支持向量机的正定核

探讨并论证了支持向量机中Mercer核,再生核与正定核这几种核函数的关系及它们在支持向量机中各自的角色.通过核矩阵的正定性检验了核函数的构造方法.基于Bochner定理,在Fourier域验证了许多平移不变核函数.基于Schoenberg定理验证了一些旋转不变径向核.最后讨论了离散尺度与小波核函数的构造,核函数选择与核参数学习.     

基于机器学习的农作物产量预测研究综述

人口的持续增长对农业系统的压力越来越大,产量预测能够为农作物的合理规划与种植提供指导.随着数据科学与计算机软硬件的发展,机器学习凭借其对复杂性、非线性问题的处理能力,在数据分析、农业病虫害识别、模式识别中表现良好,被逐渐应用于农作物产量预测中.该文以当前农作物产量预测为背景,概述了机器学习的主要算法,在归纳国内外研究进展的基础上,综合分析当前基于机器学习的农作物产量预测方法,并讨论了不同方法特点和精度.     

基于机器学习算法的烤烟香型分类研究

为了探索烤烟香型判别分析的方法,采集了我国典型香型的烤烟样本,运用机器学习的方法对训练集和测试集的样本进行了模型拟合,结果表明:对于清香型、浓香型、中间香型拟合最好的机器学习算法为神经网络模型,就香型而言,该模型对于清香型、浓香型评价相对较好,中间香型整体判定效果较低;就数据集而言,在数据准备中分部位进行香型判别较为合理。在具体香型分析判别中,可首选神经网络机器学习算法,为烟草质量评价和卷烟产品研发等提供技术依据。     

基于机器学习算法的烤烟香型分类研究

为了探索烤烟香型判别分析的方法,采集了我国典型香型的烤烟样本,运用机器学习的方法对训练集和测试集的样本进行了模型拟合,结果表明:对于清香型、浓香型、中间香型拟合最好的机器学习算法为神经网络模型,就香型而言,该模型对于清香型、浓香型评价相对较好,中间香型整体判定效果较低;就数据集而言,在数据准备中分部位进行香型判别较为合理。在具体香型分析判别中,可首选神经网络机器学习算法,为烟草质量评价和卷烟产品研发等提供技术依据。     

机器学习及其在农业中应用研究的展望

机器学习是一种面向机器的数据分析方法,自动化机器学习的研究促进了人工智能的发展。大数据的快速积累,促进了机器学习算法的井喷式发展。如何选择合适的机器学习算法解决行业问题,成为了当前应用的难点。笔者整理了机器学习新材料,对各种机器算法的特点和算法之间的差异,进行了仔细的梳理,总结了各种算法的需求背景和优缺点,以及主要的应用场合。在此基础上,分析了机器学习在农业应用的案例,综述了机器学习在农业应用,指出了目前存在的发展瓶颈,并提出了进一步研究应用的建议。     

基于支持向量机的EO-1 Hyperion遥感图像分类研究

以EO-1 Hyperion高光谱遥感数据为基础,对其进行大气校正、几何校正、滤波等处理,采用支持向量机分类方法对其进行分类,选择不同的核函数,主要有线性核、多项式核、径向基核、Sigmoid核,其余采用相同参数设置,进而比较不同核函数在EO-1 Hyperion数据分类中的效果。结果表明,采用支持向量机方法对研究区域的EO-1 Hyperion遥感数据进行分类,采用不同的核函数对分类结果影响不大。     

核密度估计在构造树高曲线中的应用

以建立云南思茅松林树高曲线模型为例,在分析最小二乘估计( LS 估计)存在缺陷的基础上,采用非参数核密度估计建立树高曲线模型.结果表明:适当选取核函数和窗宽后,核密度估计优于LS估计;核密度估计不仅可用于建模,还可用于数据检验;用核估计方法拟合模型,要求原始数据为大样本,否则模型波动较大.     

