基于本体的植物病虫害智能答疑系统模型的研究

针对目前智能答疑系统存在的知识共享、复用问题,结合植物病虫害领域的知识特点,提出了基于本体的植物病虫害智能答疑系统模型。将本体理念与技术引入植物病虫害领域,研究该领域间概念关系,构建植物病虫害领域本体模型,为促进植物病虫害综合防治的知识共享及复用提供参考。     

本体在农业信息检索中的应用

针对全文检索与数据检索的弊端,设计了基于本体的语义检索系统的框架.该框架以本体的定义和分类为研究基础,构建出一个农业领域本体的语义网络,便于逻辑推理;选择RDFS作为本体描述语言,生成RDFS的关系元数据文件,最终形成了基于农业领域本体语义信息检索系统的框架.     

数控机床故障知识的本体建模及语义检索研究

本文着重研究了数控机床故障领域的知识表示问题,通过对比不同的知识表示方法,最终采用了本体进行数控机床故障知识的表示,在研究了多种本体构建方法基础之上,提出了数控机床故障知识的本体工程构建方法。同时,使用开源软件Protégé构建了数控机床故障知识本体模型,充分表达了数控机床故障知识的概念与概念以及概念属性之间的关系。在此本体模型基础之上,研究了数控机床知识的语义检索模型。     

农业本体构建方法研究

介绍了本体论的有关概念和理论,然后将本体论的思想和方法应用于农业领域研究,指出现有本体构建方法的不足之处,并在现有研究的基础上提出构建农业本体的原则、基本流程、模型和方法。最后,以水稻为例构建出病虫害防治知识本体。     

面向产品创新的科学原理知识管

为了使科学原理知识更好地启迪设计人员进行创新设计,通过分析科学原理知识的分类及映射关系,提出并建立了科学原理知识在产品创新设计中的应用过程模型;在此基础上,根据领域本体构建原则,对功能和效应的领域本体词汇进行了扩展,建立了科学原理知识本体模型,并以OWL语言加以实现;开发了基于本体模式的科学原理知识管理原型系统,讨论了系统的构建机制及语义检索技术.最后,给出系统应用实例,说明了系统的有效性.     

基于本体的旱区农业垂直搜索引擎研究

针对西北旱区农业发展落后、农业科技推广受限、农业信息检索准确度差等问题,在分析研究通用搜索引擎工作原理的基础上,设计并实现了基于本体的旱区农业垂直搜索引擎模型。采用面向文本的知识发现技术构建农业领域本体,实现基于本体的网络信息采集及过滤、查询扩展、结果排序和相关词推荐。试验证明,基于本体的旱区农业垂直搜索引擎可以提高农业信息检索的查准率,优化检索结果。     

基于本体的蔬菜质量安全知识表示方法

建立蔬菜质量安全知识系统,首先要解决蔬菜质量安全领域数据的表示问题.为此,以基于本体的知识管理理论为指导,提出了蔬菜质量安全领域知识表示方法,主要包括蔬菜质量安全知识本体模型、本体模型的形式化表示方法及领域概念获取的推理方法.为实现计算机对本体模型的理解以及领域概念获取的语义推理,并利用 Voronoi 图对本体模型进行了形式化表示.     

基于产品知识模块本体的产品知识集成

对产品知识模块本体进行定义,给出了基于产品知识模块本体的产品知识集成思想,提出了基于结构-语义-特性的产品知识模块本体集成方法.该方法从结构、语义和特性3个层次分别进行关系桥规则的构建、集成规则的确定和集成实现,并给出了集成过程的流程图,通过集成实例和企业应用说明了集成实现过程.     

灌溉控制系统中基于植物本体的检测技术综述

基于植物本体的检测技术由于能够实时监测植物体内的水分状态,近年来在灌溉控制系统中得到了广泛的应用。从检测方式分类、检测方法、检测参数、检测仪器以及各种检测方法优缺点等方面综述了植物本体检测技术进展。首先,针对传感器与植物有无物理接触将其分为接触式和非接触式检测;其次,针对植物本体有无物理损伤分为破坏性和非破坏性检测;再...     

面向食品安全事件新闻文本的实体关系抽取研究

为解决从大规模网络文本中快速、准确识别食品安全事件并进行实体关系抽取受中文复杂语法特性限制的问题,提出一种基于依存分析的面向食品安全事件新闻文本的实体关系抽取方法 FSE_ERE (Entity relation extraction of food safety events,FSE_ERE)。该方法结合句子的依存分析结果和实体关系抽取模型,对非结构化中文文本进行无监督的实体关系抽取,并引入一种将文本相似度结合到PU学习(Positive and unlabeled learning)的半监督分类方法,利用改进的特征加权处理方法提高分类精度,使得FSE_ERE方法能够在高质量的食品安全事件新闻文本中完成实体关系抽取工作。实验结果表明,FSE_ERE方法在食品安全事件新闻文本数据集和多类型混合新闻文本数据集上的实体关系抽取均达到了先进的性能,F值分别达到了71.21%和67.42%,证明了FSE_ERE方法的有效性和可移植性。     

基于BERT的水稻表型知识图谱实体关系抽取研究

针对水稻表型知识图谱中的实体关系抽取问题，根据植物本体论提出了一种对水稻的基因、环境、表型等表型组学实体进行关系分类的方法。首先，获取水稻表型组学数据，并进行标注和分类；随后，提取关系数据集中的词向量、位置向量及句子向量，基于双向转换编码表示模型（BERT）构建水稻表型组学关系抽取模型；最后，将BERT模型与卷积神经网络模型、分段卷积网络模型进行结果比较。结果表明，在3种关系抽取模型中，BERT模型表现更佳，精度达95.11%、F1值为95.85%。     

