基于BP神经网络模型的荔枝树叶面积测定方法

为了准确、快速地测定荔枝树叶面积，设计了一个BP神经网络模型，输入参数为叶片长度和叶片最大宽度，输出参数为叶面积。用LI-3000A型叶面积仪测量所得到的样本数据对网络进行训练，测试样本的网络输出与网络目标的相关系数达0.99609，网络模型是有效的。用训练后的网络模型对10组未参加建模的样本数据进行叶面积测定，误差平方和为1.2929，优于回归方程法的2.511。训练好的BP神经网络模型可以在不破坏叶片的情况下，简单、快速、经济地测定大量的荔枝树叶片面积。     

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.     

基于神经网络优化算法的云南土壤有机质含量数字制图——以景洪市为例

  目的  利用自然成土作用变量,预测并制作栅格化的土壤有机质分布图,对发展热带数字化精细农业具有重要意义。  方法  使用2006年云南省景洪市测土配方样点数据,应用BP神经网络（BPNN）、基于强分类器算法的BP神经网络模型（BPNN-Ada）、基于粒子群算法优化的BP神经网络（PSO-BPNN）、基于遗传算法优化的BP神经网络（GA-BPNN）和多元线性回归（MLR）对土壤有机质的含量预测并进行空间化制图。  结果  ① 土壤样点X、Y坐标值能够有效提高算法精度且充分表现环境因子与土壤有机质空间分布上的协同关系。② 4种神经网络算法预测结果土壤有机质空间分布基本类似,均呈现南高北低的趋势。③ 研究区域内4种神经网络模型的在建模集拟合程度从高至低依此次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN,在建模集中PSO-BPNN和GA-BPNN与BPNN拟合精度一致,BPNN-Ada的拟合精度R2最高为0.98。在验证集的预测能力由高至低依次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN。BPNN-Ada有着最高的预测精度和算法稳定性:RMSE = 4.47、MAE = 3.3、MRE = 0.05、R2 = 0.976。  结论  在景洪地区进行土壤有机质神经网络建模时加入地理坐标能够有效提高模型精度,且基于学习规则的神经网络优化算法效果要优于优化初始权重和阈值的神经网络算法及传统的BPNN算法。     

土壤图更新中基于土壤类型面积分级的训练样点选择方法

基于数据挖掘模型的土壤图更新是一项重要的研究。数据挖掘模型构建中训练样点的质量不仅决定其对研究区土壤-环境关系表达的充分程度,而且会对推理制图的结果产生至关重要的影响。本文提出一种基于土壤类型面积分级的典型训练样点选择方法,即依据土壤面积对土壤类型分级,并按照等级之间的比例关系基于典型点选择训练样点。将方法应用于更新美国威斯康星州Raffelson流域的传统土壤图,并与另外两种训练样点选择方法对比,以验证该方法的有效性。结果表明,500次重复实验中,本研究方法与另外两种训练样点选择方法相比,能够更新传统土壤图的比例分别为79.5%、71.8%和63.6%,而且其推理制图结果更符合研究区土壤分布的特征。本研究所提方法是一种有效的训练样点选择方法。     

用基于遗传算法的BP神经网络识别牛肉肌肉与脂肪

利用遗传算法的全局搜索能力,改进标准BP算法随机选取初始权重的不足,并构建了3-12-1的三层遗传BP神经网络,进行了3次牛肉肌肉与脂肪像素的分类试验,研究用BP网络对牛肉肌肉与脂肪两类像素点进行识别的可行性。以像素点的RGB值作为BP网络输入向量,每次训练集样本数62,测试集样本数43。测试的最终结果为：训练集的样本识别率分别为100%、100%、98.3871%;对应测试集的样本识别率分别为97.6744%、97.6744%、100%。试验结果表明,尽管基于遗传算法的BP神经网络对训练样本集以及测试样本集的肌肉和脂肪的识别率均在97%以上,但由于牛肉图像像素值在颜色空间中比较分散,有利于聚类的规律性不明显,因而是否可用BP网络来完成肌肉与脂肪的识别,还需要在网络拓扑结构、训练样本集等方面进一步研究。     

