1.一种应用于农业大数据管理系统的异常报警方法，其特征在于，应用于云服务器，所述方法包括：获取对第一待学习农业设备生产数据进行拆分生成的目标生产数据片段序列，所述目标生产数据片段序列包括多个目标生产数据片段；

获取所述目标生产数据片段分别对应的第一估计置信度，所述第一估计置信度是将所述目标生产数据片段分别加载至第一农业生产异常估计网络，生成的所述目标生产数据片段包括异常状态节点的估计置信度，所述第一农业生产异常估计网络是依据所述第一待学习农业设备生产数据进行特征学习获得的；

获取所述目标生产数据片段分别对应的第二估计置信度，所述第二估计置信度是将所述目标生产数据片段分别加载至第二农业生产异常估计网络，生成的所述目标生产数据片段包括异常状态节点的估计置信度，所述第二农业生产异常估计网络是基于第二待学习农业设备生产数据对所述第一农业生产异常估计网络进行特征学习获得的；

基于所述第一估计置信度以及所述第二估计置信度得到估计置信度浮动信息，基于所述估计置信度浮动信息从所述目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段；

基于所述标的生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络，所述目标农业生产异常估计网络用于对农业大数据管理系统所指定的目标生产数据进行农业生产异常估计并报警；

所述获取对第一待学习农业设备生产数据进行拆分生成的目标生产数据片段序列之前，还包括：获取待学习农业设备生产数据序列，基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据，所述待学习农业设备生产数据序列包括多个待学习农业设备生产数据；

所述基于所述标的生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络包括：基于所述标的生产数据片段对所述第二农业生产异常估计网络进行神经网络特征学习，生成第一待学习农业设备生产数据对应的神经网络特征学习后的第一农业生产异常估计网络；

返回所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据的步骤，直至神经网络特征学习后的第一农业生产异常估计网络收敛，生成目标农业生产异常估计网络；

所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据包括：将所述待学习农业设备生产数据序列划分为多个待学习数据簇；以待学习数据簇为网络训练单位，从所述待学习农业设备生产数据序列中依次获取当前待学习数据簇，当前待学习数据簇的待学习农业设备生产数据为第一待学习农业设备生产数据，非当前待学习数据簇的待学习农业设备生产数据为第二待学习农业设备生产数据；

所述返回所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据的步骤包括：返回所述以待学习数据簇为网络训练单位，从所述待学习农业设备生产数据序列中依次获取当前待学习数据簇，当前待学习数据簇的待学习农业设备生产数据为第一待学习农业设备生产数据，非当前待学习数据簇的待学习农业设备生产数据为第二待学习农业设备生产数据的步骤；

所述获取所述目标生产数据片段分别对应的第一估计置信度包括：将前一个批次神经网络特征学习时，基于同一待学习数据簇进行特征学习获得的神经网络作为优化的第一农业生产异常估计网络，基于优化的第一农业生产异常估计网络获取所述目标生产数据片段分别对应的第一估计置信度；

所述获取所述目标生产数据片段分别对应的第二估计置信度包括：将当前批次神经网络特征学习时，基于当前待学习数据簇的前向待学习数据簇进行特征学习获得的神经网络作为优化的第二农业生产异常估计网络，基于优化的第二农业生产异常估计网络获取所述目标生产数据片段分别对应的第二估计置信度；

所述方法还包括：获取目标节点预测模型；将所述待学习农业设备生产数据序列中的各个待学习农业设备生产数据对应的目标生产数据片段分别加载至所述目标节点预测模型中，生成各个待学习农业设备生产数据的目标生产数据片段为异常状态节点所在的数据位置的第三估计置信度；

依据所述第三估计置信度从所述目标生产数据片段序列中提取包括异常状态节点的第一候选生产数据片段；

依据所述第一候选生产数据片段进行神经网络特征学习，生成第一轮特征学习获得的农业生产异常估计网络；

所述基于所述估计置信度浮动信息从所述目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段包括：从所述目标生产数据片段序列中提取所述估计置信度浮动信息满足设定浮动特征的目标生产数据片段，作为包括异常状态节点的标的生产数据片段，所述设定浮动特征包括估计置信度排序前N位或者所述估计置信度浮动信息大于设定浮动值中的至少一个，所述估计置信度浮动信息排序基于降序顺序排列；

