苗药小花清风藤叶绿体基因psbA-trnH序列特征及遗传多样性分析

基于psbA-trnH序列分析,探讨黔产小花清风藤种质资源遗传多样性、系统进化与分子鉴定方法,对贵州苗药小花清风藤4个县区产地13个居群样品进行psbA-trnH序列PCR扩增。应用Codon Code Aligner 8.0.2软件进行校对拼接,分析居群遗传距离、单倍型数量与多样性,构建系统进化树。结果表明:13条小花清风藤叶绿体基因psbA-trnH 序列长度为469~488 bp,多态性位点数共37个,简约信息位点14个,自裔位点23个,插入/缺失片段3个;居群间的遗传距离变化范围为0~0.085 9,平均遗传距离为0.025 3,具有4个单倍型,单倍型(基因)多样性(Hd)为0.679;Fu and Li's D^*检验、Fu and Li's F^*检验、Tajima's D检验中P值均大于0.10,无统计学意义,说明黔产小花清风藤进化速率不一致,遗传多样性分化较丰富。本研究丰富了小花清风藤及其同属植物的研究数据,为小花清风藤的分类鉴定、系统演化和分子标记开发等研究提供了一定参考。     

基于BP神经网络近红外光谱鉴别茶饮料的研究

提出了一种快速、准确鉴别茶饮料的新思路。采用美国ASD公司的可见-近红外光谱仪对3种茶原料（龙井茶、乌龙茶和铁观音茶）的饮料进行光谱分析。采用多元散射校正（MSC）方法对样本数据进行预处理,再用主成分分析法提取光谱数据的特征值。通过交互验证确定最佳主成分数为5,作为BP神经网络的输入变量,不同原料茶饮料作为输出变量,建立3层人工神经网络鉴别模型,并用模型对20个预测样本进行预测。模型的回判鉴别率达到100%,模型的预测鉴别率达到98.33%。结果表明,基于BP神经网络的近红外光谱鉴别不同原料茶饮料的方法是可行的。     

基于BP神经网络的菜心叶片生长模拟模型研究

根据BP神经网络建立菜心叶片生长预测模型,以菜心叶子的长度和宽度来衡量菜心叶片的生长情况,运用有效积温原理,建立菜心叶片生长情况与温度之间的关系.实证分析表明,基于BP神经网络的菜心叶片生长模型具有较好的仿真效果,在叶子生长的预测中具有很好的应用前景,可进一步在菜心产量的预测中起到作用,为社会带来更多的经济利益.     

基于GIS的BP神经网络洪涝灾害评估模型研究

洪涝灾害损失的大小不仅与洪灾的自然属性有关,还受地形、天气气候、人口、社会经济状况及其分布等因素影响.基于GIS技术及其背景数据,实现GIS空间信息单元格点上淹没水深的模拟和空间社会经济数据的展布,并针对影响洪涝灾害评估的复杂因子对各空间单元格点损失评估的不确定性和复杂性,提出了BP神经网络计算方法,运用matlab神经网络工具箱实现区域洪涝灾害的快速评估,建立了基于GIS的BP神经网络洪涝灾害评估模型.运用此方法,通过少量的样本资料,对鄱阳县洪涝灾害经济损失个例进行评估,评估结果误差为12%.     

卷烟劲头的BP神经网络模型预测

[目的]科学地评价卷烟配方中劲头的大小,通过建立BP神经网络模型预测卷烟劲头。[方法]以烟叶游离烟碱百分含量、总烟碱百分含量、结合态烟碱百分含量、游离烟碱占总烟碱比率和水浸液p H作为BP神经网络的输入,感官劲头作为输出,网络训练前对输入指标作归一化处理,然后通过训练样本数据对网络进行充分的训练,获得适宜的参数矩阵,得到卷烟劲头的网络预测模型,最后用训练好的网络模型对检验样本数据进行预测。[结果]卷烟配方中劲头大小的预测值与实际值相对标准偏差小于5%,达到了较好的预测结果。[结论]建立了卷烟劲头的BP神经网络预测模型,该模型对于预测卷烟劲头具有指导意义。     

