CN119416069A 用于预测农产品种植类型的预测模型训练方法和预测方法 （中国科学院生态环境研究中心）

用于预测农产品种植类型的预测模型训练本发明提供了一种用于预测农产品种植类农产品和常规种植农产品的高分辨率质谱数据样本以及与高分辨率质谱数据样本对应的分类标签；对每条高分辨率质谱数据样本进行预处2获取有机种植农产品和常规种植农产品的高分辨率质谱数据样本以及与所述高分辨对每条所述高分辨率质谱数据样本进行预处理，得到标准化质谱数据基于M个所述箱盒样本各自对应的总离子丰度，得到与所述标准化质谱数据样本所对针对每组超参数组合，利用初始预测模型分别处理N个所述划分结针对多组超参数组合，在多个所述平均曲线下面积中，与表征最3.根据权利要求2所述的方法，其特征在针对每个划分结果，基于所述划分结果中的训练集对初始预测基于所述分类预测概率值集合和所述验证集对应的分类标签，确将所述分类预测概率值集合中的多个分类预测概率值从大到针对每个分类预测概率值，基于所述分类标签和所述分类根据所述排序结果和多个所述分类预测概率值各自对应的真阳性3根据所述目标分类预测概率值集合和所述目标验证集对应的分类从所述目标受试者操作特性曲线中确定目标点，将与所述目标点对对所述高分辨率质谱数据进行预处理，得到标准化质谱数据，并基于M个所述箱盒各自对应的总离子丰度，得到与所述标准化质谱数据所对应的质谱将所述农产品种植类型的分类值与农产品分类判定阈值进行比较，得在所述农产品种植类型的分类值大于或等于所述农产品在所述农产品种植类型分类值小于所述农产品分类判定阈值的9.一种用于预测农产品种植类型的预测模型训第一获取模块，用于获取有机种植农产品和常规种植农箱盒划分模块，用于对每条所述高分辨率质谱数据样本进4最优超参数组合得到模块，用于利用数据集在初始预测模型上验证多组超参数组合，输出模块，用于将所述质谱特征向量输入到目标预测模型中，输分类结果得到模块，用于将所述农产品种植类型的分类5[0003]鉴于上述问题，本发明提供了一种用于预测农产品种植类型的预测模型训练方[0006]本发明的第三方面提供了一种用于预测农产品种植类型6率质谱数据进行预处理，得到标准化质谱数据，并将标准化质谱数据划分为M个等长的箱[0010]图1示出了根据本发明实施例的用于预测农产品种植类型的预测模型的训练方[0011]图2示出了根据本发明实施例的用于预测农产品种植类型的预测模型的训练方法[0014]图5示出了根据本发明实施例的用于预测农产品种植类型的预测模型的训练装置[0015]图6示出了根据本发明实施例的用于预测农产品种植类型的预测装置的结构框[0016]图7示出了根据本发明实施例的适于实现用于预测农产品种植类型的预测模型的7业种植模式下肥料使用和农业实践管理上均有差异，反映到成分上则体现在常量营养素、[0022]基于高分辨率质谱的非靶标分析方法由于其高灵敏度、可以全面地获得样本中所有组分化合物的质谱特征，近年来已成为鉴别有机农产品真伪的质谱技术对于样本中所有可检测物质进行全面的筛查和鉴定。对复杂样本的非靶标分析通常可以获得数千个分子特征的质荷比和相对丰度信息，这使得对非靶标质谱数据的数据处非靶标质谱数据的分析主要是采用统计分析，尤其是多元分析的方法对样品间的差异进行分析，从而挖掘出潜在的生物标志物，以便于下一步鉴定。例如，有研究使用主成分分析8主要采用的统计分析方法，使得对非靶标质谱数据的分析未能充分挖掘其丰富的结构信[0024]有鉴于此，本发明提供了一种用于预测农产品种植类型[0025]获取有机种植农产品和常规种植农产品的高分辨率质谱数据样本以及与高分辨[0027]图1示出了根据本发明实施例的用于预测农产品种植类型的预测模型的训练方[0029]用户可以使用第一终端设备101、第二终端设备102、第三终端设备103通过网络9产品种植类型的预测模型训练装置和用于预测农产品种植类型的预测装置一般可以设置于服务器105中。