牛行为监测技术及分类方法研究进展

综述了声音监测技术、机器视觉技术、无线传感网络技术在牛行为监测的研究与应用现状,分析了支持向量机(SVM)、K均值聚类(K-means)、人工神经网络(ANNs)等3种牛行为识别分类算法的优缺点,结果表明:(1)机器视觉技术具有无接触的识别,不外带装置,可以对动物行为进行识别,对牛活动影响小,但对图像视频环境要求苛刻,动物行为识别精准度不高;(2)无线传感器技术应用广、技术成熟,可以监测畜禽采食、反刍、休息、活动等行为,但适合动物穿戴、长期可靠工作的无线网络传感器技术有待突破;(3)支持向量机计算简单,理论完善,所需样本数据少,且识别精度高,分类效果好。人工神经网络算法的学习规则简单,非线性拟合能力较强,但数据不足易出现运算时间长、过学习、容易陷入局部最小值等情况。     

基于特征提取的飞机结冰严重程度识别

飞机结冰会影响飞机飞行的各项性能指标,严重威胁飞行安全,但是飞机的结冰信息难以全面获取,因此提出一种基于特征和支持向量机的飞机结冰严重状态分类的算法。获取多个结冰传感器的信息构成测量向量并提取其特征,采用主要飞行参数构造飞机结冰严重状态特征空间,并建立多个支持向量机进行飞机结冰状况分类。该方法建立测量向量与飞机结冰严重状态之间的联系,能对飞机空中结冰严重程度作出较好的识别。     

基于GSA-SVM的畜禽舍废气监测缺失数据恢复方法

针对畜禽舍内废气监测过程中因传感器故障等原因造成部分监测数据缺失的问题,将遗传模拟退火算法与支持向量机相结合,提出一种基于GSA-SVM的缺失数据恢复方法。该方法综合考虑畜禽舍废气监测值对应的时间、空间和环境等多种影响因素,建立支持向量机回归预测模型对缺失的监测数据进行恢复性估算;为获得更好的预测结果,使用遗传模拟退火算法对模型参数进行优化。以氨气浓度数据的恢复为例,随机选取某养殖场3 d的监测数据验证。结果表明,缺失数据估算最大相对误差为6.69%,平均相对误差为1.87%,估算数据与监测数据误差很小,可有效对缺失性数据进行恢复,为畜舍废气监测提供可行数据恢复处理方法。     

基于近红外光谱的纽荷尔脐橙产地识别研究

【目的】中国柑橘产区分布广、生态类型复杂,不同产地纽荷尔脐橙果实品质和市场效应具有较大差异。研究基于近红外光谱技术的柑橘产地识别技术,利于不同柑橘产地果品的识别和鉴伪。【方法】从中国南方17个纽荷尔脐橙主要产地选择代表性成年果园,分别采摘成熟鲜果样品100个。利用SupNIR-1500近红外分析仪采集脐橙果实赤道部、肩部表面以及果汁滤液的近红外反射光谱,光谱波长范围为1 000-2 499 nm。采用主成分分析法对原始光谱数据进行预处理,提取近红外光谱的特征信息以降低数据集维度以及噪声。研究人工神经网络理论,构建由一个输入层、一个具有非线性激励函数的隐藏层和一个输出层组成的典型的3层人工神经网络识别模型。研究由径向基函数作为核函数、以光谱主成分作为输入的支持向量机模型,构建由126个分类器组成的一对一扩展支持向量机模型。研究遗传算法优异的自然选择特性,利用遗传算法从光谱主成分中选择出最优的特征基因子集作为支持向量机的输入,构建遗传算法-支持向量机模型。利用3种模型分别对果汁滤液的近红外反射光谱数据进行分类,从而实现产地识别测试,并根据产地识别精度筛选出最优的产地识别模型。进一步对比该最优识别模型对果实赤道部、肩部反射光谱数据的识别精度,从而确定识别精度最高的光谱数据采集源。【结果】利用所建立的3层人工神经网络模型对纽荷尔脐橙果汁滤液的近红外光谱进行产地识别测试,确定当输入神经元数量为11、隐藏神经元数量为13时,模型对果实产地识别的最佳精度达81.45%。采用一对一扩展方式建立支持向量机产地识别模型,研究确定采用径向基函数作为核函数,当主成分数量为20时,脐橙产地识别精度最高可达86.98%。测试利用遗传算法-支持向量机混合模型进行脐橙产地分类识别,确定当种群数量为200、遗传代数为100、交叉概率0.7、突变概率0.01时,遗传算法选择出最优的基因子集进行产地识别,遗传算法-支持向量机模型的产地识别精度最高可达89.72%,优于人工神经网络分类模型和支持向量机分类模型的产地识别精度。进一步利用遗传算法-支持向量机产地识别模型对果实赤道部及肩部的果面反射光谱进行产地识别测试,得到对应的最高识别精度分别为80.00%和69.00%。【结论】遗传算法-支持向量机模型对果汁反射近红外光谱进行产地识别精度最高,优于人工神经网络模型和支持向量机模型。该模型对果实赤道部反射光谱进行分类的精度次于果汁滤液反射光谱但优于果实肩部反射光谱,因此,可利用赤道部的反射光谱实现非破坏性果实产地分类识别。     

