基于改进型神经网络的植物病虫害预警模型的构建

通过对植物病虫害预警模型的相关原理和方法的研究,并结合粒子群算法对后向传播神经网络进行参数优选,构建了基于粒子群和神经网络混合算法的植物病虫害组合预警模型。模型参数：①PSO参数设定：准粒子群算法模型参数的设定主要是对惯性、收敛（约束）、＂认知＂、＂社会＂进行变化与调节。C_1是粒子跟踪自己历史最优值的权重系数,它表示粒子自身的认识,设置为2。C_2是粒子跟踪群体最优值的权重系数,它表示粒子对整个群体知识的认识,设置为2。ξ,η设置为[0,1]区间内均匀分布的随机数。r是对位置更新的时候,在速度前面加的1个系数,设置为1;②BP神经网络输入层节点的确定：预测模型输入层节点为7个,分别代表7个特征指标,即发病面积、稻瘟病发病率、雨量、雨日数、平均温度、平均湿度、光照;③隐含层节点及隐层数的确定：该研究采用3层BP网络,隐层数为1层。将1980～2000年云南省盈江稻瘟病历史数据作为学习样本输入到预警模型,进行训练。隐节点为7时误差最小（1.046）;④输出层节点的确定：预测模型输出层节点为1个,即稻瘟病病情指数（Y）。稻瘟病发生程度分为5个等级：〈10,为等级1;10.1～20.0,为等级2;20.1～30.0,为等级3;30.1～50.0,为等级4;〉50.0,为等级5。预警模型：在构建预测模型时,包括2个过程,即学习过程和预测过程。在学习过程阶段主要在PSO算法对连接权和阈值优化的基础上,通过对样本数据的学习,找到其内在规律性,从而确定各节点间的连接权和阈值。由于选取影响植物病情发病的因子有7个,因此,第i年的输入层就为1个7维向量x_i,即输入层为7个神经元。隐含层确定为1层,输出层为第i＋1年的植物病理病情指数,故为一维向量y_j,因此,输出层的神经元个数为1。预测过程则是根据学习过程已经确定下来的连接权值和阈值,把需预测样本输入训练好的BP网络,通过网络学习后,输出相应的预测值。如需预测第i年植物病情等级,就把第i-1年决定植物病理发生的相应因素输入到该网络模型。即输出就为第i年植物病情发生程度的预测值。测试结果表明预警模型的构建有效且可行,为构建有效的预警平台应用提供了可行的模型结构。     

基于Web Service的植物病害预警平台的实现*

 针对常见植物病虫害预测方法通用性差，模型难于复用，通过对植物病害数理统计与神经网络预警模型相关原理和方法的研究，利用植物病理预警模型研究的成果,结合历史数据，使用Web Service技术构建并实现了植物病害的动态预警平台。植物病害预警平台可以动态建立不同地区不同作物不同病害的不同类型的预警系统，为农业病害预警预测提供了一种实用的解决方案。     

基于CPSO-SVM 的小麦条锈病预测模型研究

针对BP 神经网络在建立模型时没有确定网络结构的缺点和支持向量机(SVM)模型参数选择对预测精度影响大的局限性,提出一种结合混沌系统的粒子群算法(CPSO)去优化SVM 模型的惩罚因子C 和核函数中参数σ的混合模型,利用混沌系统的不确定性理论使传统的粒子群算法能有效克服收敛速度慢、容易达到局部最优值的缺点,使CPSO 算法能更快、更准确找到全局最优值。经过参数优化SVM 模型有效提高了预测精度并利用新的混合模 型对宁夏地区小麦条锈病流行级别进行预测。结果表明,相对于传统SVM 模型、组合PSO-SVM 模型和组合PSO-BP神经网络模型,研究提出的混合模型(CPSO-SVM)在预测精度及模型的泛化能力上均优于以上3 种模型,可对小麦条锈病发病及流行程度进行精确的预测,并为农业病虫害研究部门提供有效的理论依据。     

基于CPSO-SVM 的小麦条锈病预测模型研究

针对BP神经网络在建立模型时没有确定网络结构的缺点和支持向量机(SVM)模型参数选择对预测精度影响大的局限性,提出一种结合混沌系统的粒子群算法(CPSO)去优化SVM模型的惩罚因子C和核函数中参数σ的混合模型,利用混沌系统的不确定性理论使传统的粒子群算法能有效克服收敛速度慢、容易达到局部最优值的缺点,使CPSO算法能更快、更准确找到全局最优值.经过参数优化SVM模型有效提高了预测精度并利用新的混合模型对宁夏地区小麦条锈病流行级别进行预测.结果表明,相对于传统SVM模型、组合PSO-SVM模型和组合PSO-BP神经网络模型,研究提出的混合模型(CPSO-SVM)在预测精度及模型的泛化能力上均优于以上3种模型,可对小麦条锈病发病及流行程度进行精确的预测,并为农业病虫害研究部门提供有效的理论依据.     

