基于翻译模型的知识表示发展综述

知识图谱在人工智能上有很大的研究价值,并被广泛应用于语义搜索和自动问答等领域,基于翻译模型的知识表示已成为知识图谱领域研究的热点。知识图谱表示将包含了实体和关系的大规模知识图谱映射到一个连续的向量空间。为此,有一系列知识表示模型提出,其中基于翻译模型的经典方法 TransE不仅模型复杂度低、计算效率高,而且同样具有良好的知识表达能力。文章对翻译模型进行了概述,着重分析了翻译模型的常用方法,仅供参考。     

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.     

基于近红外光谱技术的蔬菜农药残留种类检测

该文基于近红外光谱技术,提出一种快速无损检测方法,以期实现蔬菜农药残留的分类检测。通过对喷洒了氰戊菊酯溶液、三唑磷溶液和未喷洒农药的生菜样本进行研究,比较不同预处理后的建模效果,选用SNV算法作为最优预处理方法。分别采用连续投影算法（SPA）、自主软收缩法（BOSS）和竞争性自适应重加权算法（CARS）对预处理后的光谱数据进行特征波段选择。采用支持向量机（SVM）和基于灰狼算法（GWO）优化的支持向量机（SVM）算法对特征波长变量分别建立分类模型。再通过对建立的模型进行比较得出:CARS-GWO-SVM模型取得了最佳的分类效果,模型的训练集精度和预测集精度均为100%。因此,利用近红外光谱技术对蔬菜上的农药残留进行分类检测是可行的。该研究为生菜中其他农药残留的快速无损检测分析提供参考。      

基于BiGRU_ MulCNN的农业问答问句分类技术研究

"中国农技推广"问答社区每天新增提问数据近万条,对提问的有效分类是实现智能问答的关键技术环节。海量提问数据具有特征稀疏性强、噪声大、规范性差的特点,制约了文本分类效果。为了改善农业问答问句短文本分类性能,提出了BiGRU_MulCNN分类模型,运用TF-IDF算法拓展文本特征,并加权表示文本词向量,利用双向门控循环单元神经网络获取输入词向量的上下文特征信息,构建多尺度并行卷积神经网络,进行多粒度的特征提取。试验结果表明,基于混合神经网络的短文本分类模型可以优化文本表示和文本特征提取,能够准确地对用户提问进行自动分类,正确率达95. 9%,与其他9种文本分类方法相比,分类性能优势明显。     

基于稀疏表示的枸杞分类研究

为实现利用计算机视觉技术提升枸杞品种分类效果的目的,研究基于稀疏表示(SR)的枸杞品种分类方法。首先获取枸杞的图像,并提取枸杞图像的颜色和形态特征参数,得到枸杞训练样本的数据词典矩阵。在此基础上,利用稀疏表示方法对枸杞测试样本进行分类。基于稀疏表示分类方法的第一步是利用数据词典矩阵对测试样本进行稀疏性表示,得到测试样本的稀疏表示系数;第二步,利用测试样本的稀疏表示系数,对测试样本进行重构;第三步,计算重构样本与测试样本之间的残差,通过比较残差的大小来确定测试样本的类别。本文将稀疏表示分类方法与深度神经网络(DNN)、最小二乘支持向量机(LSSVM)、BP网络和支持向量机(SVM)等方法的识别结果做了对比和分析。试验结果表明,稀疏表示分类方法对于3个枸杞品种的综合分类准确率为98.33%,获得了最好的分类效果。     

基于Stacking集成学习的水稻表型组学实体分类研究

为研究整合水稻表型组学相关知识,系统地建立水稻表型组学知识图谱,通过分布式爬虫框架从国家水稻数据中心网站获取水稻表型组学数据集,并以互动百科为辅助数据源获取水稻表型组学数据。对水稻表型组学数据采用TF-IDF技术结合潜在语义模型进行预处理,并对水稻表型组学实体进行人工分类和标注。为实现水稻表型组学实体分类,研究了基于堆叠式两阶段集成学习的分类器组合模型,结合K-近邻算法、支持向量机、随机森林、梯度提升决策树机器学习方法,提升水稻表型组学实体数据分类的性能。研究表明,基于堆叠式两阶段集成学习的分类器组合模型对不同类别的水稻表型组学数据都具有较好的多分类能力,对于不平衡的水稻表型组学数据集,本文方法的分类器组合模型对水稻表型组学数据分类效果最佳,Gene类别的F1为90.47%,总体准确率达80.55%,比支持向量机、K-近邻、随机森林和梯度提升决策树4种基分类器的分类准确率平均高6.78个百分点。     

