基于改进的 AlexNet 卷积神经网络的植物叶片识别

针对多类植物叶片识别准确率和计算效率低问题,通过残差连接卷积层,构建了一种基于残差连接的Alexnet卷积神经网络。对卷积层的输入数据进行批归一化,进而加速网络的收敛速度。利用两种不同的全局池化算法既能减少特征图数目又能提高算法识别植物叶片的准确性和计算效率。对于不同种类植物叶片,实验验证残差连接的Alexnet卷积神经网络能够进行高效识别。     

基于物联网的玉米智能生产技术体系探讨

探讨了物联网技术在玉米生态环境监测、玉米生产资源高效利用、玉米精准生产管理等方面的应用,提出了玉米高产、优质、高效、生态、安全的现代生产方式,构建了基于物联网的玉米智能生产的技术体系。该技术体系对保证玉米的高产稳产具有十分重要的意义。     

“互联网+”时代应用型本科教育教学改革探析——以吉林省为例

"互联网+"给应用型本科教育教学带来了深刻的影响,迫切需要探索"互联网+"时代应用型本科教学改革的实施路径。为此,笔者以吉林省为例,对"互联网+"时代应用型本科教育教学改革进行探析。认为吉林省本科教育教学应从教学内容、教学方法和评价模式三方面进行改革,通过政策导向、教师培养和校企合作等方面保证改革的顺利实施,推进吉林省的一批高校向应用型大学方向发展,以满足地方经济建设发展需求。     

用多阈值多目标无人机图像分割优化算法检测秸秆覆盖率

为了适应航拍采集秸秆覆盖图像大尺度处理需求，提高当前多阈值差分灰狼优化算法（Differential Evolution Grey Wolf Optimizer，DE-GWO）的图像分割质量和速度，提出一种用于检测秸秆覆盖率的图像分割优化算法。该研究借鉴了人工蜂群多目标灰狼优化算法（Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimizer，AS-MOGWO），在DE-GWO算法中加入了多目标灰狼优化算法（Multi-Objective Grey Wolf Optimizer，MOGWO）的外部存档，引入多目标的概念，并添加了人工蜂群算法（Artificial Bee Colony，ABC）中观察蜂的搜索策略，提出了基于多阈值的多目标秸秆覆盖图像自动分割的优化算法（Differential Evolution Artificial Bee Colony Survey Multi-Objective Grey Wolf Optimization，DE-AS-MOGWO）。该算法不仅继承了DE-GWO算法的自动分割特性，还兼备AS-MOGWO算法的高效收敛性，提高了图像分割的准确性和处理速度。分析结果显示，在无外界影响的情况下，该研究提出的DE-AS-MOGWO优化算法与人工实际测量法匹配的误差可控制在8%以内。在算法性能方面，DE-AS-MOGWO相比于PSO（Particle Swarm Optimization）、GWO（Grey Wolf Optimizer）、DE-GWO和DE-MOGWO在平均匹配率上分别提高了4.967%、3.617%、2.188%和3.404%，平均误分率分别降低了0.168%、0.131%、0.089%和0.116%，而算法耗时分别降低了82%、84%、17%和32%。试验结果表明，多阈值多目标图像分割方法在大尺度无人机图像中可获得较好的分割效果，且针对不同秸秆覆盖率图像均具有普遍适用性，为大面积秸秆覆盖率检测以及其他相关图像检测提供了高效算法支持。     

基于熵权法加权的模糊C均值聚类算法研究

针对模糊C均值聚类算法不能区分数据各属性之间的不平衡性,提出了一种基于熵权法加权的模糊C均值聚类算法。该算法首先应用熵权法计算各属性的权重系数,然后对标准化之后的原始数据进行加权,最后应用模糊C均值聚类算法对加权之后的数据进行聚类。实验表明,该算法聚类准确率要明显高于未加权的模糊C均值聚类算法。     

吉林省粮食综合生产能力评价与对策分析

从粮食生产系统的角度,运用层次分析法构建粮食综合生产能力评价指标体系,采用相关系数法对吉林、河北、黑龙江、安徽、山东和湖北6个粮食主产省(2001—2008年)的粮食综合生产能力进行比较性测评和现状分析,进而提出了培育吉林省粮食综合生产能力的对策。     

玉米生长动态模拟仿真系统的研究（英文）

为了加快提高玉米生产精准化作业的水平,利用玉米生理生态模型、形态结构模型、计算机和虚拟现实技术,研制开发了玉米生长动态模拟仿真系统,将计算机图形学算法、虚拟现实技术、动画设计技术以及信息集成技术应用到玉米生产领域。建立的生长动态模拟仿真系统有利于玉米精准化作业水平的提高,能够协助相关的生产研究和试验,达到降低成本、提高效率的目的。     

组合预测方法在玉米施肥预测中的应用

为提高玉米施肥量预测的精度,利用拉格朗日乘数法,基于预测误差平方和最小这一目标,对肥料效应函数、神经网络施肥预测方法这2种单一施肥量预测模型进行加权组合,建立了玉米施肥组合预测模型。预测结果显示:肥料效应函数、神经网络施肥预测方法和组合预测模型的预测误差平方和分别为2789.40,653.79,421.72,说明玉米施肥组合预测模型优于单一施肥预测模型;采用组合预测方法对玉米施肥量进行预测,能够显著提高预测精度。     

加权系数法在土壤等级评价上的应用

以土壤环境为例,说明加权系数法在土壤等级综合评价问题上的具体应用。