人工神经网络对果蝇鸣声的分类识别

为了利用昆虫鸣声对昆虫进行种间或种下分类,对实验室环境下同种2个不同品系黑腹果蝇的飞行翅振鸣声进行了采集、分析,提取鸣声信号特征参数,并利用人工神经网络对采集的果蝇鸣声信号进行分类识别。结果表明,2个品系果蝇鸣声的基频均为236.86 Hz,有多个谐频,频率范围为0~4000 Hz,重叠较大;所建立的人工神经网络对种内不同品系果蝇鸣声的正确识别率均在75%以上,识别效果很好。研究结果为果蝇种下分类提供了新的方法和依据。     

粘虫蛾的翅振频率及其若干影响因素

粘虫ＭｙｔｈｉｍｎａｓｅｐａｒａｔａＷａｌｋｅｒ蛾翅硬化后能飞翔，随蛾龄增长翅振频率逐渐增加，４、５日龄达到最高值，雌、雄个体分别平均为（４７．９１±１．５０）Ｈｚ和（４７．５８±１．９２）Ｈｚ；粘虫飞翔的适宜温度为１１～３０℃，最适温度在１７℃左右，２３～２６℃时翅振频率较高，但持续时间较１７℃短；翅振频率与补充营养关系密切，碳水化合物是粘虫蛾维持较高翅振频率和较长持续时间所必需的补充营养；气流的大小、方向显著影响粘虫娥的翅振频率和飞翔状态，在逆风状态时翅振频率最高，在逆风速为２ｍ／ｓ时飞行状态最稳定。     

近红外光谱分析法在蚕茧性别鉴定上的应用

探讨了用近红外光谱法识别蚕茧雌雄的方法和可行性.采用WQF-400N傅立叶变换近红外光谱仪,在11 000～3 500 cm-1的光谱范围内,对39粒、125粒杂交种蚕茧2组样品进行了近红外光谱的扫描测试,用偏最小二乘(PLS)-人工神经网络(ANN)方法对2组样品分别建立了雌雄蚕茧识别的校正模型,以准确率为模型评价指标,雌雄识别准确率达到100%和95.74%.试验表明,该方法是一种可用于蚕茧性别鉴定的新方法.     

基于遗传神经网络的植物叶片病害特征提取的研究

为提高作物病害定量、快速、准确识别,以大豆褐斑病为例,综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层前馈遗传神经网络,实现了大豆褐斑病的识别与特征计算。本技术首先通过计算机视觉技术采集叶片图像,尔后,采用遗传神经网络完成了对病斑图像的识别,最后运用数字图像处理技术完成了对病斑区域相关特征值的计算,实验识别准确率达100%。     

基于遗传神经网络的杂草与作物识别方法的研究

综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层前馈神经网络,实现了大豆与杂草的识别.首先,通过计算机视觉技术采集大豆与杂草的叶片图像作为测试样本,之后应用遗传神经网络建立对杂草图像的识别模型.研究结果表明,这种图像处理技术与神经网络的结合的方法,识别作物区域的准确率可达90%以上.     

基于机器学习结合植被指数阈值的水稻关键生育期识别

为建立不依赖时序数据的水稻生育期识别模型,基于四波段辐射计(SKYE)获取的水稻全生育期每日的冠层光谱反射率数据,利用K近邻(k-nearest neighbors, KNN)、决策树(Decision trees)、支持向量机(Support vector machines, SVM)、随机森林(Random forests, RF)和梯度提升决策树(Gradient boosted decision trees, GBDT)共5种机器学习算法开展水稻生育期识别研究。结果表明:RF算法的识别准确率最高,达93.00%,KNN算法的识别准确率也达到了91.92%,其他3种算法的准确率也都超过90%。在此基础上,将建立的水稻生育期识别模型应用至无人机(UAV)影像数据,KNN算法适用性最好,识别准确率为83.54%,RF算法的适用性一般,识别准确率为74.38%,SVM算法的适用性最差,识别准确率仅为62.92%,但5种机器学习算法都容易错误地将抽穗扬花期识别为拔节孕穗期;而新构建的KNN算法结合可见光大气修正指数(Visible atmospherically resistant index,VARI)的水稻生育期识别模型对无人机数据的识别准确率可达86.04%,与单独应用KNN算法相比,对水稻各个生育期的识别精度更加均衡。     