本发明实施例所提供的用于预测农产品种植类型的预测模型的训练方法供的用于预测农产品种植类型的预测模型训练装置和用于预测农产品种植类型的也可以和/或服务器105通信的服务器或服务器[0034]以下将基于图1描述的场景，通过图2至图4对公开实施例的用于预测农产品种植[0035]图2示出了根据本发明实施例的用于预测农产品种植类型的预测模型的训练方法[0036]如图2所示，该实施例的用于预测农产品种植类型的预测模型的训练方法包括操数据样本划分为M个等长的箱盒样本。可以将同一箱盒样本中所有碎片峰的离子丰度相加谱数据样本在该m/z峰上的碎片离子丰度，丰度为0则表示高分辨率质谱样本在该m/z上没每个质谱样本特征向量对应的农产品样本有机组或常规组二分类标签构成标签向量T，标有机种植。最终的1600×1000的特征矩阵和1600维的标签向量T共同构成用于机器学习建将得到最优超参数组合时训练的模型确定为目310，针对每条标准化质谱数据样本，将标准化质谱数据样本划分为M个等长的箱盒样本基于M个箱盒样本各自对应的总离子丰度，得到与标准化质谱数据样本所对应的质谱样本[0055]可选的，可以利用网格搜索算法处理预设收缩步长范围和预设弱分类器数量范同一个样本的重复扫描数据被同时被划入训练集、验证集和测试集而导致测试结果异常。大平均曲线下面积对应的超参数组合确定为称ROC曲线）是一种用于评估分类模型性能的统计工具。ROC曲线是通过不同阈值的分类器输出来绘制的曲线，其横轴是假正例率（FalsePositiveRate，FPR纵轴是真正例率（TruePositiveRate，TPR）。TPR也被称为召回率（Recall而FPR是1减去真正例率率值集合和验证集对应的分类标签，可以确定受试者操作特性曲线。曲线下面积（Area[0062]可选的，可以将分类预测概率值集合中的多个分类预测概率值从大到小进行排[0086]可选的，在农产品种植类型的分类值大于或等于农产品植类型的分类值，若农产品种植类型的分类值大于或等于0.5，则认为该样本为有机农产[0088]图5示出了根据本发明实施例的用于预测农产品种植类型的预测模型的训练装置[0089]如图5所示，该实施例的用于预测农产品种植类型的预测模型的训练装置500包[0090]第一获取模块510，用于获取有机种植农产品和常规种植农产品的高分辨率质谱[0092]质谱样本特征向量得到模块530，用于基于M个箱盒样本[0093]最优超参数组合得到模块540，用于利用数据集在初始预测模型上验证多组超参[0095]可选的，通过获取有机种植农产品和常规种植农产品的[0104]分类预测概率值集合输出单元，用于将划分结果中的验证集输入至训练后的模[0116]对齐质谱数据样本得到子模块，用于对高分辨率质谱数[0118]标准化质谱数据样本得到子模块，用于对归一化质谱数[0120]图6示出了根据本发明实施例的用于预测农产品种植类型的预测装置的结构框[0126]分类结果得到模块650，用于将农产品种植类型的分类值与农产品分类判定阈值固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者第一获取模块块630、输出模块640和分类结果得到模块650中的至少一个可以至少被部分地实现为计算[0131]图7示出了根据本发明实施例的适于实现用于预测农产品种植类型的预测模型的例的方法流程的不同动作的单一处理单元或702以及RAM703通过总线704彼此相连。处理器701通过执行ROM702和/或RAM703中的程ROM702和RAM703以外的一个或多个存储器中。处理器701也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法705也连接至总线704。电子设备700还可以包括连接至I/O接口705的以下部件中的一项或ROM702和RAM703以外的一包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本发明实施例所提供的用于预测农产品种植类型的预[0138]在该计算机程序被处理器701执行时执行本发明实施例的系统/装置中限定的上和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，