朴素贝叶斯算法在蝴蝶兰病害分类中的应用研究

蝴蝶兰属于热带气生兰,对生长环境的温湿度非常敏感,温湿度过高或过低不仅对蝴蝶兰生长不利而且易引发多种病害。为此,利用传感器采集的蝴蝶兰生长环境空气温湿度数据,运用朴素贝叶斯算法对其进行分类,以此判断蝴蝶兰的健康状况,达到病害分类的目的。实验表明,该方法的平均分类准确率达到81%,与其它统计学预报方法相比,具有简单、易行的优点。     

基于支持向量机的中文农业文本分类技术研究

高效地组织、分类信息,是提供个性化农业信息推荐服务的基础。根据农业文本信息特点,提出了一种基于线性支持向量机(Support vector machine,SVM)的中文农业文本分类模型,首先构建农业行业分类关键词库,通过特征词选择和权重计算,构建分类器模型,实现信息的自动分类。实验选取了1 071个测试文档,并按照种植业、林业、畜牧业、渔业进行分类。结果表明,分类准确率为96.5%,召回率为96.4%。实验结果高于贝叶斯、决策树、KNN、SMO等分类算法,将该模型应用于农业物联网行业信息综合服务平台,运行结果表明,该方法能够实现中文农业文本信息的自动分类,响应时间满足系统要求。     

基于Spark框架XGBoost的林业文本并行分类方法研究

针对当前"互联网+"技术与林业的交叉融合,涌现出海量待挖掘的涉林文本,而林业文本分类的相关研究尚不成熟的问题,使用网络爬虫技术面向互联网采集涉林文本,基于丰富的语料重新构建分类标签,提出基于Spark计算框架的XGBoost并行化方法,对林业文本进行分类。经由交叉验证,构建的XGBoost并行分类算法准确率为0. 923 4,在各类别中最低F1为0. 860 4,最高为0. 998 4;其在2. 1万条、4. 2万条、8. 4万条数据集上的训练加速比分别为2. 13、3. 47、3. 82。结果表明,基于该标签设定的分类模型对现存互联网中涉林文本的适应性较好;Spark环境下实现的XGBoost并行化算法的准确率显著优于其他4种机器学习(朴素贝叶斯、GBDT决策树、BP神经网络和ELM神经网络算法)的并行化算法,算法执行效率远高于单机版本,且数据量越大,其加速比越高,能有效应对海量林业文本的实时、准确分类。     

基于深度卷积神经网络的水稻知识文本分类方法

为解决文本特征提取不准确和因网络层次加深而导致模型分类性能变差等问题,提出基于深度卷积神经网络的水稻知识文本分类方法.针对水稻知识文本的特点,采用Word2Vec方法进行文本向量化处理,并与One-Hot、TF-IDF和Hashing方法进行对比分析,得出Word2Vec方法具有较高的分类精度,正确率为86.44％,能...     

基于贝叶斯网络分类算法的采摘机器人故障诊断研究

提出了贝叶斯网络分类算法和采摘机器人故障诊断节点的选取的方法,建立了采摘机器人故障诊断贝叶斯网络模型,并从采摘机器人动力故障和执行器故障两方面进行了分析研究。实验结果表明:TAN贝叶斯网络算法在诊断正确率和耗时时间两方面,都明显优于NB算法,说明该系统不仅适用于采摘机器人动力故障和执行器故障诊断,且能够较大地提高故障诊断正确率和效率。     

基于贝叶斯方法的突发水污染事件溯源研究

为快速对突发性水污染事件进行溯源,求得污染物的排放位置、排放量及排放时间,提出一种基于贝叶斯(Bayesian)和马尔科夫蒙特卡洛方法(MCMC)的污染源信息反演算法。基于Bayesian-MCMC方法可在已知污染源先验信息的基础上,构造似然函数,求得污染源的后验概率密度函数,进而将溯源问题转化为对后验概率密度函数的抽样问题。在抽样方法上本文选用M-H采样方法及GIBBS采样方法并加以改进、对比。结果表明:该方法能够较准确地对突发点源岸边污染物瞬时排放事件进行溯源,其计算结果接近于真实值,能够有效地解决点源岸边污染物瞬时排放的溯源问题。且改进的M-H采样方法可以有效加快迭代时的收敛速度,使待反演参数的抽样值更快地趋近于目标值。     

