从神经网络中抽取土地评价模糊规则

为了明确土地评价中所训练神经网络的含义，使土地评价工作者可轻松地理解、判断所得到土地评价模型的正确性和合理性，提出从神经网络中抽取土地评价模糊规则的方法。现有的大多数从神经网络中提取方法，神经网络的输入属性要么局限于连续的，要么只适应于离散的，而土地评价因子往往既包含连续的又包含离散的、标称的，该文首先提出了一种输入属性值适应于这三种类型数据的模糊神经网络建立方法，进而给出一种从建立的神经网络中抽取其中较主要模糊规则的算法。试验表明，所提出的土地评价方法，可直接从样本中学习评价规律，使土地评价工作者易于理解，当出现抽取的规则与实际情况不吻合时，可重新训练神经网络和抽取规则，所得到的评价结果比BP网络的评价结果更准确，从而提高了土地评价的准确性。     

基于SFAM神经网络集成的土地评价

SFAM(Simplified Fuzzy ARTMAP,简化的模糊ARTMAP)神经网络具有自组织反馈、增量式学习和高度复杂映射等特点,是一种较BP神经网络和RBF神经网络等前馈神经网络更优秀的自组织神经网络.为克服SFAM神经网络受输入样本顺序的影响,提高土地评价的精度,提出利用SFAM神经网络集成进行土地评价的方法.并用SFAM神经网络、SFAM神经网络集成、BP神经网络、BP神经网络集成、RBF神经网络和RBF神经网络集成等方法对广东省中山市的土地进行了评价,对评价结果进行了分析和比较,结果表明SFAM神经网络具有比BP神经网络和RBF神经网络更优越的评价性能;对于这三种不同的神经网络,神经网络集成的土壤评价精度分别高于单个神经网络的精度.     

基于关联规则和模糊判据的土地评价方法

为提高土地评价知识表达的可解释性,使评价结果更能反映土地变化的自然规律与本质特征,提出利用关联规则和模糊判据进行土地评价的方法.并利用所提出的方法对广东省的土地进行了评价.试验结果表明,该方法适于从土地评价数据库中挖掘出易于理解的土地评价规则;当最小支持度分别为0.005、0.003和0.001时,挖掘出的土地评价关联规则数分别为32、54和126条,其中,在最小支持度为0.001时,利用126条土地评价关联规则即能获取高达95.25%的土地评价精度.     

基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法

柑橘识别是实现柑橘园果实自动采摘、果树精细化管理以及实现果园产量预测的关键技术环节。为实现自然环境下柑橘果实的快速精准识别,该文提出一种基于改进YOLOv3-LITE轻量级神经网络的柑橘识别方法。在采摘机器人领域,果实识别回归框的准确率直接决定了机器手的采摘成功率,该方法通过引入GIo U边框回归损失函数来提高果实识别回归框准确率;为便于迁移到移动终端,提出一种YOLOv3-LITE轻量级网络模型,使用MobileNet-v2作为模型的骨干网络;使用混合训练与迁移学习结合的预训练方式来提高模型的泛化能力。通过与Faster-RCNN以及SSD模型对比在不同遮挡程度的测试样本下模型的识别效果,用F1值与AP值评估各模型的差异,试验结果表明:该文提出的模型识别效果提升显著,对于果实轻度遮挡的数据集,该文提出的柑橘识别模型的F1值和AP值分别为95.27%和92.75%,Average IoU为88.65%;在全部测试集上,F1值和AP值分别为93.69%和91.13%,AverageIoU为87.32%,在GPU上对柑橘目标检测速度可达246帧/s,对单张416×416的图片推断速度为16.9 ms,在CPU上检测速度可达22帧/s,推断速度为80.9 ms,模型占用内存为28 MB。因此,该文提出的柑橘识别方法具有模型占用内存低、识别准确率高及识别速度快等优点,可为柑橘采摘机器人以及柑橘产业产量预测提出新的解决方案,为柑橘产业智能化提供新的思路。     

公众参与基塘土壤重金属污染治理研究

桑基鱼塘曾经是珠江三角洲的主要农业特色,由于近三十年来受到来自城市化和工业化的冲击而消失殆尽。基塘系统功能逐渐退化,甚至遭受污染,成为当地污染源。作为基塘主要经营者的基塘农户,其行为对于基塘的污染产生和治理具有极重要的影响。基于此,以珠江三角洲基塘农户为研究对象,基于245份问卷,以公众参与制度为研究框架,分析基塘农户对于基塘土壤污染治理的意愿及其影响因素,以期为珠江三角洲地区基塘土壤污染治理提供政策支持。结果表明,现存基塘与传统基塘相比工序简化,同时农户也会投入现代农业资源,农户都认同需要对基塘土壤污染进行治理,倾向于选择扰动较少的治理方式。