基于机器学习的微博情感分类研究

本文主要介绍机器学习研究计算机模拟人类的学习行为,以获得新的知识或技能,重新组织现有的知识结构,从而不断提高他们的表现。它是人工智能,智能计算机的核心,其应用遍及人工智能的各个领域,它主要是用感性的,全面的而不是解释。     

农业无人机智能机器学习系统——基于人工智能和深度学习

为了提高农业无人机作业时的自主学习能力,基于人工智能技术将深度学习算法应用到了无人机机器学习系统的设计上,并提出了基于神经网络深度学习的农业无人机智能识别系统,有效提高了无人机的自动学习和识别能力。以采摘机器人的设计为例,对智能机器学习系统的可靠性进行了验证,并对不同学习算法果实识别的准确性进行了测试。测试结果表明：基于神经网络的深度学习算法在果实的成熟度识别方面具有明显的优势,从而验证了算法的可靠性。     

基于机器学习的采摘机器人控制系统研究

对采摘机器人进行了运动学分析,介绍了机器学习算法与应用,并基于Q-learning算法设计了采摘机器人路径规划系统,实现了对采摘机器人的运动控制。MatLab仿真实验表明：采摘机器人搭载Q-learning算法机器学习算法后,能够自主完成路径规划,并能成功避开环境中的障碍物,规划路径最优,平滑度较好,证明了该算法的有效性和可行性。     

基于机器视觉的智能红绿灯系统

随着我国社会经济的高速发展以及城镇一体化进程的不断加快,城市交通堵塞问题日益严峻,在十字路口尤为常见.随着人们生活水平的提高,近几年内私家车数量急剧增加,导致路面车辆增多,汽车使用率增加,这是导致城市交通堵塞的主要原因.由于汽车的普及,市区内车流日益升高,每逢高峰时间,上班的、旅游的、购物的车流从四面八方涌入市中心.但...     

基于机器学习的土壤机械压实应用研究

农业机械作业造成的土壤压实已成为制约农业可持续发展的重要因素,过度机械压实使土壤理化性质恶化,甚至成为降低作物产量的主要原因。已有的土壤机械压实研究多是基于简单的数学统计分析,且研究重点为试验方案的设计,无法挖掘数据内部关系,也无法进行土壤机械压实程度的预测。近几年,随着机器学习的不断发展,越来越多的学者开始将其引入农业领域及土壤机械压实的研究。为此,分析了机械压实对土壤理化性质及作物生长的影响,总结了土壤机械压实的表征属性和常用机器学习算法及评价标准,并归纳了近几年基于机器学习的土壤压实的研究成果,给出了相关应用研究的建议。     

基于机器学习的拖拉机发动机扭矩的预测模型

拖拉机发动机扭矩实时测量需要进行大量的工作与昂贵的传感器,在农业生产中投入成本较高,不易进行广泛的推广使用。基于以上问题,采用了径向基函数（RBF）神经网络进行拖拉机发动机扭矩的预测,通过13种训练算法训练RBF神经网络模型,明确RBF神经网络模型基本结构与参数设置,并通过误差分析模型的预测性能。研究结果表明：RBF神经网络中R²=0.99,RMSE=0.5,EF=0.99,预测值与试验值之间的拟合程度价高,可用于估算发动机扭矩。研究结果对于提高拖拉机发动机扭矩的预测和分析提供理论支撑与科学依据。     

基于高光谱和机器学习模型的冬小麦土壤含水率监测研究

为及时获取大田作物根区土壤含水率(Soil moisture content, SMC),实现精准灌溉,运用高光谱技术,通过连续2年(2019—2020年)田间试验采集了冬小麦拔节期不同土层深度SMC及高光谱数据,构建了3类植被指数(蓝、黄和红边面积等三边光谱参数,与冬小麦根区SMC相关性最高的任意两波段植被指数和前人研究与作物参数相关性较好的经验植被指数)并筛选与各土层深度SMC相关系数最高的植被指数,随后将筛选后的植被指数作为模型输入,分别采用随机森林(Random forest, RF)、反向神经网络(Back propagation neural network, BPNN)和极限学习机(Extreme learning machine, ELM)构建冬小麦拔节期不同土层深度SMC估算模型。结果表明,绝大部分三边参数、任意两波段植被指数和经验植被指数在深度0～20 cm土层的SMC相关系数较20～40 cm和40～60 cm更高,在深度0～20 cm土层两波段组合构建的光谱指数与SMC的相关系数最高,均超过0.8,其中RI与SMC的相关系数最高,为0.851,其波长组合为675...     

基于机器学习的采摘机器人动作执行效率优化研究

为了提高采摘机器人动作的执行效率,提高动作执行的控制精度,将机器学习算法引入到了采摘机器人控制系统的设计上,利用机械学习和归纳学习设计了采摘机器人的机器学习方法,并利用PID反馈调节对学习过程进行了优化,从而得到了效率较高的机器人采摘动作执行系统.以相同时间内果实的采摘量为作业任务,对不同机器学习方法的机器人采摘果实数...     