玉米病虫害诊治本体构建技术研究

针对现有农业病虫害专家系统领域知识共享和重用困难、症状输入严重影响准确率等问题,研究了基于领域知识、推理知识和任务知识的本体构建技术。同时,提出了基于分词、改进的词义消歧算法、同位词消歧及BNF范式形式化等自然语言处理步骤将症状描述训练集转化为本体形式,从而使专家系统引入本体技术,并利用其优势极大地改进了系统的健壮性及准确率。     

农业高校数字资源评价体系构建

基于数字资源概念了解及评价方法认识，阐述了结合知识本体方面的数字资源评价与建构。同时，提出了农业高校要发展数字资源评价体系的具体工作。事实证明，结合知识本体条件下的数字资源评价具有重要价值，是进一步实现我国数字资源评估的保障。数字资源能够更加深刻影响与促进高校的数字资源服务水平，通过指标指导图书馆对数字资源的评估。      

室内植物表型平台及性状鉴定研究进展和展望

植物表型组学研究正逐渐向综合化、规模化、多尺度和高通量的方向快速发展。本文首先介绍了植物表型研究的最新动向。然后针对室内表型监测平台的特点和各类室内表型针对的表型性状进行了系统介绍，包括产量、品质、胁迫抗性（包括干旱、抗冷热、盐胁迫、重金属和病虫害）等。在此基础上，本文还根据通量、传感器集成度和平台大小等把一些国内外流行的室内植物表型平台进行了分类，并介绍了这些室内表型平台在植物研究中的应用情况。同时，本文还介绍了室内表型数据的管理和解析方法。最后，本文着重讨论了室内表型平台的发展方向，并结合中国植物研究的实际情况对表型组学在中国的发展提出了展望，以期为中国植物表型研究提供指导和建议。     

一种面向蔬菜中文知识图谱表示学习的改进方法

由于TransE模型在处理不同类别关系时,忽略了同类别向量的语义差别,在对蔬菜领域知识图谱中存在的一对多、多对一和多对多的复杂属性关系进行表示学习时效果较差。本文在TransE方法的基础上,提出PTA(Path-based TransE for Attribute)模型对其进行改进。首先,将蔬菜领域实体和关系通过word2vector映射到一个低维稠密向量空间中;其次,将复杂的属性关系和上下位关系进行结合构成关系路径进行训练;并采取Mean Rank和Hits@10两个评价指标衡量表示学习模型的链接预测效果。试验结果表明:PTA模型较TransE模型在不考虑关系分类的情况下,链接预测效果有较大的提高,Mean Rank最高提前6个次序;且在对属性关系按照复杂度进行分类的情况下,链接预测Hits@10的值较TransE模型最高提高13%。     

表示学习技术研究进展及其在植物表型中应用分析

表示学习是一种将研究对象的内在信息表示为稠密低维实值向量的方法,其基本思路是找到对原始数据更好的表达。表示学习凭借其自动提取特征的能力,在处理大量人为先验理解有限的数据时表现出高效性。有监督以及无监督的表示学习模型在文本、图像、三维点云等植物表型数据的分析研究中获得了运用。随着近年来数据量的迅速增长以及基因组学研究的快速发展,植物表型研究数据具有高通量、高精度等特征,表示学习模型在海量高维植物表型数据的分析任务中获得了关注。本文简述了表示学习的相关概念和表示学习技术研究进展,对有监督和无监督的表示学习模型进行对比分析,阐述了植物表型数据概念及其处理方法,重点从植物种类识别、病虫害检测分析、产量预测、基因研究和形态结构表型数据计算等方面,探讨了表示学习在植物表型中的研究应用意义及其存在的问题。最后,指出表示学习在植物表型应用中的发展方向:开发能够适用于分析不同种植物表型数据的表示学习模型,实现高整合度、高通用性的目标;提高表示学习模型的实时性及准确度,以增强其实用性;多模态表型数据的表示学习可为学科的交叉数据分析研究提供统一的数据视图。     

基于CNN和迁移学习的农作物病害识别方法研究

互联网是一个巨大的资源库,也是一个丰富的知识库。针对农作物小样本引起的过拟合问题,本研究引入了知识迁移和深度学习的方法,采用互联网公开的ImageNet图像大数据集和PlantVillage植物病害公共数据集,以实验室的黄瓜和水稻病害数据集AES-IMAGE为对象开展相关的研究与试验。首先将批归一化算法应用于卷积神经网络CNN中的AlexNet和VGG模型,改善网络的过拟合问题;再利用PlantVillage植物病害数据集得到预训练模型,在改进的网络模型AlexNet和VGG模型上用AES-IMAGE对预训练模型参数调整后进行病害识别。最后,使用瓶颈层特征提取的迁移学习方法,利用ImageNet大数据集训练出的网络参数,将Inception-v3和Mobilenet模型作为特征提取器,进行黄瓜和水稻病害特征提取。本研究结合试验结果探讨了适用于农作物病害识别问题的最佳网络和对应的迁移策略,表明使用VGG网络参数微调的策略可获得的最高准确率为98.33%,使用Mobilenet瓶颈层特征提取的策略可获得96.8%的验证准确率。证明CNN结合迁移学习可以利用充分网络资源来克服大样本难以获取的问题,提高农作物病害识别效率。