基于PCA-SVM的砂砾岩岩性识别

利用测井资料识别岩性实质是建立非线性数据模型的过程。表征复杂岩性的测井曲线相似度较高,对岩性识别存在一定的干扰,为此提出一种基于主成分分析(PCA)和支持向量机(SVM)的砂砾岩岩性识别预测模型:通过主成分分析对预处理后的测井数据进行主成分提取,利用提取的主成分建立支持向量机岩性识别预测模型。将测试样本数据输入模型中进行自动分类,最终该方法的岩性识别正确率达到87.07%。应用结果表明,将主成分分析与支持向量机相结合,在降低数据维度的同时,提高了岩性识别准确率,是一种实用且有效的识别复杂岩性的方法,具有一定的推广和应用价值。     

基于声波的圈舍智能设备非接触式手势控制方法研究

【目的】研究基于声波的非接触式手势控制方法,实现对圈舍智能设备的非接触式手势控制,为减少畜牧业传染病的接触式传播风险提供技术支持。【方法】设计并实现了基于声波的手势识别系统,该系统由2套商用扬声器和麦克风组成声学雷达,采用功率谱密度对手势移动产生的多普勒效应进行提取,然后建立手势、位置与多普勒效应的映射关系,并提出一种融合规则和机器学习的手势识别方法,通过手势移动时产生的多普勒效应实现感知范围内任意位置对4种常见手势（前推、后移、左移、右移）的准确识别。【结果】采用奇异值分解算法进行特征提取,并对支持向量机模型、BP神经网络模型、K最邻近算法3种机器学习算法进行比较,可以得到支持向量机模型整体优于BP神经网络和K最邻近算法,且线性支持向量机的识别准确率最高,该系统对15位测试者在不同位置手势的平均识别准确率可以达到91.50%,且成功应用于照明设备的开关和亮度调节以及换气扇的开关和转速调节。【结论】综合考虑手势执行位置、手势移动速度和幅度等因素,采用奇异值分解算法进行特征提取,线性支持向量机算法进行分类,可达到较高的手势识别准确率,有望应用于圈舍智能设备的非接触式手势控制。     

基于粒子群优化支持向量机的电子商务客户流失预测模型

电子商务客户流失受到多种影响,具有时变性、非线性,为了提高电子商务客户流失的预测精度,提出一种粒子群算法优化支持向量机的电子商务客户流失预测模型。首先收集电子商务客户数据,并进行预处理,然后将数据输入到支持向量机进行学习,并采用粒子群算法选择支持向量机参数,建立最优电子商务客户流失预测模型,最后采用具体数据进行了仿真实验。结果表明,相对于其他电子商务客户流失预测模型,本文模型提高了电子商务客户流失的预测精度,可以准确反映电子商务客户流失变化特点,预测结果可以为电子商务企业提供有价值的参考意见。     