基于环境星CCD图像的甘蔗叶面积指数反演方法

及时准确获取甘蔗叶面积指数对于甘蔗长势监测和产量预测具有重要意义。尝试通过构建组合核函数，利用支持向量回归方法建立甘蔗LAI估算模型，并利用新型国产卫星数据环境星CCD图像和准同步的地面观测数据，分别采用指数关系模型、对数关系模型、支持向量回归模型3种方法，以广西甘蔗主产县为例，开展了环境星遥感图像在甘蔗叶面积指数反演试验。结果表明，3种方法都可以对甘蔗LAI进行有效预测，且能获得较好的预测效果，验证了环境星CCD图像在甘蔗LAI反演中的实用性，其中支持向量回归模型反演精度最高：5月份决定性系数R2分别比     

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%。     

一种基于KNN算法的约会对象喜好程度预测实现

KNN是分类数据最简单最有效的算法。笔者结合KNN算法原理用Python实现其对约会对象喜欢程度预测的算法过程,并支持用户输入未知对象的属性信息进行预测,方法就是将用户输入的数据处理成程序提供的数据格式,然后作为测试样本在本应用的分类模型中进行预测,经过运行验证算法,分类效果良好。     

基于word2vec和LSTM的饮食健康文本分类研究

为了对饮食文本信息高效分类,建立一种基于word2vec和长短期记忆网络(Long-short term memory,LSTM)的分类模型。针对食物百科和饮食健康文本特点,首先利用word2vec实现包含语义信息的词向量表示,并解决了传统方法导致数据表示稀疏及维度灾难问题,基于K-means++根据语义关系聚类以提高训练数据质量。由word2vec构建文本向量作为LSTM的初始输入,训练LSTM分类模型,自动提取特征,进行饮食宜、忌的文本分类。实验采用48 000个文档进行测试,结果显示,分类准确率为98.08%,高于利用tf-idf、bag-of-words等文本数值化表示方法以及基于支持向量机(Support vector machine,SVM)和卷积神经网络(Convolutional neural network,CNN)分类算法结果。实验结果表明,利用该方法能够高质量地对饮食文本自动分类,帮助人们有效地利用健康饮食信息。     

灰色关联度组合模型在涝灾预测中的应用

传统灰色预测模型在涝灾预测中有较多应用,但其预测精度较低。为提高模型的预测精度,在传统灰色预测模型基础上加入灰色关联度分析,从灰色关联度的角度发现数据之间的依赖关系,运用灰色预测模型预测数据的发展走向。以沈阳市1960-2010年涝灾年份数据为依据,建立灰色关联度组合模型,应用结果表明,该模型比传统灰色预测模型效果好,为涝灾预测增添了新手段。     

基于建模预测与关系规则的养殖水体溶解氧含量调控方法

为了保证养殖水体溶解氧充足,水产养殖普遍采用全天大功率开启增氧机的生产方式,这造成了很大的能源消耗。针对上述问题,本文提出了一种基于建模预测与关系规则库的溶解氧调控方法,首先构建了一种自适应增强的粒子群优化极限学习机预测模型（AdaBoost-PSO-ELM）,实现溶解氧含量的准确预测;然后进行增氧预实验,采用曲面拟合方法对溶解氧初始含量、曝气流量和增氧机开启时间之间的作用关系进行精确量化,构建关系规则库;最后专家系统基于溶解氧含量预测值,调用已建立的关系规则库,合理控制增氧机的开启功率与时间。与其它常规的预测模型相比,AdaBoost-PSO-ELM模型的MSE、MAE和RMSE均为最优,分别为0.0055mg2/L2、0.0531mg/L、0.0745mg/L,可以实现溶解氧的准确预测。增氧实验结果表明,基于三次多项式的先验方程能够对〖JP2〗溶解氧初始含量、曝气流量和增氧机开启时间之间非线性关系进行准确量化,拟合R2均在0.99以上。由此可知,基于量化结果所构建的规则库与预测模型相结合能够合理控制增氧机的开启功率与时间,节省电能和提高养殖效率。     