基于连续投影算法与BP神经网络的玉米叶片SPAD值高光谱估算

叶片叶绿素含量是评价作物生长状况的重要指标。为实现玉米叶片叶绿素含量的准确、高效高光谱估测,以玉米大田试验为基础,于7月1日(大喇叭口期)、7月19日(灌浆初期)和8月18日(腊熟期)利用ASD高光谱仪和便携式叶绿素仪(SPAD-502)分别测定了玉米叶片高光谱数据和叶绿素含量相对值SPAD;利用连续投影算法提取出玉米叶片光谱的特征波长,再用BP神经网络构建SPAD值的估算模型,并对模型进行验证。结果表明,3个日期的分段监测模型及统一监测模型的R2分别为0.885,0.900,0.675,0.827;RMSE分别为2.156,2.103,3.236,2.651;7月1日模型、7月19日模型和统一监测模型均具有较高的精度,同时检验模型RPD均大于2,具有很好的预测能力;而8月18日的监测模型表现较差(RPD=1.641),但也达到可用水平。表明利用连续投影算法结合BP神经网络可以进行玉米叶片SPAD值的高光谱估算。     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中,叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题,提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征,构建了双路卷积神经网路结构,其中形状特征路径运用7层卷积层的网络结构,前3层采用大尺寸11×11及5×5的卷积核提取大视野特征,完成叶片形状特征提取,另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征;纹理特征路径采用6个3×3卷积核的卷积层,提取叶片纹理图像细节特征;然后通过特征融合层将两类特征相加为融合特征,并利用全连接层对植物叶片种类进行识别。结果实验结果表明,双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比,在Flavia叶片数据集与扩充植物叶片数据集上,Top-1识别准确率分别提高到了99.28%、97.31%,Top-3识别准确率分别提高到了99.97%、99.74%,标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题,可以提高植物叶片的识别准确率。      

基于BP神经网络的智能定量供种系统设计

为确保双级振动精密排种器工作时在充种均匀的前提下实现连续播种,设计智能定量供种系统。为提高定量供种精度,基于BP神经网络对勺式外槽轮供种装置建立定量供种预测模型,建立隐层结点数为6的神经网络模型。BP网络训练结果表明,当网络模型训练步数为71步时,网络的均方误差为4.61×10~(-5),小于设定值5×10~(-5);采用16个理论供种模型样本与测试样本进行BP网络测试,结果表明,基于BP神经网络预测模型仿真得到的预测值相对误差较小,其精度高于理论供种模型的精度,且神经网络相对误差均小于5%,获得的样本误差平方和为5.59×10~(-4),小于设定目标值8×10~(-4),满足预先设定要求;最后,利用建立的定量供种预测模型,对4种不同千粒重的超级稻种子进行仿真,得到振幅分别为0、5、10、15μm下的排种轮转速与供种量关系,该研究结果可为确定定量供种器的工作参数提供理论依据。     

基于BP神经网络模型的森林资源蓄积量动态估测

以浙江省庆元县2007年森林资源二类调查数据为样本数据,选择树龄、海拔、坡度级、土层厚度、A层厚度、郁闭度6个指标作为自变量因子,利用基于BP神经网络的预测模型,分优势树种对森林资源蓄积量进行预测。试验结果表明,自变量因子与因变量(蓄积量)之间具有较好的相关性。今后研究中若能加入一些其他影响因子(如太阳辐射指数、地形湿度指数等),并结合高精度的遥感影像(如天地图),然后再对数据进行一定的预处理,则研究结果将完全可能用于辅助森林资源调查。     

基于BP神经网络的旅游资源评价模型分析

当前关于旅游资源评价具有很强的主观色彩,各评价模型中变量多、非线性强.BP神经网络模型利用MATLAB计算程序对旅游资源进行评价,能最大程度避免主观因素对评价结果的影响.利用文献比较法、理论分析法和专家咨询法,构建包含7个一级指标和16个二级指标的评价指标体系,在此基础上设计了评价模型,重点分析了评价模型中误差取值,并...     