高温高压蒸汽改性落叶松木材力学性能预测模型的建立

利用RBF神经网络和支持向量机两种算法建模,分析落叶松高温高压蒸汽改性工艺参数与其力学性能关系;以落叶松热处理的温度、相对湿度、处理时间3个主要工艺参数作为网络输入,建立了RBF神经网络和支持向量机预测模型,并对两者进行比较。结果表明:支持向量机模型,在网络建立结构、收敛速度和泛化能力上更具优势。     

基于支持向量机的交通标志人工智能检测与识别

针对人工智能检测与识别交通标志准确率不高的问题,本文提出了一种以支持向量机(SVM)为基础的多方法相融合的交通标志检测与识别方法。该方法首先采用方向梯度直方图进行交通标志的特征数据提取,然后利用网格搜索法和交叉验证方法对支持向量机模型最优化参数组合(惩罚因子C和核参数r)进行搜索,最后利用优化的支持向量机模型现实交通标志识别。实验仿真结果表明:基于支持向量机的最优化交通标志识别的准确率可达98%。     

基于混沌机制的人工蜂群算法优化的支持向量机分类器

支持向量机的分类性能在很大程度上取决于其相关参数的选择,为了改善支持向量机的分类准确率,本文采用基于混沌机制的人工蜂群算法对其参数进行优化。在传统人工蜂群算法的基础上,采用Logistic混沌映射初始化种群和锦标赛选择策略,进一步提高人工蜂群算法的收敛速度和寻优精度。该方法采用分类准确率作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化。通过对多个标准数据集的分类测试,证明基于混沌机制的人工蜂群算法优化的支持向量机分类器能够获得更高的分类准确率。     

基于不同分类器的农用地分类提取

【目的】分析Landsat 8 OLI卫星遥感影像数据面向农用地分类的实际应用方法和效果,以新疆奇台县南部为研究对象。【方法】使用随机森林(RF)、支持向量机(SVM)和神经网络(Neural Net)三种分类器进行研究区农用地分类对比。【结果】通过对三种分类器参数设置参数精度检验,利用上述三种算法对农用地地物分类进行精度评价,在整体分类精度中,支持向量机算法(SVM)<随机森林算法(RF)<神经网络算法(Neural Net),分类精度分别为:90.75%,94.30%和94.84%。【结论】神经网络方法(Neural Net)在该地区的农用地物整体分类上,比支持向量机(SVM)和随机森林法(RF)相比具有一定的优势,并获得较好的分类精度。     

基于多特征相融合和支持向量机的森林火场识别技术的研究

针对森林火场采用了新的颜色特征提取方法,融合图像的颜色和纹理特征作为图像的特征向量,并用支持向量机作为学习工具,充分利用已有森林火场的数据进行学习,提高森林火场的自动识别的准确率.结果表明,新的颜色特征提取方法适用于森林火场的识别,采用支持向量机融合多特征可成功用于森林火场的自动识别.     

基于神经网络的森林火灾危害程度预测研究

以可燃物分布、可燃物含水量、可燃物载量、可燃物种类、平均月发生次数、距居民点距离、坡度、温度、湿度等因素为输入变量,危害程度为输出变量,采用BP神经网络建立了林火危害程度预测模型,定量分析这些指标对林火危害程度的影响规律。结果表明:模型具有较高的预测精度,输出结果的误差小于3%。     

运用GF-1影像光谱和纹理信息构建森林蓄积量估测模型

以GF-1遥感影像为数据源,研究区森林资源二类调查数据为样地实测数据,综合考虑光谱、地形、纹理特征,利用多元线性回归、BP神经网络、支持向量机和随机森林建立研究区森林蓄积量估测模型,并验证模型预测的性能。结果表明:4种模型预测评价指标的决定系数(R2)和均方根误差(RMSE)相近,但有一定的差异,多元线性回归模型R2和RMSE分别为0.446、39.979 6 m^3·hm^-2,BP神经网络模型R2和RMSE分别为0.474、39.703 9 m^3·hm^-2,支持向量机模型R2和RMSE分别为0.485、38.924 8 m^3·hm^-2,随机森林模型R2和RMSE分别为0.534、37.882 2 m^3·hm^-2;3种机器学习方法构建的蓄积量估测模型预测性能优于传统的多元线性回归模型,随机森林模型的预测性能最优。     