基于RBF神经网络的土壤有机质空间变异研究方法

通过研究土壤性质的空间变异和空间插值方法,快速准确获取土壤性质的空间分布是精确农业和环境保护的基础。该文以四川眉山一块约40 km2的区域为试验区,采集表层土壤（0～20 cm）样点80个,利用径向基函数(RBF)神经网络建立空间坐标和邻近样点与土壤有机质间的非线性映射关系（RBF2）,模拟土壤有机质的空间分布。与普通克里法（OK）和仅以坐标为网络输入的神经网络方法（RBF1）相比,RBF2的插值精度有显著的提高;相同样点密度下其相对预测误差分别较OK和RBF1减小了9.87%、1.97%（样本A）和13.09%、2.36%（样本B）;即使样点数减半的情况下RBF2的相对预测误差也分别较OK和RBF1减小了10.23%和2.33%,并且插值图差异相对较小,可以更好地反映土壤有机质空间分布的异质性。因此,利用以坐标和邻近样点为输入的神经网络方法可以相对准确、快速地获取区域土壤性质空间分布的异质性信息。     

用BP神经网络进行秧苗图像分割

采用BP神经网络模型，研究了真彩色秧苗图像分割的神经网络方法。选取训练样本图像，以人工分割后的图像结果为导师信号，将图像的特征向量采用BP算法进行训练，获得有效的网络权值。以玉米秧苗图像为实例进行训练和图像分割，实验结果表明，BP网络能够获得较好的分割效果。该研究为进一步的秧苗图像处理奠定了基础。     

基于组合神经网络的农用车轮胎号识别方法

为了保证轮胎号识别系统具有较高的识别正确率和置信度,对轮胎号字符识别方法进行了研究。对大量的农用车轮胎号字符图像样本进行各类特征量提取,针对每类特征量建立各自的子BP网络进行训练,并将各训练好的子网络进行组合形成并行组合神经网络,按照等权平均或投票选举决策得出最终识别结果。并行组合神经网络的连接数较传统庞大单级神经网络少,训练和识别的速度要快,大量的轮胎号字符样本识别试验表明,并行组合神经网络的识别正确率和置信度都较传统BP网络得到提高。     

基于机械特性BP神经网络的苹果贮藏品质预测

应用L－M优化算法BP神经网络，通过用苹果机械特性指标(压缩时的最大力、屈服力、弹性模量)预测苹果贮藏品质(硬度、水分、可溶性固形物、总酸)的方法，建立贮藏品质的人工神经网络模型。用试验所测的机械特性指标为输入，苹果贮藏品质为输出来确定网络的拓扑结构，训练建立的BP神经网络。仿真结果表明：该神经网络模型用机械特性指标能预测苹果贮藏品质，同时通过5组非样本数据来验证该神经网络，模型的预测值与实测值的相对误差在5%以下，能够满足工程应用中预测苹果贮藏品质的精度要求。     

基于气象因子的长三角地区农田站点土壤水分时间序列预测

以长三角3省1市为研究区,旨在构建长三角地区土壤水分长时间序列,为农业生产和遥感算法提供数据支撑。研究基于空间匹配的站点土壤水分数据和气象数据,利用主成分分析得到4个有效主成分作为线性回归和BP神经网络模型的输入因子,建立土壤水分与气象因子间的定量关系,并评估所构建模型的精度。结果表明,基于全部站点数据建立的单一BP神经网络模型优于单一线性回归模型。单一线性回归模型的R 2=0.34,RMSE=0.046 m³/m³,MAE=3.67%;而单一BP神经网络模型的训练、验证和测试3个数据集的R 2均在0.64以上,RMSE<0.043 m³/m³,MAE低于3.4%。根据逐个站点分别构建分站点的BP神经网络模型,其总体精度高于基于全部站点数据构建的单一BP神经网络模型。分站点构建的BP神经网络模型的总体精度方面,3个数据集的R 2均值在0.75以上,RMSE<0.039 m³/m³,MAE低于3%。通过对逐个站点分别构建BP神经网络模型,获得了精度较高、较稳定的土壤水分拟合结果。     