土壤水分预测的BP神经网络方法及模型

土壤水分预报是农田适时适量灌水的基础。田间土壤水分的变化受到外界气象因素及土壤特性、作物生长的影响,关系比较复杂。笔者利用多年实测土壤水分资料和气象资料,建立了考虑多个因素对土壤水分影响的BP人工神经网络模型。模型结果表明:所建立的模型具有较好的预测效果;用神经网络建立土壤水分预测模型的方法是可行的。     

基于BP神经网络的日光温室气温预报模型

为建立日光温室中短期气温预报模型,以2个冬季生产季的日光温室实时气温观测资料为基础,利用BP神经网络建模和曲线拟合的方法,对日光温室1~7d气温预报模型进行了研究。结果表明:1)以室外气温为输入要素的温室气温预报模型,最高气温预报值与观测值的符合度指数(D)为0.68~0.93,均方根误差(RMSE)为3.1~6.3℃;2)最低气温预报值与观测值的符合度指数(D)为0.81~0.95,均方根误差(RMSE)1.5~2.2℃;3)日光温室内最低气温预报绝对误差小于2℃的预报准确率Rate(≤2℃)为78%~95%;4)逐时气温预报模型预报值与实测值的符合度指数(D)为0.95~0.99,均方根误差(RMSE)为1.0~2.8℃,逐时气温预报模型预测准确率较高。结合目前气象台站"周预报"结果,模型可较准确地预报温室内1~7d最低气温,并模拟日光温室内气温的逐时变化,可为冬季日光温室低温灾害预警及室内气温调控提供有益参考。     

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BP神经网络的大气环境质量评价模型

依据BP人工神经网络原理,以MATLAB为工具,建立了某市大气环境质量评价模型,评价了该市1月上旬大气环境质量状况,并与灰色聚类法、模糊综合评价法的评价结果进行比较,得到了较为一致的评价结果。     

基于BP神经网络的化肥供应商选择模型研究

供应商选择是供应链管理中的一个重要环节。我国是世界上生产和使用化肥最多的国家,因此对于化肥供应商的选择显得尤为重要。针对化肥供应商的特点,首先构建了化肥供应商的选择评价指标体系,在该体系的基础上构建了BP神经网络评价模型。     

基于BP神经网络的油松人工林树高模型研究

通过分析比较不同算法以及不同输入层因子,构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源,通过对6种BP神经网络的训练方法进行训练,经过反复筛选找出最优模型并与传统胸径-树高模型作比较;最后将BP神经网络中的输入因子从2个增加到6个后,经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳,R²和MSE分别为0.963 0和1.168;2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响,BP神经网络模型的决定系数（R²）随着隐含层节点数的增加呈现先上升后下降的趋势;均方误差（MSE）呈现先下降后上升的趋势,两者都在节点数为10时有极值,此时的模型为最优模型;3）当输入因子为胸径和优势树高时,油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1）,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.761 0和1.984 7;当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时,最优模型结构为6∶10∶1,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出,在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法;BP神经网络模型与传统模型相比,BP神经网络模型不需要目标方程结构,并且模拟和预测的精度均要优于传统模型;在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。     

基于主成分分析与BP神经网络的供应商选择模型

供应商选择是企业进行决策的重要内容，也直接影响着企业竞争力。在科学合理的构建供应商评价指标体系的基础上，首先对供应商评价的数据进行主成分分析，然后建立基于BP神经网络的供应商评价模型，最后以实例验证。这两种方法相结合不仅简化了模型结构，而且较好的克服评价指标主观性强的问题，为供应商选择提供了一种新的、实用的评价方法。     

辣椒不同深度土壤墒情预报的BP神经网络模型

依据内蒙古河套灌区治丰试验基地的不同深度土壤水分传感器采样土壤含水率以及气象、地下水、灌水(降雨)数据,建立了基于BP人工神经网络的辣椒同时输出不同深度土层体积含水率预报模型,并用实测土壤含水率数据对模型进行了检验.结果表明,模型具有较好的预报效果,应用于不同深度土壤墒情分析和预报是可行的.     

基于BP神经网络的猪舍有害气体定量检测模型研究

为寻找适合猪舍混合有害气体浓度识别的神经网络模型,建立了基于误差反向传播（BP）神经网络的猪舍有害气体定量检测模型,分别使用trainbr函数、traingdm函数及trainlm函数训练该神经网络,对有害氨气和硫化氢组成的混合气体浓度进行识别,并利用MATLAB软件的神经网络工具箱进行仿真。结果表明,采用trainbr函数训练的网络对该混合气体的平均识别精度高,速度较快,对噪声不敏感,适合猪舍有害气体的浓度识别。这为猪舍有害气体智能化监控提供了参考依据。     

基于BP神经网络人参栽培中土壤肥效模型的研究

以人参栽培智能化为对象,介绍了BP神经网络在人参栽培中对预测人参土壤肥效的应用,从而指导人参生产栽培。