基于BIGRU的番茄病虫害问答系统问句分类研究

问句分类作为问答系统的关键模块,对系统检索效率具有决定性作用。为了对番茄病虫害智能问答系统用户问句进行高效分类,构建了基于word2vec和双向门控循环单元神经网络(Bi-directional gated recurrent unit,BIGRU)的番茄病虫害问句分类模型。针对问答系统对用户问句的语义信息有较高要求的特点,首先利用word2vec将句子中的词转换为具有语法、语义信息的词向量,利用训练得到的词向量和BIGRU神经网络进行问句分类模型的训练。实验选取了2 000个番茄病虫害相关的用户问句,主要分为番茄病害和番茄虫害两类。结果表明,采用BIGRU的番茄病虫害问句分类模型,其分类准确率、召回率和准确率与召回率的调和平均值F1分别高于卷积神经网络(CNN)、K最近邻等分类算法2~5个百分点。BIGRU模型结构简单,模型训练参数较少,模型训练速度快,符合问答系统对响应时间的要求。     

大型连栋温室环境参数的线性时不变系统建模

华北地区大型连栋温室夏季强制通风降温的水、能消耗很大,为了使环境调控既能适宜作物生长又能降低调控消耗,迫切需要精确有效的环境温度和湿度动态模型。该文采用线性时不变系统的ARX模型及系统辨识方法,对华北地区连栋温室夏季强制通风降温动态过程进行室内温度和湿度建模。试验在2003年夏季6－7月进行,以1 min的时间间隔连续采集室内温度、湿度、室外温度、湿度、光照强度、风速、风机运行状态和数据采集时刻8个参数,将采集的数据分成辨识集和证实集两组,用辨识集数据采用最小二乘法进行模型系数回归,用证实集数据进行模型验证,验证指标为最大绝对误差（MAE）、最大相对误差（MRE）、均方误差（RMSE）和可解释方差（vaf）。证实结果显示,温度模型的最大预测误差（MAE）为3.57 ℃,均方误差（RMSE）小于0.198 ℃;湿度模型的最大预测误差（MAE）为7.3%,均方误差（RMSE）小于0.624%;温度和湿度模型的vaf均大于98.9%。说明尽管模型在个别点的预测误差稍大,但总体的预测精度较高,能够满足一般情况下作物栽培对环境预测的要求。     

基于图像技术的温室光分布研究

温室内光照环境对作物生长有重要影响,然而受温室形状、方位、覆盖材料、天气等各因素的影响,温室内光分布一直是研究的难点。该文提出基于计算机视觉技术和基于图像的光照技术来采集温室内真实环境的光分布,通过高动态范围图像的制作,以及从图像中的光源信息的提取,得到温室内光分布的辐射度图,该图能够真实反映不同天气情况下以及一天中不同时刻、不同方向的光照强度分布,能较好地模拟场景周围的自然光照。该研究将为温室内复杂光源分布的获取和作物冠层顶部入射辐射的研究提供准确的光照模型。     

温室生产系统环境控制算法综述

温室是实现作物优质高效生产的重要设施,可以在一定程度上克服传统农业难以解决的限制因素,消除对作物生长不利的环境条件,使其部分或者全部脱离外界气候条件及土壤因素的制约,达到作物高产出、高质量、高效益和工厂化生产的目标。先进温室生产系统的标志之一是可基于温室环境控制系统进行温室生产过程调控,为作物构造合适的生长环境,以提高产量,改善质量。温室生产过程性能的好与坏取决于控制算法。在检索中外文献基础上,介绍了目前控制算法的类型、存在的问题、改进措施和未来发展趋向。