不同采样尺度下土壤碱解氮空间变异性研究——以榆树市农田土壤为例

在精准农业的实施过程中,研究如何用较少的样本来反映田间信息的空间变异规律,再用科学的插值方法进行插值和预估是精准农业研究中的一个关键问题。以东北典型黑土区——吉林省榆树市为研究区域,在榆树市弓棚镇13号村内选择相对平整的地块进行土壤采样并测试其土壤养分。在对原始采样格网点按一定的样点间隔和布局进行抽取的基础上,利用克里格插值方法和BP神经网络方法分别进行空间插值,比较不同采样尺度（40m×40m,56m×56m,80m×80m,113m×113m,160m×160m五个尺度）对空间插值精度的影响。结果表明:（1）随着采样尺度的增大,碱解氮的空间结构系数C/（C₀+C）有减小的趋势,表明采样间距以内的不可估计误差逐渐增大,其空间结构的表现能力在逐渐减弱;（2）Kriging插值精度总体优于BP神经网络,随着采样尺度的增加,两种模型的模拟精度都有所下降,BP神经网路的插值精度和Kriging模型的插值精度的差距逐渐减小;（3）两种模型在113m×113m尺度上插值精度都发生了突变,如考虑碱解氮的空间变异规律和经济因素,碱解氮的最佳采样尺度应在80～113m。     

Neural network ensemble residual kriging application for spatial variability of soil properties

High quality, agricultural nutrient distribution maps are necessary for precision management, but depend on initial soil sample analyses and interpolation techniques. To examine the methodologies for and explore the capability of interpolating soil properties based on neural network ensemble residual kriging, a silage field at Hayes, Northern Ireland, UK, was selected for this study with all samples being split into independent training and validation data sets. The training data set, comprised of five soil properties: soil pH, soil available P, soil available K, soil available Mg and soil available S,was modeled for spatial variability using 1) neural network ensemble residual kriging, 2) neural network ensemble and 3) kriging with their accuracies being estimated by means of the validation data sets. Ordinary kriging of the residuals provided accurate local estimates, while final estimates were produced as a sum of the artificial neural network (ANN) ensemble estimates and the ordinary kriging estimates of the residuals. Compared to kriging and neural network ensemble,the neural network ensemble residual kriging achieved better or similar accuracy for predicting and estimating contour maps. Thus, the results demonstrated that ANN ensemble residual kriging was an efficient alternative to the conventional geo-statistical models that were usually used for interpolation of a data set in the soil science area.     

基于人工神经网络的田间信息插值方法研究

提出了一种基于人工神经网络的田间信息插值新方法，并利用ArcView3.2软件绘制碱解氮的BP神经网络插值空间分布图和球状插值分布图，并对BP神经网络插值方法和克立格球状插值方法的结果进行了误差分析。结果表明，BP神经网络的插值方法优于克立格球状插值法，该方法有利于田间信息空间分布特性准确、直观的表达，有利于农田精确施肥、灌溉、播种等精细农业生产管理。     

基于数据挖掘分类法的农用地分等

应用决策树模型、BP神经网络和Logistic回归模型等分类法,对龙川县农用地分等进行了实证研究,并对各方法的分等结果有效性进行了评价,同时利用混淆矩阵探讨了样本数量对3种模型分类精度的影响。结果表明,样本数量对模型影响有差异,其中对BP神经网络和决策树模型影响较大,在较多训练样本时,模型的精度较高。在较多样本支持下,BP神经网络精度最高,但训练模型的时间较长,可解释性差;决策树模型既具有较高的精度又具有良好的可解释性;Logistic回归模型表现较差。决策树模型最适合龙川县农用地分等工作。研究结果表明,数据挖掘分类法是有效而准确的土地评价方法,有助于提高土地评价的精度和准确性,对农用地分等方法的优化具有一定的借鉴意义。     