基于小波包和Elman神经网络的异步电机转子断条 故障诊断方法

提出了一种基于小波包分析（WPA）和Elman神经网络的异步电机转子断条故障诊断方法.针对异步电机转子断条故障时定子电流出现的边频分量进行小波包分析,提取动态条件下各频带能量作为故障特征向量,削弱了负载变化及噪声对诊断准确性的影响.采用Elman神经网络对故障进行识别,并对Elman网络进行改进,在关联层增加了自反馈增益因子,提高了网络性能.以频带能量作为Elman神经网络识别故障的特征向量,建立从特征向量到电机转子断条故障之间的映射.试验结果表明：基于小波包分析提取的故障特征明显,由WPA和Elman神经网络构成的诊断系统,能有效地识别出转子断条故障,故障诊断准确率高.     

基于机器学习的落叶松树皮厚度预测

  目的  研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法。  方法  以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法（神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF）,并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较。采用决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和赤池信息准则（AIC）来评价不同模型和算法。  结果  （1）在6个基础模型中Model5预测效果较好。基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;（2）机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好。（3）RF4的输入变量为胸径（DBH）、树高（H）、相对树高（H_r）。基于训练样本,与Model5相比,随机森林的R2从0.675 2提高到0.723 4,RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R2从0.666 9调高到0.710 5,RMSE从0.616 9降低到0.544 6。  结论  相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测。      

基于BP神经网络的竹林遥感监测研究

竹林信息提取对利用遥感技术估算竹林碳储量至关重要,高精度地提取竹林信息将有利于降低碳储量估算误差。借助Matlab神经网络模块．采用BP神经网络（back propagation neural network）对ETM＋（enhanced themativ mapper plus）遥感影像提取竹林信息,得到了较高的精度,生产精度和用户精度分别为84．04％和98．75％;同时比较了Levenberg-Marquardt BP算法函数（Trainlm）、自适应学习率BP的梯度递减函数（Traingda）和梯度下降动量BP算法函数（Traingdm）等3种训练函数在分类中的差异。分析表明,Traingda算法函数分类精度最高,而Trainlm算法函数的训练时间最短。     

湿地生态系统实际蒸散发数据驱动估算模型研究

利用Fluxnet2015全球通量塔观测数据集,研究了随机森林（RF）、梯度增强回归分析（GBR）、支持向量回归（SVR）和深度学习神经网络（DNN）预测湿地生态系统的实际蒸散发（Evaporation,ET）。通过对比研究,确定了预测实际蒸散发的最佳特征变量组合,包括短波辐射、净辐射、初级生产总值、气温、土壤温度、风速、降水、经度、纬度和时间。以此为模型输入,利用Fluxnet2015站点测试数据集和ERA5-Land再分析资料提供的输入特征,对比分析了不同模型的实际蒸散发估计精度,结果表明：以站点数据为输入,SVR算法精度相对较高,其R²可达0.896,RPE最小为31.5%;以ERA5-Land再分析资料为输入,除了GBR算法以外,其余3种方法R²高于0.820,RPE小于57%。另外,模型算法估计的ET精度要明显高于ERA5-Land再分析资料提供的ET产品。     

基于BP神经网络的西瓜仁重预测

人工神经网络是人工构造的模拟人脑功能而构建的一种网络,其中BP学习算法是一种单向传播的多层前向网络.利用MATLAB神经网络工具箱,设计BP网络的训练步骤,从园艺试验田观测的数据中抽取部分数据作为样本预测西瓜仁重,把影响西瓜种仁重的4个主要因素作为网络的输入向量,西瓜种仁重为网络的输出向量,根据需要调用相关程序,从而避免了编写大量的算法程序,训练结果表明,预测结果与实验结果吻合.     

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。