机器学习在动物基因组选择中的研究进展

基因组选择是指利用覆盖在全基因组范围内的分子标记信息来估计个体育种值。利用基因组信息能够避免因系谱错误带来的诸多问题，提高选择准确性并缩短育种世代间隔。根据统计模型的不同，基因组选择方法可大致分为基于BLUP(best linear unbiased prediction, BLUP)理论的方法、基于贝叶斯理论的方法和其他方法。目前应用较多的是GBLUP及其改进方法 ssGBLUP。准确性是基因组选择模型最常用的评价指标，用来衡量真实值和估计值之间的相似程度。影响准确性的因素可以从模型中体现，大致分为可控因素和不可控因素。传统基因组选择方法促进了动物育种的快速发展，但这些方法目前都面临着多群体、多组学和计算等诸多挑战，不能捕获基因组高维数据间的非线性关系。作为人工智能的一个分支，机器学习是最贴近生物掌握自然语言处理能力的一种方式。机器学习从数据中提取特征并自动总结规律，利用该规律与新数据进行预测。对于基因组信息，机器学习无需进行分布假设，且所有的标记信息都能够被考虑进模型当中。相比于传统的基因组选择方法，机器学习更容易捕获基因型之间、表型与环境之间的复杂关系。因此，机器学习在动物基因组...     

中药指纹图谱数据分析方法研究进展

系统阐述了中药指纹图谱数据分析处理方法(包括指纹图谱数据前期处理方法、相似度评价方法以及机器学习方法)在指纹图谱数据处理中的应用,以期为中药指纹图谱数据分析提供参考。     

多维函数逼近的核方法

n维空间中连续函数逼近问题的数值方法,一直是计算科学中研究的热点。本文考虑利用一种新兴的逼近方法棗核方法,以解决NR中连续函数的逼近问题。在给出核方法解决函数逼近问题的详细数学表示之后,我们通过具体的实例说明了核方法在函数逼近问题中的有效性与优越性。     

机器学习在土壤无机碳高光谱反演模型中的应用进展

土壤无机碳库作为陆地生态系统中第二大碳库,在吸收大气中CO2以维持陆地生态系统碳循环稳定方面发挥着重要作用.高光谱数据具有维度大、强冗余性等特点,不利于土壤无机碳快速反演建模,而使用机器学习方法可实现对土壤无机碳的快速、高效测定.该文综述了利用机器学习方法对土壤无机碳高光谱反演建模的研究现状,以期为土壤无机碳在全球碳循环中的研究提供参考.     

机器学习算法在森林生长收获预估中的应用

森林生长收获预估是森林经理学的一个重要方向,采用模型技术进行森林生长收获估计是森林经营决策的重要前提。传统的统计模型如线性及非线性回归模型、混合效应模型、分位数回归、度量误差模型等统计方法已被广泛应用于研究林木生长,但这些统计方法在应用时常常需满足一定的统计假设前提,诸如数据独立、正态分布和等方差等。由于森林生长数据的连续观测和层次性,上述假设通常难以满足。近年来随着人工智能技术的发展,机器学习算法为森林生长收获预估提供了一种新的手段,它具有对输入数据的分布形式没有假设前提、能够揭示数据中的隐含结构、预测结果好等优点,但在森林生长收获预估中的应用仍十分有限。文章对分类和回归树、多元自适应样条、bagging回归、增强回归树、随机森林、人工神经网络、支持向量机、K最近邻等方法在森林生长收获预估中的应用、软件及调参等进行了综述,讨论了机器学习方法的优势和挑战,认为机器学习方法在森林生长收获预估方面有很大的潜力,必将得到广泛应用,并和传统统计模型相结合成为生长收获模型发展的一种趋势。      

机器学习技术在风景园林中的应用进展与展望

随着风景园林数字化技术的应用发展,大数据技术和人工智能技术逐渐被应用到风景园林专业,解决了众多问题,机器学习技术同时作为大数据处理工具和人工智能核心技术之一也逐渐成为风景园林研究的热门话题。本文对近年来国内外的相关实践进行系统地总结和分析,先进行应用背景的介绍,分析机器学习在风景园林应用的适用性;再基于机器学习在风景园林中解决问题角度的不同,从场地信息提取,景观分析与评价和基于深度学习的方案自生成系统3个应用角度,对国内外已有实验的方法过程进行举例分析。最后基于对机器学习技术在风景园林应用的不同领域间的关系、同领域间的不同应用的关系的分析对未来的趋势进行了展望。从技术层面上,构建基于多种数据的综合性景观评价模型、景观分析模型是未来较有前景的研究方向;从应用层面上,随着多种智能化技术的整合和多源数据的整合,结合实际规划设计项目构建基于多种人工智能方法的数字化规划设计方法是机器学习在风景园林应用领域未来的重要趋势。      

非参数核密度估计在阔叶红松天然林直径分布研究中的应用

应用非参数核密度估计理论和方法,对位于辽宁东部山区的阔叶红松林标准地的红松进行直径结构模拟,并与正态分布、威布尔分布进行了比较.结果表明,核密度估计方法在模拟直径分布方面明显优于后者.当威布尔和正态分布函数能够很好拟合林分直径分布时,核密度估计方法也能对该林分进行拟合,并且拟合精度要优于它们;在威布尔和正态分布函数不能拟舍林分时,核密度估计方法仍能很好的拟合该林分,并能取得很好的效果.     