可见/近红外光谱技术识别树叶树种的研究

探索使用可见/近红外光谱技术识别树叶树种的可行性,为野外可见/近红外光谱技术用于树种识别提供方法。本试验识别了9个树种,测试了光谱预处理方法、识别方法对可见/近红外光谱识别的准确率的影响。对9种阔叶树种共46棵树,分别采用距离法和PLS-DA建立识别模型,比较不同波段和导数预处理方法对模型预测效果的影响。结果表明,使用距离法对原始光谱进行识别时,识别准确率<50%,不能够有效识别树叶树种。使用距离法对预处理后的光谱进行识别时,识别准确率为近红外350～2 500nm(99.16%)>350～1 000nm(88.05%)>1 000～2 500nm(81.24%),且任意单个树种的识别准确率都>98%,能够有效识别树叶树种。使用偏最小二乘法(PLS-DA)结合单列识别变量矩阵时,识别准确率高达100%,识别模型的相关系数为0.993 6,RMSEC为0.120,RMSEP为0.144,但只能成功识别4种树叶树种,当树叶种数>4时,预测模型的识别准确率陡降。使用偏最小二乘法(PLS-DA)结合多列识别变量矩阵对9种树叶的识别准确率高达99.58%,识别模型的相关系数为0.888 6～0.956 9,RMSEC为0.084 5～0.15,RMSEP为0.088 7～0.155。本试验为可见/近红外光谱技术快速识别树种提供了一种新的方法和思路。     

近红外光谱法对食用植物油品种的快速鉴别

以食用植物油为研究对象,建立了一种用近红外光谱技术鉴别食用植物油品种的方法。分别采用系统聚类法、主成分分析法、BP人工神经网络法进行了4个常用品种食用植物油的鉴别研究。结果表明,系统聚类法和主成分分析法均只能鉴别出4种植物油中的大豆油和花生油,不能识别玉米油和芝麻油,鉴别率仅为31.2%;利用BP人工神经网络法将60个校正集样品的11个主成分数据作为BP网络输入变量,建立的3层BP人工神经网络鉴别模型对4种植物油品种的鉴别效果最优,鉴别率为100%,表明BP人工神经网络法具有很好的分类和鉴别常用食用植物油品种的效果。     

应用竹类叶片性状特征和支持向量机算法的竹种识别

为研究叶片性状特征及其特征组合对竹种识别准确度的影响,找出分类效果较好的特征组合。以江苏、贵州、云南共16属70种(变种、变型和品种)竹子叶片为试验材料,提取9个叶片性状特征作为原始数据集,引入RBF核函数,在一定范围内进行参数优化,确定惩罚系数(C)=1 000,核函数的参数(γ)=0.1。结果表明：当选用9个叶片性状特征进行识别,准确率为86%,考虑到特征组合存在冗余,最终以5个叶片特征(包括叶片的长、宽、面积、周长以及叶面积与周长的比)进行模型训练,识别准确率为81%。以选取的特征组合建立模型,在种水平上,62个竹种的识别精确率达到70%以上,23个竹种的精确率达到90%以上,鹅毛竹和两年生毛竹的精确率达到100%;在属水平上,14个属的识别准确率达到80%以上,5个属达到90%以上,倭竹属的准确率达到100%。     

基于CSJMM-AS-GAC的马陆葡萄病虫害识别研究

为了提高马陆葡萄病虫害的识别准确率,有效地进行马陆葡萄病虫害防控,对测地线活动轮廓模型（GAC）进行改进,通过引入动态系数函数将马陆葡萄病虫害图像边界区域与非边界区域进行精确划分,从而实现准确分割病虫害图像模糊和凹陷边界,提出并建立了精确分割测地线活动轮廓模型（ASGAC）。接下来为了克服复杂背景下训练样本不足造成的误差,提出了Core损失函数,建立了CoreSoftmax联合监督机制（CSJMM）,从而确立了基于CSJMM的精确分割测地线活动轮廓模型（CSJMM-ASGAC）。结果表明,CSJMM-AS-GAC训练集初始准确率为65.46%,验证集准确率为95.67%,测试集准确率为93.95%,Kappa系数达到0.913 8,召回率达到89.21%,CSJMM-AS-GAC对于马陆葡萄病虫害识别准确率达到94.06%。CSJMM-AS-GAC的整体性能、识别准确率、召回率等指标都优于常用的病虫害识别模型。     