基于PSO-BP神经网络的外贸发展状况的评价

以我国对外贸易的实际情况为基础，建立了评价外贸发展状况的一套指标体系.使用主成分分析方法对所有评价指标进行预处理之后，借助粒子群优化算法改进了BP神经网络算法，构建了外贸发展状况的评价模型.评价模型在具体应用中，评价结果较为准确，具有一定的科学性和合理性.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

基于改进果蝇算法优化广义回归神经网络的绿色农产品消费行为预测

针对绿色农产品消费行为具有多变量非线性相互作用的特点，传统统计方法难以准确预测消费行为的问题，提出基于改进果蝇算法优化的广义回归神经网络消费行为预测模型。首先针对果蝇群搜索不均匀所导致果蝇飞行单一的问题，提出一种均匀的果蝇群搜索机制即扇形果蝇优化算法加快搜索能力和效率；其次针对广义回归神经网络的平滑因子易受人为选择的影响，提出改进果蝇算法优化广义回归神经网络参数，实现参数的自动化选择，提高模型的预测能力。运用提出的模型对绿色农产品消费行为预测。结果表明：相较于广义回归神经网络，遗传算法优化广义回归神经网络、粒子群算法优化广义回归神经网络、果蝇算法优化广义回归神经网络和改进果蝇算法优化广义回归神经网络模型在均方根误差指标上分别下降4.45%、1.89%、4.54%和5.03%,表明遗传算法、粒子群算法、果蝇算法和改进果蝇算法能够优化广义回归神经网络模型的平滑因子，提高模型的预测精度。从平均绝对误差、均方误差、均方根误差3个评价指标看，改进果蝇算法优化广义回归神经网络模型比其他6个单一预测模型具有更高预测精度。结果证明了改进果蝇算法优化广义回归神经网络模型在绿色农产品消费行为预测的有效性，...     

基于混合算法优化神经网络的混沌时间序列预测

提出了一种混合算法优化神经网络的混沌时间序列预测模型.将粒子群优化算法与模拟退火算法过程中概率突跳的思想相结合形成一种新的混合算法，并用此混合算法优化神经网络建立预测模型.该模型克服了传统的神经网络收敛慢、易陷入局部最优等不足.利用该模型对Mackey-Glass混沌时间序列和Henon映射进行实验仿真，结果表明，该模型收敛速度快，稳定性能好，预测精度高.     

基于自适应粒子群算法优化神经网络的多沙水库冲淤预测模型研究及应用

【目的】针对传统多沙水库冲淤预测模型难以准确、迅速预测某一具体水库调度运行方式下泥沙的冲淤变化过程,无法为制定合理水库调度运行方式提供决策依据的不足,构建一种计算效率高、能保证一定计算精度且相对简便的泥沙冲淤预测模型。【方法】将人工神经网络及粒子群优化算法引入到多沙水库冲淤预测中,构建基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型,并将该模型应用于冯家山水库库区泥沙冲淤形态、冲淤量的预测,验证其实用性。【结果】将多沙水库冲淤变化过程视为一个非线性动力系统,利用人工神经网络处理大规模复杂非线性动力学问题的优势,在采用自适应粒子群优化算法对BP神经网络的初始连接权值和阈值进行优化的基础上,成功构建了基于自适应粒子群算法优化BP神经网络的多沙水库冲淤预测模型。该模型在冯家山水库冲淤预测中的应用结果表明,模型计算值与实测值之间吻合良好,可满足实际水库管理的需要。【结论】所构建模型具有较强的合理性及较广的适用性,为多沙水库冲淤预测提供了一条有效途径。     

基于PSO-OSVM的江苏省耕地变化预测

以江苏省1996-2009年耕地变化为例,利用粒子群算法(PSO)的全局搜索能力优化标准支持向量机(SVM),并结合增量式最小二乘支持向量机(LSSVR)和逆学习算法的特征,构建粒子群算法-在线学习SVM(PSO-OSVM)耕地变化预测模型,采用该模型对江苏省耕地变化进行预测,以期为土地资源可持续发展提供重要参考依据.结果表明,PSO可以有效收敛SVM内部参数γ和σ达到全局最优解;PSO-OSVM模型的内外精度和总精度均高于GM(1,1)、BP神经网络模型,且优于PSO-SVM模型.说明PSO-OSVM是一种有效的耕地变化预测模型.     

