基于判别映射分析的植物叶片分类方法

流形学习的一个目标是寻找一个映射,使得邻域内不同类数据点之间的边界最大化.观察数据点映射后在子空间内使得同类数据点更聚集,而不同类数据点更分类.基于这个目标,提出了一种判别映射分析的算法,并将其应用于叶片分类中,该算法能够得到数据较优的判别分类特征,适用于样本分类.在瑞典植物叶片数据库上进行了试验验证,结果表明该方法是有效可行的.     

具有交易费用和马氏调制的均值-方差组合选择

研究了均值-方差准则下，最优投资组合选择问题.投资者为了增加财富它可以在金融市场上投资.金融市场由一个无风险资产和n个带跳的风险资产组成，并假设金融市场具有马氏调制，买卖风险资产时，考虑交易费用.目标是，在终值财富的均值等于d的限制下，使终值财富的方差最小，即均值-方差组合选择问题.应用随机控制的理论解决该问题，获得了最优的投资策略和有效边界.     

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。     

基于叶片图像和环境信息的黄瓜病害识别方法

作物病害严重影响着作物的产量和质量,病害类型识别是病害防治的前提。利用图像处理和统计分析,提出了一种基于病害叶片图像和环境信息的黄瓜病害类别识别方法。采集不同季节、温度和湿度等环境下的病害叶片图像,并记录病害的环境信息;利用属性约简法提取病害叶片的5个环境信息特征向量,对病害叶片图像进行一系列图像处理,提取病斑图像的颜色、形状、纹理等35个统计特征向量。将两者结合得到黄瓜病害的40个特征分量。再利用统计分析系统(statistical analysis system,SAS)的判别分析方法,选择10个分类能力强的特征分量,计算作物病害的聚类中心分类特征向量。最后,利用最大隶属度准则识别病害叶片的病斑类别。对黄瓜的霜霉病、褐斑病和炭疽病3种叶部病害的识别率高达90%以上。试验结果表明,该方法能够有效识别作物叶部病害类别,可为田间开放环境下实现作物病害的快速自动识别提供依据。     

基于概率局部判断映射的植物分类方法

基于叶片图像的植物分类与识别方法研究在保护植物物种和生态环境等方面发挥着重要的作用。由于叶片图像的复杂多样性以及同类叶片图像之间的差异性较大等特点,使得很多基于叶片颜色、形状和纹理的特征提取和识别方法不能满足植物自动识别系统的需要。在分类概率和局部保持映射(locality preserving projections,LPP)的基础上,提出了一种概率局部判别映射(probability locality preserving discriminant projections,PLPDP)方法,并应用于植物分类。首先计算每个样本的分类概率,由样本的局部信息、分类概率和类别信息定义权重矩阵,然后构建目标函数。通过最小化目标函数寻求最佳投影矩阵,使得原始高维样本经投影后,在低维特征空间保持了样本的局部信息、分布信息和类别信息。与判别LPP和监督LPP相比,PLPDP充分利用了样本的局部信息、分类概率和类别信息,算法的分类能力得到了较大提高。在公开的植物叶片图像数据库上对20类植物叶片图像进行了分类试验,识别率高达90%以上。试验结果表明,该方法是有效可行的。     

基于性能改善深度信念网络的棉花病虫害预测方法

针对与棉花病虫害发生相关的环境信息数据具有大容量、多样性的特点,提出一种基于环境信息和改进深度信念网络(MDBN)相结合的棉花病虫害预测模型。该模型由3层限制玻尔兹曼机(RBM)网络和1个BP网络组成。利用MDBN提取与病虫害发生相关的特征变量,并利用BP神经网络进行病虫害预测。该方法的特点是将自适应学习率引入到DBN的无监督预训练阶段,并从训练数据批次的选择、参数调优的迭代周期以及在线学习训练等多个方面对MDBN的性能进行优化和改善,从而能够利用MDBN充分挖掘数据集中病虫害预测的特征向量,提高网络的预测精度。对实际棉花病虫害的预测结果表明,MDBN比传统预测模型具有更高的预测精度,是一种有效的农作物病虫害预测方法。     

