人工神经网络在水产科学中的应用

人工神经网络（ANN）是一种动态信息（处理）系统，它具有联想记忆、自组织、自适应、自学习和容错等优异的特性而得到广泛应用。ANN已广泛地应用于诸如模式识别、拟合、分类、决策和预测等领域，而水产科学有很多涉及上述技术的问题。本文在简述ANN结构和工作原理的基础上，讨论分析了利用BP神经网络模型、自组织特性神经网络或Kohonen神经网络模型进行分类、模式识别、图像处理和鉴别、预测与评价、系统模拟以及最优化和多目标决策等方面的应用实例。从神经网络模型建模和数据预处理原理研究了应用人工神经网络技术建模的局限性和缺陷。并明确指出：若不采用检验样本监控学习过程，对于一定数量的样本数据，过大的神经网络结构将不可避免地引起对样本数据的过拟合，从而得到了不能正确反映样本数据结构和内在特性和神经网络模型，而可能是对样本数据的噪声的反映。本文最后探讨了人工神经网络技术与模糊数学、逻辑控制和拓扑学以及非确定性原理相结合的应用趋势。     

基于人工神经网络农用地分等研究I．分等模型与精度检测

基于BP人工神经网络(BP—ANN)原理，针对农用地分等的问题，设计了BP神经网络农用地分等模型和精度检测方法．结果表明：BP—NN农用地分等模型通过少量典型样本的训练和学习后，可简便、快捷地计算出大规模待定样本的分等综合指数；其泛化功效和精度检测也符合要求．     

基于ANN的轴流脱粒与分离装置性能指标预测

影响水稻轴流脱粒与分离装置性能指标的因素很多,并且它们之间存在着复杂的非线性关系,用传统方法很难对其进行准确预测。神经网络算法简单、学习收敛速度快、具有线性、非线性逼近精度高等特性。本文以正交旋转组合实验获得的数据作为样本,对人工神经网络(ANN)模型进行训练学习,利用训练后所得到的模型,对性能指标进行了预测。结果表明,网络预测值与实测值之间具有很高的相关性和精确度,为机械性能指标研究提供了一定的理论辅助手段。     

基于集成学习方法的耕地质量评价研究

为充分了解县域耕地资源，提高耕地质量评价效率和准确度，减少在评价过程中主观因素的影响，以河南省三门峡市陕州区为研究对象，对其做耕地质量分等定级。根据数据特征将特征变量划分为分类型变量和数值型变量，对于数值型变量采用卡方分箱的方法处理，将处理后的结果与分类型变量用one-hot编码赋值，对于样本类别数较少的数据采用合成少数类过采样技术（SMOTE）平衡样本数据。随后引入机器学习的方法，利用XGBoost、LightGBM、ANN以及XGBoost-LightGBM-ANN组合模型对耕地质量进行分等定级。结果表明，将处理后的未采样数据作为训练集，代入耕地质量评价单一模型以及组合模型进行训练并预测时，准确率、精确率、召回率和F1分数等指标值均达到了0.97以上，其中单一模型ANN、LightGBM、XGBoost对应的各指标值呈递增的趋势，表明机器学习模型应用到耕地质量评价中产生了良好的效果。与未采样相比，经过采样后的数据作为训练集明显提升了模型性能，单一以及组合模型预测中各指标值均达到了0.99以上，其中基于集成学习投票的算法XGBoostLightGBM-ANN组合模型有明显优势，准确率...     