基于层级多标签的农业病虫害问句分类方法

随着信息化技术的快速发展,农户通过线上智能农业问答系统解决线下农业病虫害问题已成为趋势。问句分类在问答系统中发挥着至关重要的作用,其准确性直接决定了最终返回答案的正确性。传统的单标签文本分类模型难以直接准确捕捉到农业病虫害问句的确切意图,而且由于缺乏大规模公开的农业病虫害问句语料,使得现有研究具有一定的难度。为此,本文基于树状结构构建了一个农业病虫害问句层级分类体系,由问句模糊性向精确性逐层细化分类,旨在克服农业问句的语义复杂性;此外,引入对抗训练方法,通过构建对抗样本并将其与原始样本一同用于大规模语言模型的训练,以提高模型泛化能力,同时缓解了因语料不足而产生的问题。通过对真实问答语料库的实验验证,本文提出的方法能够提升农业病虫害问句的分类性能,可为农业病虫害自动问答系统提供有效的问句意图识别。     

基于农业网络信息分类的热词自动提取方法

热词提取对于监控和分析农业舆情具有重要意义,目前已有一定研究基础,但仍存在针对性差等问题,无法满足农业领域不同产业用户群的个性化需求,为此,提出一种基于农业网络信息分类的热词自动提取方法。首先采用多标记分类算法对文本语料进行分类,按分类类别构建语料库,然后采用基于信息熵的方法对每个类别分别提取热词候选词,最后采用基于时间变化的方法进行候选词热度计算,根据候选词热度排序结果得到热词。本文抽取农业网站上的15 354条文本进行实验,结果表明,热词提取准确率达到0.9以上,能够较高质量地提取农业热词,为不同农业用户群体发现和分析产业热点提供帮助。     

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TFIDF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。     

简析设施农业工程技术分类方法

我国设施农业工程技术经过多年发展后已渐成体系,并越来越体现出较完整的复杂系统特点,而技术分类是揭示设施农业技术体系特征,促进学科建设,指导科学研究和技术推广工作的关键基础性工作,其方法非常重要。为此,本文基于设施农业工程技术发展现状,针对设施农业技术的内在逻辑的探究和特征的提取,重点探讨了设施农业工程技术分类问题。     

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。     

基于改进ResNet玉米种子分类方法研究

针对传统人工挑选存在误差大、效率低等问题,提出一种基于ResNet网络的细粒度图像分类方法对玉米种子进行精确分类。首先,针对玉米种子特征建立图像采集平台并对采集到的图片进行图像预处理,然后,构建基于ResNet的玉米种子的分类模型并优化整个网络,输入玉米种子图像输入到模型中进行训练,直到得到权值最好的分类模型,相同条件下还比较VGG-13、AlexNet以及ResNet-50的结果。试验表明:本文提出的卷积神经网络的识别精度和识别时间与VGG-13、AlexNet以及ResNet-50相比都得到一定的提升。经过改进ResNet算法对大、中、小种子的识别率分别为96.4%、93.5%、92.3%高于VGG-13、AlexNet以及ResNet-50三种算法。     

基于本体与认知经验的农业机器人视觉分类决策方法

基于小样本数据下认知经验知识辅助计算机进行决策,对实现农业领域机器人智能认知决策与助力智慧农业发展具有重要意义。本文在统计计数、支持向量机（SVM）等图像属性信息学习方法基础上,使用Protégé等工具,基于认知经验构建水果识别分类的专业知识库;然后根据图像颜色与形状信息,进行知识库搜索推理得到分类决策。实验在Fruit360数据集中共选择2091幅葡萄、香蕉、樱桃水果图像作为测试集,并各挑选30幅图像作为属性信息训练集与验证集,结果表明当前数据下葡萄与樱桃识别准确率为100%,香蕉识别准确率为93.30%。仅在知识库添加黄桃知识后,对984幅黄桃图像样本进行测试,其分类准确率为97.05%。表明本文方法能有效完成图像分类决策任务,且具有良好的过程可解释性、能力共享性和可拓展性。     

基于BERT-BiLSTM模型的输水工程巡检文本智能分类

长距离输水工程线路长,沿线环境复杂,在输水工程日常运行过程中,工程安全巡检是维护生产安全的重要手段。在工程巡检中产生了大量的巡检文本数据。在传统生产管理过程中,巡检文本依赖于管理人员人工按照出现问题的严重程度进行分类,效率低下且容易出现主观性问题分类出错,不足以良好管理长线路,沿线环境复杂的输水工程。针对这一问题,提出一种结合双向长短期记忆神经网络（Bi-directional Long Short-Term Memory）和BERT神经网络的混合深度学习模型对巡检文本智能分类方法,模型使用BERT作为输入层将巡检文本转化为特征向量,再将结果输入到BiLSTM模型挖掘文本特征,实现巡检文本智能分类。以南水北调中线巡检文本为算例,实验结果表明：该模型与主流深度学习模型文本卷积神经网络（TextCNN）,BERT,BiLSTM模型相比,准确率、召回率和F1值分别达到92.30%、92.32%、92.30%,模型性能优于其他深度学习模型。     

基于注意力机制的农业文本命名实体识别

针对农业智能问答系统构建过程中传统的农业命名实体识别方法依赖人工特征模板、特征信息提取不充分、实体名称多样导致标注不一致等问题,提出一种基于注意力机制的农业文本命名实体识别方法.采用连续词袋模型(Continuous bag of words,CBOW)对输入字向量进行预训练,丰富字向量特征信息,缓解分词准确度对性能的...     