机器学习在苹果智慧生产中的应用

苹果是我国重要的园艺作物,机器学习和计算机视觉融合促进了苹果检测与识别技术的发展,为苹果智慧生产提供了新的支撑.文章以苹果智慧生产中苹果果实识别、苹果品质和营养的无损检测、苹果品质分级技术为重点,介绍了机器学习在苹果智慧生产领域中的应用进展.包括基于支持向量机的苹果果实识别方法,基于深度学习的在树水果实时识别方法,光谱技术结合机器学习的苹果品质检测,电子鼻结合机器学习的苹果品质检测,以及机器学习在苹果分级中的应用.最后分析指出机器学习在苹果智慧生产应用中的存在问题,展望了未来的发展方向.     

基于机器学习的焦油预测模型研究

为研究卷烟焦油预测模型,以焦油的释放量为研究对象,运用不同的回归方法进行焦油预测研究,以各个模型的标准化均方误差为评判尺度,对各个模型的预测效果进行了比较.结果表明,各模型的预测精度差别较大,整体来看机器学习方法对于焦油的预测精度较高,其中以随机森林算法回归对于焦油的预测精度最高,表现出较高的预测精度和良好的稳定性,其次表现较好的机器学习算法为支持向量机回归方法.因此,在焦油预测应用或研究中可以运用随机森林或其他机器学习方法对焦油进行建模预测.     

机器学习在农业领域应用现状与前景

机器学习是研究机器如何来模拟人类学习的一门学科,通过识别现有知识来获取新的知识,达到温故而知新的效果.该文介绍了机器学习在农业各领域的应用现状,并对其在农业生产上的应用前景进行了展望,以期推动机器学习在农业领域更广泛的应用.     

微孢子虫PolyA位点的预测

多聚腺苷酸化是真核细胞内形成成熟mRNA的一个重要步骤,其位点的预测对基因组序列中编码基因的发掘具有重要的参考价值.本研究以缺乏有效基因预测方法的微孢子虫基因组为对象,根据该物种的基因表达偏好设计了一个算法,对其PolyA位点进行预测分析.首先,采用k阶核苷酸频率形式和位置权重矩阵形成初始的特征,然后用PCA降低特征空间的维数,得到的数据用机器学习方法进行分析,产生一个较好的分类结果.其中基于支持向量机的实验得到的敏感度(Sp)和ACC分别达到了87.33%和85.14%,这在微孢子虫的PolyA位点预测上取得了较为理想的效果,并为以后机器学习算法在微孢子虫基因预测领域做了很好的尝试.     

线性模型与机器学习模型对牦牛体重预测的比较

本研究测定革吉那布地区102头2岁龄的牦牛相关体尺性状(体高、体长和胸围)与体重,按不同比例划分训练集和测试集,利用传统的一般线性模型方法和机器学习方法(高斯过程回归、支持向量机)分别构建体尺性状与体重之间的回归预测模型,比较线性回归模型与机器学习模型在利用体尺性状预测体重时的准确性。结果表明,随着训练集数据的增加,线性回归模型的预测结果较稳定在0.71～0.80之间,而机器学习方法的预测准确性最高可达0.91。在训练集数据充足的情况下,相比于一般线性模型的方法,利用机器学习方法进行预测具有更高的准确性。     

机器学习在生态环境损害鉴定评估领域的应用前景

生态环境损害鉴定评估工作是环境行政处罚的重要依据，随着近年来生态环境损害案件的不断发生，损害鉴定工作流程复杂、案件资料分析工作量大、数据缺失严重等问题不断显现，如现场勘察耗时耗力、污染物溯源困难、基线不清、损害赔偿金额难以确定等。为解决这些问题，本文探讨了机器学习在生态环境损害鉴定评估中的应用前景。近几年，机器学习凭借其强大的计算能力，已在数据挖掘、图像识别和自然语言处理等领域发挥了重要作用，通过综述机器学习在上述领域的已有进展，结合生态环境损害鉴定评估总体工作流程，本文深入探究了机器学习在损害鉴定评估中的应用前景，分析了机器学习在鉴定评估工作中的挑战和局限性，指明机器学习的应用可以提高损害鉴定评估的工作效率，促进损害鉴定评估有序化、系统化发展。