阿尔泰山森林土壤温度动态变化及其预测

阿尔泰山作为干旱区典型的山地系统,其土壤温度的日、月、季节和年际动态及其影响因素研究,是深入理解干旱区山地森林生态系统能量循环过程的关键所在。基于阿尔泰山森林生态站2014年11月-2019年7月的气象因子和土壤温度数据,应用相关分析、回归分析和BP人工神经网络分析了阿尔泰山5、10、20 cm和30 cm深度土壤温度的动态变化及其对气象因子的响应,同时,应用多元线性回归和BP人工神经网络对土壤的温度进行了模拟。结果表明:1）近5 a各层土壤温度月均值年际变化一致,最低最高温度和日较差最大值均出现在20 cm,仅30 cm土壤温度的月变化出现自表层至深层滞后现象,年内月较差最大值出现在30 cm深度;各土壤层温度在春夏秋季变化较大,冬季变化较小;2）空气温度、气压和太阳辐射等与土壤温度的相关性达到极显著水平,其中与空气温度的相关性最强;3）回归模型和BP人工神经网络对20 cm土壤层的模拟结果最好,且BP人工神经网络模型的性能总体上优于回归模型。     

灌溉水质属性的人工神经网络评价方法研究

应用人工神经网络理论与方法建立了灌溉水质评价的BP神经网络模型 ,以对水质评价中普遍采用的盐浓度、渗透率、特殊离子及其毒性等 5个指标进行了示例分析计算 ,并与综合评价方法进行对比 ,所得结果表明神经网络模型能很好地解决评价因子与水质等级间复杂的非线性关系 ,评价水质简便可靠 ,采用该方法评价灌溉水质是科学的和客观的     

拖拉机变速箱齿轮故障诊断智能软件的设计与实现

人们在采用人工神经网络进行智能信号处理时,需要较深入学习人工神经网络的理论。为解决这个问题,该研究设计了一种"傻瓜型"的神经网络智能信号处理软件,使用该软件,可以降低神经网络应用于智能信号处理的门槛,推进智能信号处理在拖拉机变速箱齿轮故障诊断方面的应用。     

BP神经网络算法在土地覆盖分类中的应用研究——以新疆于田绿洲为例

BP神经网络算法结构简单、快捷,与传统的分类方法相比,分类精度较高,能较好地反映土地覆盖的分类结果.通过多年实地景观照片库结合土地利用图等地理辅助数据,采用BP神经网络算法对于田绿洲1999年和2002年两期ETM遥感影像进行土地覆盖分类.结果表明:地理辅助数据参与下的BP神经网络用于土地覆盖分类研究可获得较好的分类结果,平均分类精度可达到90;以上.通过精度分析认为神经网络算法在遥感图像分析与处理技术中具有很大的应用潜力.     

BP和RBF神经网络短时交通流预测结果比较

对BP神经网络和RBF神经网络这2种模型的特征进行了分析,并将其应用于某高速公路的短时流量预测,比较了2种神经网络模型的预测结果。从量化的角度进一步证实了在交通流预测领域RBF神经网络比BP神经网络更快捷、更准确,从而更适合应用于对实时性和准确性要求比较高的交通系统。     

基于ANN的栎类天然次生林林分直径分布研究

利用宝天曼自然保护区栎类天然次生林32块标准地的调查数据,采用人工神经网络建模方法,以相对直径作输入向量,以株数累计频率作输出向量,在MATLAB软件中进行模型训练,建立人工神经网络模型。对主要树种建立的7个模型进行的精度分析表明,该模型能够很好地描述栎类天然次生林主要树种的直径分布。     

基于概率神经网络的遥感图像分类MATLAB实现

在遥感图像分类研究方面人工神经网络是一种有效途径,与传统的分类方法相比概率神经网络具有许多优良的性能,因此利用神经网络工具箱构建了概率神经网络,经对比分类精度选取最优SPREAD=0.009,并对一幅TM假彩色遥感图像通过训练后,仿真输出能真实地反映原始图像的特征,其分类总精度为82.62%,Kap-pa系数为0.7821,结果表明:分类精度能够满足遥感图像分类的需要。     

混合神经网络响应面调度法在渔船协同论证中的应用

根据响应面法近似计算在多学科优化中的特点,针对普通神经网络构造响应面方法存在的主要问题,将遗传算法和神经网络结合,设计出混合神经网络并构造了协同优化算法的响应面,在任务调度模块的支持下,可以自主地选择近似和精确计算。采用混合神经网络调度法对玻璃钢拖网渔船进行技术经济论证,结果表明,该方法能够提高优化结果的效率和鲁棒性。     

毛白杨农田防护林林分密度指数模型

以河南省博爱县毛白杨农田防护林带为研究对象,应用人工神经网络建模技术,以平均胸径为输入变量,以林分密度为输出变量,建立BP人工神经网络模型,用毛白杨的实际数据进行模型训练,选出的最佳模型,拟合准确度为98.18%,并与Reineke的林分密度指数模型比较,结果进一步表明,人工神经网络是一种有效的林分密度指数模拟技术。