基于SVM核机器学习的三文鱼新鲜度检测系统

为了实现对不同冷藏温度下三文鱼新鲜度的检测与识别,设计了一种用于三文鱼气味指纹采集与新鲜度辨识的电子鼻系统。电子鼻系统由密闭检测气室、半导体气体传感器阵列、数据采集模块、模式识别模块和显示界面等组成。电子鼻模式识别方法采用核机器学习方法,以支持向量机(SVM)作为学习机。采集0、4、6℃温度下冷藏三文鱼样本的气味数据,对不同核函数及参数的核机器学习模型进行训练与测试,最终确定了适于此电子鼻系统识别三文鱼新鲜度的最佳核机器学习模型:核函数选用多项式核函数,核参数q取3,γ取15,c取0。此模型对不同温度冷藏三文鱼样本的冷藏时间具有一定的辨识能力,对于测试集,0℃允许偏差1 d预测正确率为92. 86%,4℃无偏差预测正确率为88. 89%、允许偏差1 d预测正确率100%,6℃无偏差预测正确率为75. 00%、允许偏差1 d预测正确率100%。将辨识结果与主成分分析结果(PCA)进行对比,此模型具有明显的优势。     

基于机器学习的小麦收获机掉头轨迹识别

识别小麦收获机运行轨迹是分析农业机械活动、提高作业效率的重要手段。本文针对小麦收获机田内作业场景,提出一种基于机器学习的收获机掉头轨迹识别算法。首先通过两步K-means聚类与三步修正识别出X形掉头轨迹点、作业异常轨迹点与作业轨迹点;为进一步从作业轨迹中分类出U形掉头轨迹点,构建了基于支持向量机模型(Support vector machine, SVM)的U形掉头轨迹识别算法,并对初步识别结果进行三步修正;最终识别出小麦收获机的田内X形掉头、作业异常、U形掉头与作业轨迹点,识别结果的F1值为94%,时间间隔为1～5 s的数据的F1值在90%以上,实现田内轨迹的细致划分。基于去除掉头轨迹与异常轨迹后获得的有效作业轨迹,可通过距离算法计算获得农田面积,结果相比使用原始轨迹的计算误差可降低12.76%。该研究可为基于海量农机轨迹的作业精细化管理提供参考。     

机器学习在植物病害识别研究中的应用

植物病害识别是植物生长过程最重要也是最基本的环节,其既可以为高效除害提供最有力的依据,也可以减少一定的经济损失。随着信息技术的不断发展,在植物病害识别方面的研究工作已有一段历程,本文主要对机器学习技术在植物病害识别中的应用研究进行详细的综述。首先,通过调研植物病害问题的主要特征,明确植物病害识别研究中的识别任务;其次,阐述传统机器学习方法到深度学习的模式分类技术变迁,重点提出深度学习在植物病害识别中的应用优势;然后,调研机器学习在植物病害应用的相关研究文献,对文献所使用的模型、技术细节、数据来源、数据处理技术以及性能指标评价进行详细综述与对比,分析该领域研究存在的问题;最后,基于调研结果对植物病害识别的进一步研究展开讨论,同时对研究对象的特点与大规模数据集合的构建提出相关意见,在技术上提倡深度学习算法的使用,鼓励更加先进的模型尝试等建议。另外,还整理目前已经公开且可以下载使用的关于植物病害识别研究的数据库集合,为相关的研究提供便利。     

基于近红外光谱和机器学习的大豆种皮裂纹识别研究

针对目前大豆种皮裂纹检测主要依靠人工、检测效率低、误差大的问题,提出一种基于近红外光谱技术和机器学习的大豆种皮裂纹自动识别方法.采用FT-NIR光谱仪采集150粒大豆样品(裂纹大豆75粒,正常大豆75粒)的近红外光谱,采用原始光谱、标准正态变量变换(Standard normal variate,SNV)、多元散射校正...     

基于机器学习的机械压实对大豆产量的影响预测研究

为评估农业机械作业对大豆产量的影响,本文开展不同机型、不同压实次数的拖拉机压实试验,获取不同压实环境中的土壤物理性质和大豆产量数据,分别从影响大豆产量的机械因素、土壤因素和复合因素出发,使用多元线性回归(Multiple linear regression, MLR)、随机森林(Random forest, RF)、自适应增强模型(Adaptive boosting, AdaBoost)、人工神经网络(Artificial neural network, ANN)4种机器学习算法建立大豆产量影响预测模型,对模型性能及模型特征重要性进行综合分析。研究结果表明,机械作业与大豆产量间关系复杂,集成学习算法(AdaBoost和RF)所建立的模型具有更好的拟合效果,模型决定系数更高;利用复合因素对大豆产量建立的模型拟合度最高,其次为机械因素和土壤因素,其中基于AdaBoost的复合因素对大豆产量影响模型其拟合程度最优,其R²为0.92,MAE为1.33%,RMSE为1.86%;机械因素、土壤因素都会影响大豆产量,其中机械压实次数以及表层和亚表层的土壤坚实度为影响大豆产量的重...     