所述基于所述第一估计置信度以及所述第二估计置信度得到估计置信度浮动信息包括：

将所述第二估计置信度减去或者除以所述第一估计置信度，生成估计置信度浮动信息；

所述方法还包括：获取所述标的生产数据片段与所述目标生产数据片段的交叉值；获取所述交叉值大于第一门限交叉值的目标生产数据片段，作为第三生产数据片段；

所述基于所述标的生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络包括：将所述第三生产数据片段以及所述标的生产数据片段作为正向学习生产数据片段，基于所述正向学习生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络；

所述方法还包括：获取所述标的生产数据片段与所述目标生产数据片段的交叉值；获取所述交叉值小于第二门限交叉值的目标生产数据片段，作为第二候选生产数据片段，所述第二门限交叉值小于等于所述第一门限交叉值；

所述基于所述标的生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络包括：将所述第二候选生产数据片段作为负向学习生产数据片段，将所述标的生产数据片段组作为正向学习生产数据片段；  基于所述正向学习生产数据片段以及所述负向学习生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络；

所述方法还包括：获取农业大数据管理系统所指定的目标生产数据，将所述农业大数据管理系统所指定的目标生产数据拆分成多个第一生产数据片段；

将各个所述第一生产数据片段分别加载至所述目标农业生产异常估计网络中，生成各个所述第一生产数据片段中包括异常状态节点的目标估计置信度；

依据所述目标估计置信度从所述第一生产数据片段中确定包括异常状态节点的生产数据片段，生成异常状态节点在所述农业大数据管理系统所指定的目标生产数据中的数据位置。

2.一种应用于农业大数据管理系统的异常报警系统，其特征在于，所述应用于农业大数据管理系统的异常报警系统包括云服务器以及与所述云服务器通信连接的农业大数据管理系统，所述云服务器具体用于：获取对第一待学习农业设备生产数据进行拆分生成的目标生产数据片段序列，所述目标生产数据片段序列包括多个目标生产数据片段；

获取所述目标生产数据片段分别对应的第一估计置信度，所述第一估计置信度是将所述目标生产数据片段分别加载至第一农业生产异常估计网络，生成的所述目标生产数据片段包括异常状态节点的估计置信度，所述第一农业生产异常估计网络是依据所述第一待学习农业设备生产数据进行特征学习获得的；

获取所述目标生产数据片段分别对应的第二估计置信度，所述第二估计置信度是将所述目标生产数据片段分别加载至第二农业生产异常估计网络，生成的所述目标生产数据片段包括异常状态节点的估计置信度，所述第二农业生产异常估计网络是基于第二待学习农业设备生产数据对所述第一农业生产异常估计网络进行特征学习获得的；

基于所述第一估计置信度以及所述第二估计置信度得到估计置信度浮动信息，基于所述估计置信度浮动信息从所述目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段；

基于所述标的生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络，所述目标农业生产异常估计网络用于对农业大数据管理系统所指定的目标生产数据进行农业生产异常估计并报警；

所述获取对第一待学习农业设备生产数据进行拆分生成的目标生产数据片段序列之前，所述云服务器还用于：获取待学习农业设备生产数据序列，基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据，所述待学习农业设备生产数据序列包括多个待学习农业设备生产数据；

所述基于所述标的生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络包括：基于所述标的生产数据片段对所述第二农业生产异常估计网络进行神经网络特征学习，生成第一待学习农业设备生产数据对应的神经网络特征学习后的第一农业生产异常估计网络；

返回所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据的步骤，直至神经网络特征学习后的第一农业生产异常估计网络收敛，生成目标农业生产异常估计网络；

所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据包括：将所述待学习农业设备生产数据序列划分为多个待学习数据簇；以待学习数据簇为网络训练单位，从所述待学习农业设备生产数据序列中依次获取当前待学习数据簇，当前待学习数据簇的待学习农业设备生产数据为第一待学习农业设备生产数据，非当前待学习数据簇的待学习农业设备生产数据为第二待学习农业设备生产数据；