基于贝叶斯方法的收割机发动机盖有限元模型修正

收割机发动机缸盖较为复杂,在进行有限元分析时,如果模型简化或计算模型选择错误对计算效果影响很大。为此,提出了一种基于贝叶斯方法的发动机缸盖有限元模型修正方法,在进行缸盖的有限元分析时,采用了贝叶斯方法对缸盖的刚度参数进行修正,有效地提高了计算仿真的准确性。为了验证修正模型的可行性和可靠性,利用Pro/E软件对收割机发动机缸盖进行了三维建模,并将模型直接导入到ANSYS软件中进行了网格划分,网格划分采用了分块网格划分的形式,提高了计算效率和计算的准确性。最后,运用ANSYS对发动机缸盖在工作条件下的应力分布进行了有限元仿真计算,结果表明:采用修正模型可以成功地计算得到较为准确的应力分布情况,从而验证了模型的可靠性,为收割机发动机缸盖的设计提供了重要的数据参考。     

基于贝叶斯统计方法的精细地面灌溉智能控制系统合理数据量研究

确定需要采集灌溉信息的合理数据量是根据已知灌溉信息准确预测未知灌溉过程,实现对地面灌溉全过程智能控制和管理的首要问题。基于贝叶斯统计方法,以借助灌溉模型所得的水流推进过程模拟值与实测值之间的平均相对误差为随机变量,基于50个典型田块的实测信息估算其先验分布,再结合样本及统计模型(似然函数),导出后验分布,计算出随机变量的95%置信区间,从而从理论上论证对地面灌溉过程进行智能控制需采用的能够准确估算入渗参数并预测灌溉全过程的合理数据量。     

基于贝叶斯网络的水环境管理研究

贝叶斯网络是一种定性与定量分析相结合的不确定性推理方法,以图论的形式直观的表达了实例系统中变量间的不确定性关系,概率推理的结果能够使多个管理目标均达到最优.应用贝叶斯网络解决水环境管理中具有不确定性的多目标决策问题,通过对决策变量氮磷排放浓度的调控达到有效的改善水环境的目标.分析具体的水环境管理系统中变量间的相互关系,...     

基于MobileViT轻量化网络的遥感图像分类方法研究

【目的】针对遥感图像分类任务,为使模型精确捕获高层语义信息的同时降低计算复杂度,解决遥感图像分类任务中类内差异大而类间差异小的问题,提出了基于Mobile Vi T轻量化网络的遥感图像分类方法。【方法】基于Transformer框架,通过在卷积神经网络中引入注意力机制来实现对图像特征的提取和编码。在训练阶段,Mobile Vi T使用类似于传统Transformer模型的自监督学习方法,即通过无监督的方式学习图像特征的表示。通过使用一种名为Contrastive Multiview Coding(CMC)的学习策略,该策略可以通过最大化不同视角下的图像相似性来学习图像特征。在训练过程中,Mobile Vi T使用随机数据增强技术和Dropout等方法来增加模型的泛化能力,同时应用权重衰减和梯度剪裁等技术来避免过拟合和爆炸梯度问题。在推理阶段,Mobile Vi T将输入的图像沿着通道轴划分成多个块,并将每个块作为一个序列输入到Transformer网络中。在Transformer网络中,Mobile Vi T采用多头自注意力机制和全连接层,将每个块的特征编码成一个固定长度的向量。然后,...     

基于迁移学习的花类图像分类方法研究

传统的花类识别方法和普通卷积神经网络模型无法对花类图像进行准确的特征提取,花类之间较高的相似性使得分类识别较难。针对以上问题,为提高图像识别率,提出一种基于VGG16网络的迁移学习方法,对花卉图像进行分类。首先对花卉图像进行数据加强,然后对数据集预训练模型进行迁移学习,修改全连接分类层,最后对优化器与激活函数进行微调,得出分类结果。实验表明：该模型在花类分类识别中比传统方法和普通卷积神经网络模型得出的准确率高,迁移后准确率达到89.10%。