伏牛山区栓皮栎天然次生林地位指数ANN模型构建

研究编制了伏牛山地区栓皮栎天然次生林地位指数表,以期为当地栓皮栎天然次生林后期的经营管理和保护工作奠定基础。根据伏牛山区调查的120块栓皮栎天然次生林标准地和180株平均优势木解析木数据,采用人工神经网络建模技术,建立了优势木平均高ANN模型,拟合精度为98.66%。基准年龄为40a,依据平均优势高与地位指数的关系,编制了地位指数表。用未参加建模的60块标准地数据进行落点检验,检验精度达到96.67%。结果表明,ANN模型构建地位指数模型方法简单,所建模型精度高,应用推广能力强。     

毛白杨农田防护林带直径分布预测

以河南省博爱县毛白杨农田防护林带为研究对象,在调查、计算林带径阶分布数据和有关林分特征数的基础上,应用人工神经网络建模技术,以断面积平均直径、直径变动系数和径阶相对直径等为输入变量,以径阶株数累积频率为输出变量,建立了结构为3∶11∶1的毛白杨农田防护林带直径分布神经网络预测模型,模型总体拟合准确度为98.18%。模型的拟合准确度分析结果表明,累积频率拟合准确度最大99.93%,最小88.48%,平均98.20%。模型的预测准确度分析结果显示,累积频率预测准确度最大99.70%,最小94.36%,平均97.56%。模型的平均准确度在95%以上,能满足林业上的应用要求,模型研究取得了较好的拟合、预测效果。     

基于模糊神经网络的温室小气候预测模型

为了实现对温室环境的精准控制，针对温室环境调节过程的滞后响应特性，采用模糊神经网络对温室环境因子进行预测。通过确定模糊神经网络的网络结构、隶属度函数和模糊规则等参数，对温室小气候预测系统进行建模。经过小波降噪处理过的数据通过温室小气候预测模型，实现对环境因子的预测。模型验证结果表明采用温度、湿度和光照强度模型得到的相关度均达到了95%以上，具有良好的预测效果，能够为后续温室的控制决策提供有效依据。     

基于人工神经网络的森林资源预测研究

应用人工神经网络方法分别建立土地资源预测，森林蓄积量预测，各龄组蓄积量预测三层前馈反应传播神经网络模型对森林资源进行预测模拟，预测结果表明：在小样本条件下，森林资源预测神经网络模型预测精度较高，开辟了森林资源新途径。     

优化参数的GM(1,1)模型组合改进

针对提高模型的拟合效果问题,在建模的基础上,提出一种新的模型参数估计方法。结合组合预测的思想,利用BP神经网络预测算法对改进后的灰色模型做进一步的优化修正。该模型充分结合了灰色系统和人工神经网络的各自优势,弥补了单一模型预测精度低的特点,适当扩大了模型的应用范围。     

神经网络可拓融合技术在生物废气检测中的应用

将生物滴滤塔有机废气处理过程视为一个可控工业生态环境,以净化废气的流量、循环液流量、pH值、塔内温度等过程参数作为可拓物元,采用神经网络模型的可拓融合的方法对工业生态环境中微生物的反应过程的状态检测进行了研究.通过仿真和实验发现净化处理过程适合用人工神经网络(ANN)模型建模,而通过对遗传算法的改进能够提高其收敛速度.采用改进遗传算法(MGA)与LMBP算法相结合(MGA-LMBP),建立了神经网络模拟生物滴滤塔处理有机废气的过程可拓融合模型,利用已有的实验数据样本训练神经网络模型,取得了较好的效果.     

基于GA-BP算法的玉米品种识别系统研究

介绍一种基于GA-BP学习算法的人工神经网络,利用神经网络具有的自适应性、并行性、鲁棒性以及分类能力强等优势,构造玉米品种学习和识别系统。选用3层BP网络自动识别玉米品种,遗传算法进行粗精度的学习以选取网络权值,用BP算法完成给定精度的学习,克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷。结果表明,提出的GA-BP学习算法有效提高了BP算法的收敛速度。     

深度学习在大豆叶片图像数据管理中的识别与分类研究

[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。     

无线传感器网络技术在精细农业中的应用进展

综述无线传感器网络技术在节点构成、网络拓扑、通信协议等方面的特点,重点介绍无线传感器网络技术在精细农业中的典型应用,认为无线传感器网络技术应用于精细农业,需解决信号传输与衰减方式建模、多通信网融合及降低传感器成本等关键问题.提出将无线传感器网络技术与农艺技术、农业机械化及自动化技术等相结合,有助于优化农业决策支持系统,...     