所述返回所述基于所述待学习农业设备生产数据序列进行划分得到优化的第一待学习农业设备生产数据和优化的第二待学习农业设备生产数据，包括：返回所述以待学习数据簇为网络训练单位，从所述待学习农业设备生产数据序列中依次获取当前待学习数据簇，当前待学习数据簇的待学习农业设备生产数据为第一待学习农业设备生产数据，非当前待学习数据簇的待学习农业设备生产数据为第二待学习农业设备生产数据的步骤；

所述获取所述目标生产数据片段分别对应的第一估计置信度包括：将前一个批次神经网络特征学习时，基于同一待学习数据簇进行特征学习获得的神经网络作为优化的第一农业生产异常估计网络，基于优化的第一农业生产异常估计网络获取所述目标生产数据片段分别对应的第一估计置信度；

所述获取所述目标生产数据片段分别对应的第二估计置信度包括：将当前批次神经网络特征学习时，基于当前待学习数据簇的前向待学习数据簇进行特征学习获得的神经网络作为优化的第二农业生产异常估计网络，基于优化的第二农业生产异常估计网络获取所述目标生产数据片段分别对应的第二估计置信度；

所述云服务器还用于：获取目标节点预测模型；将所述待学习农业设备生产数据序列中的各个待学习农业设备生产数据对应的目标生产数据片段分别加载至所述目标节点预测模型中，生成各个待学习农业设备生产数据的目标生产数据片段为异常状态节点所在的数据位置的第三估计置信度；

依据所述第三估计置信度从所述目标生产数据片段序列中提取包括异常状态节点的第一候选生产数据片段；

依据所述第一候选生产数据片段进行神经网络特征学习，生成第一轮特征学习获得的农业生产异常估计网络；

所述基于所述估计置信度浮动信息从所述目标生产数据片段序列中提取包括异常状态节点的标的生产数据片段包括：从所述目标生产数据片段序列中提取所述估计置信度浮动信息满足设定浮动特征的目标生产数据片段，作为包括异常状态节点的标的生产数据片段，所述设定浮动特征包括估计置信度排序前N位或者所述估计置信度浮动信息大于设定浮动值中的至少一个，所述估计置信度浮动信息排序基于降序顺序排列；

所述基于所述第一估计置信度以及所述第二估计置信度得到估计置信度浮动信息包括：

将所述第二估计置信度减去或者除以所述第一估计置信度，生成估计置信度浮动信息；

所述云服务器还用于：获取所述标的生产数据片段与所述目标生产数据片段的交叉值；获取所述交叉值大于第一门限交叉值的目标生产数据片段，作为第三生产数据片段；

所述基于所述标的生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络包括：将所述第三生产数据片段以及所述标的生产数据片段作为正向学习生产数据片段，基于所述正向学习生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络；

所述云服务器还用于：获取所述标的生产数据片段与所述目标生产数据片段的交叉值；获取所述交叉值小于第二门限交叉值的目标生产数据片段，作为第二候选生产数据片段，所述第二门限交叉值小于等于所述第一门限交叉值；

所述基于所述标的生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络包括：将所述第二候选生产数据片段作为负向学习生产数据片段，将所述标的生产数据片段组作为正向学习生产数据片段；  基于所述正向学习生产数据片段以及所述负向学习生产数据片段进行神经网络特征学习，生成目标农业生产异常估计网络；

所述云服务器还用于：获取农业大数据管理系统所指定的目标生产数据，将所述农业大数据管理系统所指定的目标生产数据拆分成多个第一生产数据片段；

将各个所述第一生产数据片段分别加载至所述目标农业生产异常估计网络中，生成各个所述第一生产数据片段中包括异常状态节点的目标估计置信度；

依据所述目标估计置信度从所述第一生产数据片段中确定包括异常状态节点的生产数据片段，生成异常状态节点在所述农业大数据管理系统所指定的目标生产数据中的数据位置。

3.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有机器可执行指令，所述机器可执行指令被计算机执行时实现权利要求1所述的应用于农业大数据管理系统的异常报警方法。

4.一种云服务器，其特征在于，所述云服务器包括处理器及计算机可读存储介质，所述计算机可读存储介质中存储有机器可执行指令，所述机器可执行指令被计算机执行时实现权利要求1所述的应用于农业大数据管理系统的异常报警方法。