一种基于单片机的智能烧水器

这项设计是一项基于单片机控制的智能烧水器,主要是为了解决现在市场上烧水器存在的没有断电系统和烧不开水的问题。这项设计的核心是温度传感器和向单片机传递信号,单片机控制蜂鸣器、定时器和GSM模块发出报警或保温等一系列动作。     

基于机器学习的农用飞行器路径规划系统设计

基于作业空间模型及更新和飞行器机动性能约束,搭建了农用飞行器路径规划环境模型,并采用改进人工势能的机器学习算法,结合农用飞行器路径规划环境模型和障碍物检测模块,实现了农用飞行器路径规划的最优化。MatLab仿真结果表明:农用飞行器路径规划系统能够识别障碍物的位置和边界信息,并能快速制定出最优的飞行路径,指引农用飞行器顺利到达目标点。     

基于机器学习的排涝闸站雨后水位预测

【目的】精准预测排涝闸站雨后水位。【方法】在分析为期1a的田间实测水位数据的基础上,收集了四湖流域2个典型闸站（习家口站、田关站）为期10 a(2010—2020年)的历史水情资料,利用2种机器学习算法（支持向量机回归算法、回归树算法）对排涝闸站的雨后水位进行预测分析。【结果】支持向量机回归算法和回归树算法均较好地预测了习家口站和田关站的雨后最高闸上水位,R2基本大于0.80;2种机器学习算法在习家口站的表现均优于田关站,核函数的选取对支持向量机回归算法的预测结果有一定影响,线性核函数表现较为稳定。回归树算法的效果略优于支持向量机回归算法。【结论】基于闸上水位、降水量、降水时间、泵站排水流量预测雨后最高闸上水位是可行的。不同闸站应分开进行训练,并寻找最优的机器学习算法,未来有必要结合降水预报数据实现农田涝灾情况的实时预报。     

基于指纹识别的智能共享洗衣机设计

文章设计了一种结合指纹识别、多传感器融合和共享理念的智能洗衣机,其独特的一键式洗衣以及特殊的衣物处理方法决定它不仅适用于家居生活,而且适用于任何场景。指纹识别决定它适用于公共场合,保证衣物安全;通信模块可实时汇报给使用者衣物洗涤情况,并及时通知用户取回洗涤衣物;多传感器融合技术通过衣物的重量及体积等参数公式可以自动控制注水量和合适的洗涤剂用量。本洗衣机采用共享模式,提高了洗衣机利用率,减少了污物排放,节能减排、绿色环保,同时节约人力、物力、财力,具有一定的实用和推广价值。     

智能鱼菜共生装置的设计与试验研究——基于物联网远程控制

针对室内养殖花卉果蔬和观赏鱼占地面积较大、不卫生及鱼类清洗换水麻烦等问题,设计了一款基于物联网远程控制的鱼菜共生装置。装置由水循环过滤系统、自动供氧系统、自动补光系统、自动加热系统、水质检测系统、电路保护系统、水温水位检测系统、自动喂食系统,以及远程控制系统构成。该装置采用的潮汐式水循环过滤系统减少了水资源的浪费,自动补光、供氧、喂食系统能够保证动植物在无人的状态下能够正常生存,且控制系统的稳定性及测量模块的准确性保证控制系统能够准确输出信号。该设计减少了养鱼时换水次数,同时可利用养鱼产生的废水种植绿色蔬菜。蔬菜无土栽培对比试验表明:植物在生长期的形态指标要优于传统土培和普通水培的植物,研究结果为物联网智能栽培、养殖系统提供技术支持。     

基于红外热成像和机器学习的作物早期病害识别研究进展

作物的早期病害检测作为针对性的防治手段已经成为智慧农业在病害方面的趋势,实现作物早期病害检测可以做到早发现,早治疗,减少作物农药使用,提高作物品质,减少经济损失。首先介绍作物病害的机制和红外热成像原理,发现红外热成像技术可以进行作物早期病害的检测;其次介绍红外热成像和机器学习的工作原理,综合概述国内外机器学习和红外热成像技术在病害识别领域的研究现状;分析红外热图像的缺点并使用机器学习进行改进,综述机器学习应用于处理红外热图像和红外热成像技术与机器学习相结合应用于作物病害的国内外现状,发现机器学习对红外热图像的缺点有着改进作用,还发现通过两种技术结合使用可以结合两者的优点进行更快更早的作物病害检测;最后通过分析现有研究成果,讨论现存的问题并提出相应的解决方法,对未来的研究趋势进行展望。