一种改进的深度置信网络在棉花病虫害预测中的应用

【目的】棉花病虫害发生和发展主要与环境信息相关,由于环境信息多且复杂多变,使得棉花病虫害预测方法研究具有一定的挑战性。本文旨在探索及时、准确地预测棉花病虫害的方法。【方法】提出1种基于环境信息和深度信念网络的棉花病虫害预测模型。该模型由3层限制玻尔兹曼机网络(Restricted Boltzmann machines,RBM)和1个监督反向传播(Back-propagation,BP)网络组成,利用RBM将环境信息数据转换到与病虫害发生相关的新的特征空间,利用BP网络对最后1层输出的特征向量进行分类预测,利用动态学习率和对比分散准则加快RBM的训练过程,并利用该模型对近6年棉花的棉铃虫、棉蚜虫、红蜘蛛和黄萎病、枯萎病进行预测试验。【结果】与传统棉花病虫害预测模型相比,提出的预测模型能够深度挖掘棉花病虫害发生与环境信息之间的深层次相关关系,具有更高的预测精度,预测平均正确率在83%以上。【结论】该方法是1种有效的农作物病虫害预测方法,为棉花病虫害防治提供了有效的技术支持。     

基于自适应判别深度置信网络的棉花病虫害预测

作物病虫害预测是病虫害防治的前提,利用深度学习预测作物病虫害是一个有效且具有挑战性的研究课题。该文针对深度置信网络(deep belief network,DBN)在作物病虫害预测中的训练耗时长和容易收敛于局部最优解等问题,将自适应DBN和判别限制玻尔兹曼机(restricted boltzmann machine,RBM)相结合,利用棉花生长的环境信息,提出一种基于自适应判别DBN的棉花病虫害预测模型。该模型由3层RBM网络和一个判别RBM(discriminative restricted boltzmann machine,DRBM)网络组成,通过3层RBM网络将棉花生长的环境信息数据转换到与病虫害发生相关的特征空间,通过自动学习得到层次化的特征表示,再由DRBM预测棉花病虫害的发生概率。该模型将自适应学习率引入到对比差度算法中,通过自动调整学习步长,解决了在传统DBN模型训练时学习率选择难的问题;在学习过程中通过在DRBM中引入样本的类别信息,使得训练具有类别针对性,弱化传统RBM无监督训练时易出现特征同质化问题,提高了模型的预测准确率。对实际棉花的"棉铃虫、棉蚜虫、红蜘蛛"虫害和"黄萎病、枯萎病"病害的平均预测准确率为82.840%,与传统BP神经网络模型(BPNN)、强模糊支持向量机模型(SFSVM)和RBF神经网络模型(RBFNN)分别提高19.248%,24.916%和27.774%。     

基于SVM和形态学的作物病斑图像分割方法

作物叶片病斑图像分割是作物病害自动识别的一个重要步骤,为了提高传统的基于阈值或聚类的叶片病斑分割方法的分割效果,提出了一种基于支持向量机(SVM)和形态学的病斑分割方法。首先利用SVM进行病斑图像分割,再利用开运算和闭运算来消除病斑图像中边缘的不连续性、病斑内部的小噪声和小洞。最后,通过对黄瓜细菌性角斑病图像进行试验,结果表明,所提出分割方法具有较好的分割效果。     

林地生态效益价值评价模型

分析了林地生态效益价值的主要影响因素,主要有涵养水源价值、净化环境价值、水土保持价值、调节气候价值;给出了能处理不确定性信息的林地生态效益价值评价模型,并着重探讨了指标权重确定方法和对林地生态效益价值评价中的不确定信息的处理方法;最后实例验证了所建立的林地生态效益价值评价模型的可行性和便利性。