上海水稻主要病虫害灾变预警系统的研究与应用

本研究选取沪郊主要病虫害历史资料,以Internet为系统平台,运用网络地理信息系统(Web-GIS)、ASP网络编程、网络数据库、人工智能和网络多媒体技术等现代化信息系统开发手段,建立了基于Internet的上海地区水稻主要病虫害灾变预警系统,该系统具有病虫GIS、病虫预测、数据传输、病虫诊断、实时发布、电视预报和远程教育等功能。     

基于卷积神经网络的银杏叶片患病程度识别

银杏是我国一种常见的经济林木,对银杏叶病害进行数字化辨识有助于提高银杏种植产业的管理水平,为其病害预警提供可能。以银杏轮纹病为研究对象,采用卷积神经网络为分类算法,对银杏患病程度进行自动辨识。根据银杏轮纹病的叶片特点,设计了18层卷积神经网络,核心功能主要由四个卷积层,四个池化层、两个全连接层提供。经过多次训练与测试,网络对银杏叶片的5种不同患病程度辨识率最低可达92%以上。将设计的卷积神经网络与传统的BP神经网络、Alex-Net网络进行对比实验,结果表明,卷积神经网络在银杏轮纹病患病程度辨识的应用上具有更高的精度。上述结果对于银杏其他病害或其他植物病害辨识应用中具有一定的借鉴意义。     

神经网络BP模型的设计与实现

应用人工神经网络中的BP前馈网络模型和改进的BP算法 ,对棉铃虫发生程度进行预测 ,结果表明 :该算法可靠 ,验证符合率达百分之百 ,在农作物病虫害预测方面有广阔的应用前景     

基于遗传神经网络的陕西省土地利用结构模型研究

针对土地利用结构变化的复杂特征与BP人工神经网络在预测应用上的缺陷,利用遗传算法来优化BP人工神经网络模型,形成了遗传算法与BP网络结合的遗传神经网络模型,通过运用matlab软件编制神经网络和遗传神经网络程序,实现模型的建立。证明遗传神经网络用于土地利用结构的预测是可行和有效的,有着良好的前景。     

云南省水稻白叶枯病BP神经网络测报技术研究

 人工神经网络对复杂非线性问题映射能力强,能提高预测的准确度,为水稻白叶枯病害的防治工作提供指导。因此,本研究基于水稻白叶枯病害发生、危害与温度、湿度、降雨等气象因素相关的特点,利用人工神经网络建立云南省勐海县和石屏县水稻白叶枯病害BP神经网络预测模型,预测病害的发生程度。经实例验证,BP神经网络预测模型预测准确度达到80%以上,较逐步回归模型高。研究表明在勐海、石屏建立水稻白叶枯BP网络预测模型是可行的,并具有较高预测准确度,对防治工作有较高应用价值。     

基于神经网络的稻白叶枯病中期预警

利用神经网络的基本原理,结合气象因子以及安徽省滁州市田间稻白叶枯病流行程度的实测数据,建立了该地区的神经网络中期预警系统.经实例验证,该方法的预测精度达80%,为植物病害的中期可预测性提供了一种新的依据.     

面向边缘计算的轻量级植物病害识别模型

  目的  传统深度学习模型因参数和计算量过大不适用于边缘部署，在网络边缘的植物病害自动识别是实现长时间大范围低成本作物监测的迫切需求。  方法  联合使用多种模型压缩方法，得到可部署于算力有限的嵌入式系统的轻量级深度卷积神经网络，在边缘节点实现植物病害智能识别。模型压缩分2个阶段:第1阶段利用基于L₁范数的通道剪枝方法，压缩MobileNet模型；第2阶段将模拟学习与量化相结合，在模型量化的同时恢复识别精度，得到高精度轻量级的端模型。  结果  在PlantVillage数据集58类植物病害的实验结果表明:通道剪枝将MobileNet压缩了3.6~14.3倍，量化又将模型的参数精度由32 bit降低至8 bit。整体压缩率达到了14.4~57.2倍，识别准确率仅降低0.24%~1.65%。与通道剪枝后无模拟学习训练、通道剪枝结合量化后无模拟学习训练这2种压缩方法相比，具有更高的模型压缩率和识别准确率。  结论  联合使用多种模型压缩方法可以少量的精度损失深度压缩人工智能模型，可为农林业提供面向边缘计算的植物病害识别模型。图3表2参23     

基于T-S模型的模糊神经网络在植物病害图像分割中的应用

针对植物病害图像的病斑区域边缘像素存在模糊性和不确定性,利用T-S模型的模糊规则后件是输入语言变量的函数特性,提出线性清晰化的自适应五层模糊神经网络模型作为植物病害图像模式分类的决策系统,并利用量子遗传算法对模型系统的可调整参数的初始值进行全局优化。试验结果表明:该模型对马铃薯早疫病的彩色图像的有效病班区域分割精确达到100%,学习算法速度快、收敛稳定、鲁棒性较好,避免了传统梯度下降学习算法的局部最小值,并且简单易于实现。