基于人工神经网络的逆流式谷物干燥机模型

针对传统数学建模方法的局限性，利用人工神经网络建立逆流式谷物干燥机模型。网络的拓扑结构是基于感知机的３层前向网络，采用ＢＰ算法对网络进行训练，训练数据来源于逆流干燥要计算机模拟结果。实验结果表明网络能很好地预测逆流干燥机的行为。     

基于迁移学习的竹片缺陷识别

使用竹片图像实现竹片缺陷自动识别，目前深度学习可以有效地解决该类问题，但是必须使用大量样本数据做训练才能获得较高的识别准确率。当图像数量有限时，利用基于迁移学习的方法，把经过预训练的卷积神经网络模型进行迁移，即共享卷积层和池化层的权重参数，调整新网络模型的超参数，并建立一个包含4种共计6 360张竹片缺陷图像的数据库，把图片分成4种训练集测试集形式，即80%训练、20%测试；60%训练、40%测试；40%训练、60%测试；20%训练、80%测试，分别利用支持向量机SVM分类方法、深度学习方法和迁移学习方法进行训练和测试，并将这3种方法作对比。最后，通过构建竹片缺陷识别的混淆矩阵对迁移学习进行具体分析与说明。结果表明，按照80%训练、20%测试的识别准确率最高，通过迁移学习得到的竹片缺陷最高识别精度分别达到98.97%，比普通深度学习提高了11.55% ，比SVM分类方法提高了13.04%。说明迁移学习比普通深度学习和传统支持向量机SVM分类方法更适合用于小样本数据集的分类识别，并且效果优于普通深度学习和 SVM 分类方法。     

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。      

人工神经网络及其在植物保护中的应用

介绍了人工神经网络(ANN)的主要特点及误差反向传播网络(BP)的工作原理。综述了人工神经网络在植物病虫害的诊断、虫害和病害流行预测等方面的应用研究进展,并讨论了提高人工神经网络预测精度应注意的问题。     

The Machine Recognition for Population Feature of Wheat Images Based on BP Neural Network

Recognition and analysis of dynamic information about population images during wheat growth periods can be taken for the base of quantitative diagnosis for wheat growth. A recognition system based on self-learning BP neural network for feature data of wheat population images, such as total green areas and leaves areas was designed in this paper. In addition, some techniques to create favorable conditions for image recognition was discussed, which were as follows: (1) The method of collecting images by a digital camera and assistant equipment under natural conditions in fields. (2) An algorithm of pixei labeling was used to segment image and extract feature. (3)A high pass filter based on Laplacian was used to strengthen image information. The results showed that the ANN system was availability for image recognition of wheat population feature.     

Retrieval of soil moisture by artificial neural network using X-band ground based data

Monitoring of soil moisture is very important to environmental studies, including hydrology, meteorology and their interactive fields. Today back propagation artificial neural networking is a well known and widely applied mathematical model for the remote sensing applications. For the soil moisture estimation an artificial neutral network (ANN) based algorithm is implemented and tested. The ANN model is calibrated (trained) and tested with the experimentally obtained data. The experimentally data is obtained by using X-band (9.5 GHz) scatterometer for different soil moistures viz. 10, 12, 18 and 22%. The measurement of the scattering coefficient was carried out over a range of incidence angle from 20° to 70° at the step of 5° for both the HH and VV polarization. Surface roughness (i.e. root mean square height) is taken constant as 0.5 cm for the whole experimentation. The performance of the ANN model is evaluated by the direct measured soil moisture and by the soil moisture estimated by the ANN model. Our work suggests that ANN modeling for such experimentation is a promising alternative for soil moisture estimation. The advantage of the ANN approach for soil moisture estimation is that it has potential for worldwide coverage.