基于建模预测与关系规则的养殖水体溶解氧含量调控方法

为了保证养殖水体溶解氧充足,水产养殖普遍采用全天大功率开启增氧机的生产方式,这造成了很大的能源消耗。针对上述问题,本文提出了一种基于建模预测与关系规则库的溶解氧调控方法,首先构建了一种自适应增强的粒子群优化极限学习机预测模型（AdaBoost-PSO-ELM）,实现溶解氧含量的准确预测;然后进行增氧预实验,采用曲面拟合方法对溶解氧初始含量、曝气流量和增氧机开启时间之间的作用关系进行精确量化,构建关系规则库;最后专家系统基于溶解氧含量预测值,调用已建立的关系规则库,合理控制增氧机的开启功率与时间。与其它常规的预测模型相比,AdaBoost-PSO-ELM模型的MSE、MAE和RMSE均为最优,分别为0.005 5 mg²/L²、0.053 1 mg/L、0.074 5 mg/L,可以实现溶解氧的准确预测。增氧实验结果表明,基于三次多项式的先验方程能够对溶解氧初始含量、曝气流量和增氧机开启时间之间非线性关系进行准确量化,拟合R²均在0.99以上。由此可知,基于量化结果所构建的规则库与预测模型相结合能够合理控制增氧机的开启功率...     

基于声学特性的西瓜糖度检测与分级系统研究

糖度是西瓜分级的重要指标之一,针对传统西瓜检测方法的弊端,探讨了声学特性结合机器学习用于西瓜无损检测与分级的可行性。设计了西瓜声学检测系统,采集了不同批次样本的时域信号。时域信号经归一化处理后,采用快速傅里叶变换得到频域信号,并对其进行去趋势预处理。采用主成分分析提取了频域信号主成分,其中前3个主成分累计方差贡献率为95.32%,第1主成分和第2主成分对不同等级样本具有可分性。利用4种不同的机器学习算法建立了西瓜全变量分级模型,验证集分类准确率均达到66%以上。使用稳定竞争性自适应加权算法提取了特征变量,减少了约84%的变量数,使用优化后的特征变量建立的分类模型,性能均得到了较好的提升,其中支持向量机模型取得了最高的验证集准确率（95.56%）、F1分数（96%）和Kappa系数（93%）。结果表明,声学特性结合机器学习的方法,对西瓜进行无损检测和分级是可行的。该研究为西瓜无损检测和分级提供了可行的技术方案。     

基于非线性模型的农用车路径跟踪控制器设计与试验

为提高农用车辆路径跟踪性能,提出一种基于非线性模型预测的路径跟踪控制方法。该方法将路径跟踪问题转换为求解满足速度、转角约束的最优值问题。首先将农用车的非线性运动学模型进行离散化推出递推模型,作为控制器的预测方程;然后建立以农用车运动学模型控制量为状态量的目标函数,设计各个变量的约束条件,把预测方程代入目标函数将其转化为基于递推序列的二次规划法响应问题,在此基础上进行梯度计算解决非线性的约束优化;最后,利用实时反馈与滚动优化实现控制器的闭环校正;重复以上过程,完成预测控制。Matlab仿真结果表明:非线性模型预测控制器能够实现对所设计路径的有效跟踪。相对应的场地试验结果表明:试验小车以2 m/s的速度跟踪参考路径时,最大横向偏差为-4.28 cm;3 m/s跟踪参考路径时,最大纵向偏差为-6.61 cm,可以满足农用车辆对于路径跟踪的精度要求。与线性模型预测控制器的对比试验表明:以3 m/s的速度跟踪圆形路径时,设计的控制器跟踪横向偏差降低了36.8%,纵向偏差降低了32.98%。     

