基于人工神经网络的管道运行费用预测

利用人工神经网络能够较好地模拟在各种不确定因素影响下的因果变量之间的内在关系。建立了基于人工神经网络的管道运行费用预测模型，该模型的网络结构由输入层(1个节点)、隐层(7个节点)和输出层(1个节点)组成。采用改进的BP算法对25组学习样本进行训练，得到各节点间的连接权和阈值，然后用优化好的网络进行给定输量的管道运行费用预测。预测结果表明，利用该方法建立的模型预测误差在4％以内，可以完全满足工程实际需要。     

宁夏水稻稻瘟病发生程度的气象等级预报

[目的]为利用气象条件分析对水稻稻瘟病的发生做出预警提供理论依据。[方法]采用权重分析技术,确定能表示各种综合病情程度的适宜气象指标,并进行历史反演、典型灾年分析、验证和试报检验。[结果]反演结果表明,1971～2005年期间,宁夏适宜水稻稻瘟病发生的气象条件出现在1973、1976～1978、1995、2002年,适宜程度均为5级,极适宜稻瘟病的发生。实际上,1973、1976、1978、1995、2002年宁夏都大面积发生了水稻稻瘟病。通过观测平罗县历年水稻稻瘟病病情指数确定的病害实际发生等级与反演结果相差0～1个等级,反演结果相当准确。[结论]该方法具有一定的评价和预报精度,可以准确预报出水稻稻瘟病发生的适宜气象条件和等级,特别是对大发生年的预报。     

基于BP神经网络的马尾松立木生物量模型研究

以马尾松为例,探索并验证BP神经网络模型在立木生物量估测上的适用性。通过12种算法的筛选、输入变量和输出变量的确定以及隐层节点数的选择,确定最优的模型拓扑结构,构建单隐层BP神经网络模型;对比单输入变量与多输入变量模型、单输出变量与多输出变量模型,并分析模型的输入变量数和输出变量数对模型估测精度的影响;将优选BP模型与传统相对生长模型进行对比以验证BP模型的可行性。结果表明:1）最优BP模型LM-DH-8-WtWaWr的训练算法为Levenberg-Marquardt算法,输入变量为D、H,输出变量为Wt、Wa、Wr,隐层节点数为8。2）输入变量和输出变量的增加不会降低BP神经网络模型的精度。3）模型LM-DH-8-WtWaWr能够精确地估测马尾松立木生物量,其精度高于传统的相对生长模型。该模型能够一次性地引入多个解释变量,并可以同时估测多个量,从而简化了生物量建模和估测工作,对实际生产具有一定的意义。      

基于叶片图像算法的植物种类识别方法研究

为了提高植物种类的识别率,采用叶片图像算法。首先建立植物种类特征模型,包括植物叶片颜色特征、形状特征、纹理特征;然后确定径向基函数神经网络的输入层、输出层、隐含层之间的关系;接着对径向基函数个数、中心及宽度优化,基于梯度下降方法对权重参数计算,自适应调节学习率;最后给出了植物种类识别过程。实验仿真选择植物叶片颜色特征、形状特征、纹理特征的特征量分别为6、7、7个,其中本文算法对植物种类识别的三个组合特征平均识别率为93.5%,高于单个特征、两个组合特征的平均识别率,形状特征对识别率所起的作用最大。     

基于神经网络的蔬菜农药残留风险预警模型研究

为探索基于常规监测数据的神经网络预警模型在农产品传统风险管理中的应用,以2011—2012年我国5省市的蔬菜中农药残留监测数据为样本,采取神经网络方法建立风险预警模型。首先,以产品种类、监测环节、监测时间和蔬菜产地为参考采用专家打分法将样本进行安全性评级,然后将经过筛选和预处理的45种农药监测数据,作为BP神经网络输入层,并根据不安全蔬菜的风险程度,以非常安全(A)、比较安全(B)、基本安全(C)、较不安全(D)和不安全(E)5个等级作为输出层,农药残留数据经过处理整合后得到16个样本,通过对其中14个样本进行拟合训练,得到预警模型及2个验证样本的评分结果分别为2.343 0和3.171 5,与实际评分结果隶属同一安全等级。证明基于客观监测数据的神经网络预警模型对于蔬菜中农药残留的预警是有效的。     