采用LWD-QPSO-SOMBP神经网络的拖拉机柴油机故障诊断

针对目前拖拉机柴油机故障诊断中单BP（Back Propagation）神经网络模型的局限性,该研究提出一种LWD-QPSO-SOMBP（Linear Weight Decrease-Quantum Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络的拖拉机柴油机故障诊断模型。首先,将SOM（Self Organizing Maps）神经网络和BP神经网络结合,重置网络结构并利用LWD-QPSO（Linear Weight Decrease-Quantum Particle Swarm Optimization）算法对网络的权值和阈值进行优化;然后,分析拖拉机柴油机的故障机理,确定反映故障发生的数据信号;最后,确定LWD-QPSO-SOMBP神经网络模型的结构参数,基于CAN（Controller Area Network）总线技术采集潍柴WP6型拖拉机柴油机传感器信号数据对LWD-QPSO-SOMBP神经网络的性能进行测试,并将测试结果与BP神经网络、SOMBP（Self Organizing Maps Back Propagation）神经网络、PSO-SOMBP（Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络、LWD-PSO-SOMBP（Linear Weight Decrease-Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络及改进量子粒子群（Improved Quantum Particle Swarm Optimization,IQPSO）算法优化后的SOMBP神经网络的测试结果进行对比。试验结果表明, LWD-QPSO-SOMBP神经网络输出总误差为0.111 8、平均相对误差为0.005 8、均方误差为0.000 3,相比于其他5种神经网络均为最低。LWD-QPSO-SOMBP神经网络充分发挥并有效综合了SOM神经网络在数据预处理及PSO算法在优化BP神经网络初始权值阈值方面的优势,实现了拖拉机柴油机的高精度故障诊断。LWD-QPSO-SOMBP神经网络由于使用SOM神经网络结构对输入数据进行预处理,网络收敛速度大幅度提升,相比单BP神经网络,迭代次数由2 431次降为63次,下降了97.40%;同时采取LWD-QPSO算法对BP神经网络的初始权值阈值进行优化,降低了传统PSO算法的粒子适应度,进一步提高了网络的收敛精度和收敛速度,相比传统PSO算法,粒子适应度从0.15降为0.11,下降了26.67%,网络训练误差由0.004降为0.000 6,下降了85.00%;LWD-QPSO-SOMBP神经网络的故障诊断准确率大幅度提升,相比于单BP神经网络,输出总准确率由85.00%上升至99.44%。研究结果可为高精度拖拉机柴油机故障诊断提供参考。     

基于GARBF神经网络的耕地土壤有效磷空间变异分析

为了调整耕地管理措施、合理施用磷肥、减少磷素流失、降低水体非点源污染,该研究以高州市为例,在全市各区镇共采集了664个耕作层(0～20cm)土样,利用遗传算法优化的径向基函数(radial basis function network optimized by geneti calgorithm,GARBF)神经网络和普通克里金法(Ordinary Kriging)等方法,分析了县域耕地土壤有效磷在不同采样尺度下的空间变异特征及其空间分布格局与成因。结果表明,高州市耕地表层土壤有效磷存在半方差结构,半方差函数曲线与指数和球状模型曲线拟合较好;5种采样尺度下(训练样点数分别为100、200、300、400和500)耕地表层土壤有效磷均表现出弱的结构空间相关,在较大范围内空间自相关性较差。GARBF神经网络空间插值能力在整体上要有优于基于邻近点RBF神经网络和普通克里金法。300样本下GARBF神经网络空间插值结果表明,高州市耕地表层土壤有效磷的盈余现象比较严重,并且盈余有效磷的流失对该地区水环境会产生严重的威胁。该研究结果可以为土壤属性空间估测、合理施肥以及降低水体非点源污染提供理论依据和技术支持。     

基于BP神经网络的土壤墒情预测精度研究——以肥东县为例

本文以肥东县土壤墒情为例,选用BP神经网络模型,对土壤墒情预测进行探究。先介绍神经网络相关理论知识,然后针对模型建立需要确定的参数做了详细说明。着重比较了隔日和五日两种预测结果的精度,结果表明隔日预报精度要高于五日预测精度,得出结论 BP神经网络短期土壤墒情预报能取得较高的精度,对农业生产具有实际指导意义。     

基于遗传神经网络的全国小麦条锈病长期气象预测

为了提高反向传播（BP）神经网络模型预测小麦条锈病发病率的准确性和效率,以上年1月-当年3月组合的120个大气环流特征量为基础,定量分析大气环流特征量与全国小麦条锈病发病率之间的相关性并从中筛选出主要的影响因子;对影响因子进行主成分分析（PCA）,提取累计贡献达到85．46％的前10个主成分作为预测因子;利用逐步回归、BP神经网络及遗传算法（GA）优化的BP神经网络三种模型进行预测,三种模型的预测精度均在80％以上,其中GA—BP神经网络模型的精度最高,达92．6％,而其训练步长仅为标准BP神经网络的1／4左右。通过PCA简化网络结构,同时运用GA优化网络初始权值和阈值,GA—BP神经网络模型可以较好的预测小麦条锈病的发病率。