时刻的各营养元素的含量，计算各营养元素含量的变化量；若各营养元素含量的变化量大于对应的变化量阈值，则对对应的营养元素含量进行的调控。9.一种蔬菜营养液自维护系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-8任一项所述的一种蔬菜营养液自维护方法。

技术总结
本发明涉及营养液自维护技术领域，具体涉及一种蔬菜营养液自维护方法及系统。方法包括：获取营养液在历史时间段内各时刻下的营养液信息和环境信息；根据培养液在历史时间段内各时刻的营养液信息和环境信息，构建营养液自维护网络；根据营养液在历史时间段内各时刻的营养液信息对营养液自维护网络进行训练，得到训练好的营养液自维护网络；将营养液当前时刻的营养液信息和环境信息输入到训练好的营养液自维护网络中，预测未来时刻各营养元素的含量，利用未来时刻各营养元素的含量对营养液进行调控。本发明实现了对营养液自动化和智能化的自维护,提高了对营养液中各营养元素调控的精度。精度。精度。


技术研发人员：梁占峰 任建胜
受保护的技术使用者：郑州麦佳农业科技有限公司
技术研发日：2022.02.16
技术公布日：2022/5/25