基于植物电信号的环境因子预测模型

以采集的植物电信号为生理指标,综合分析其时域、频域和时频域中的典型特征值,利用学习速度快、泛化性能好的极限学习机算法,以电信号的多个特征及环境参数作为输入量,建立适合植物生长的环境因子（温度、湿度、光照度）预测模型。结果表明：通过对采集的碧玉叶面电信号进行不同域的分析,得出植物电信号属于低频微弱信号;利用极限学习机(ELM)分别对适合碧玉生长的温度、湿度及光照度3个环境因子建立预测模型,通过与传统的BP神经网络对比,ELM算法下的均方根误差小于0.97,而决定系数大于0.92,训练所需的时间低于0.03s,验证了此方法的可行性,为科学指导温室环境因子调控提供科学依据。     

基于模拟退火的三维模型典型结构挖掘与相似性评价

为了更好地实现设计领域三维CAD模型多粒度、精细化、智能化的设计重用需求,提出了一种基于模拟退火的三维模型典型结构挖掘与相似性评价方法。首先,通过提取以B-rep表示的三维CAD模型几何与拓扑信息,构建三维CAD模型的属性邻接图;然后以此为描述载体,利用具有局部重用价值的典型结构和三维CAD模型属性邻接图之间顶点和边的属性映射关系建立关联图及其关联图矩阵;最后,基于一种启发式算法——模拟退火算法完成关联图中最大团的检测以实现三维CAD模型中典型结构的挖掘,并进行相似性评价,同时以蚁群算法和遗传算法为比较对象,在通用模型库和农业机械装备模型库完成了算法的验证。实验结果表明,该方法能较好地实现三维CAD模型典型结构的挖掘和相似性评价,可以有效地支持设计领域的三维模型特征级和局部结构级设计信息的重用。     

果蔬运输车辆路径再规划

果蔬具有易腐性,在销售、消费时存在很强的时效性,这就要求合理规划果蔬运输车辆的配送路径。在果蔬配送途中,当某运输车遇到特殊情况无法按时送达配送点时,应当对其他运输车进行路径再规划。给出了带时间窗的果蔬运输车辆路径再规划的数学模型,并采用改进蚁群算法进行了求解。仿真试验结果表明,模型及算法可以有效地优化果蔬配送新路线,为降低果蔬腐烂损失、提高销售收入、有效控制运作成本提供了理论支持。     

基于改进神经网络算法的蛋鸡产蛋率预测研究

为提高蛋鸡产蛋率预测效果,采用改进神经网络算法。首先依据神经网络误差与动态因子来优化神经网络权值,神经网络自适应学习速率在算法运行前期较大从而加快学习,后期迅速减小,加速收敛,减小误差,提高网络训练精度;接着神经网络的激活函数采用修正线性激活函数ReLu,使得计算速度加快;然后建立预测模型以及产蛋率预测评价指标;最后给出蛋鸡产蛋率预测流程。试验仿真显示:本文算法对蛋鸡产蛋率预测接近实际值,相关系数相比SVM、ELM、NN、PSONN、ACNN分别提高0.58%、0.48%、0.40%、0.28%、0.23%,均方误差相比SVM、ELM、NN、PSONN、ACNN分别减少5.89%、4.92%、3.93%、2.67%、1.81%,优于其他算法,为蛋鸡产蛋率预测提供新的思路与方法。     

基于自适应深度学习的数控机床运行状态预测方法

针对机床状态动态标签及差异化分布数据下的预测适应性差与准确度低问题,结合时序特征关系和模型融合方法,建立自适应混合深度学习模型进行机床状态预测.首先,通过融合最小近邻分类器,设计一种基于权值累积的自适应更新法则,建立具有数据自适应性的状态预测模型.在此基础上,提出一种基于中心损失函数的特征距离度量优化策略,构建综合决策...