用于预测的BP网络结构设计

BP网络结构的设计在预测中起着重要的作用，本文介绍了设计BP网络的方法：输入、输出节点的确定；隐含层数的确定；隐含层节点数的确定；激活函数的选取。     

复方板蓝根颗粒中靛蓝和靛玉红含量的近红外光谱检测模型研究

[目的]提出一种用近红外光谱技术快速检测复方板蓝根颗粒中靛蓝和靛玉红含量的新方法。[方法]首先应用光谱仪获得6种复方板蓝根颗粒的光谱曲线,用主成分分析法进行聚类分析,再结合人工神经网络技术建立模型进行检测。在主成分分析的基础上,以每一个样品的前7个主成分作为神经网络的输入节点,成分类型作为神经网络的输出节点,建立一个7（输入节点）-7（隐含层节点）-2（输出节点）的3层BP人工神经网络模型。[结果]复方板蓝根颗粒中靛蓝和靛玉红2项指标人工神经网络模型预测值的平均相对误差分别为4．14％和4．72％,与高效液相色谱法测定值的符合程度很高,该模型具有很好的预测能力。[结论]新模型可用于复方板蓝根颗粒的质量检测和生产加工过程中的质量控制。     

基于Web Service的植物病害预警平台的实现*

 针对常见植物病虫害预测方法通用性差,模型难于复用,通过对植物病害数理统计与神经网络预警模型相关原理和方法的研究,利用植物病理预警模型研究的成果,结合历史数据,使用Web Service技术构建并实现了植物病害的动态预警平台。植物病害预警平台可以动态建立不同地区不同作物不同病害的不同类型的预警系统,为农业病害预警预测提供了一种实用的解决方案。     

基于改进型神经网络的植物病虫害预警模型的构建

通过对植物病虫害预警模型相关原理和方法的研究,并结合粒子群算法对后向传播神经网络进行参数优选,构建了基于粒子群和神经网络混合算法的植物病虫害纽合预警模型。测试结果表明预警模型的构建有效且可行,为构建有效的预警平台应用提供了可行的模型结构。     

基于BP神经网络的油松人工林树高模型研究

通过分析比较不同算法以及不同输入层因子,构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源,通过对6种BP神经网络的训练方法进行训练,经过反复筛选找出最优模型并与传统胸径-树高模型作比较;最后将BP神经网络中的输入因子从2个增加到6个后,经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳,R²和MSE分别为0.963 0和1.168;2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响,BP神经网络模型的决定系数（R²）随着隐含层节点数的增加呈现先上升后下降的趋势;均方误差（MSE）呈现先下降后上升的趋势,两者都在节点数为10时有极值,此时的模型为最优模型;3）当输入因子为胸径和优势树高时,油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1）,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.761 0和1.984 7;当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时,最优模型结构为6∶10∶1,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出,在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法;BP神经网络模型与传统模型相比,BP神经网络模型不需要目标方程结构,并且模拟和预测的精度均要优于传统模型;在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。     

上海水稻主要病虫害灾变预警系统的研究与应用

本研究选取沪郊主要病虫害历史资料,以Internet为系统平台,运用网络地理信息系统(Web-GIS)、ASP网络编程、网络数据库、人工智能和网络多媒体技术等现代化信息系统开发手段,建立了基于Internet的上海地区水稻主要病虫害灾变预警系统,该系统具有病虫GIS、病虫预测、数据传输、病虫诊断、实时发布、电视预报和远程教育等功能。     

基于卷积神经网络的银杏叶片患病程度识别

银杏是我国一种常见的经济林木,对银杏叶病害进行数字化辨识有助于提高银杏种植产业的管理水平,为其病害预警提供可能。以银杏轮纹病为研究对象,采用卷积神经网络为分类算法,对银杏患病程度进行自动辨识。根据银杏轮纹病的叶片特点,设计了18层卷积神经网络,核心功能主要由四个卷积层,四个池化层、两个全连接层提供。经过多次训练与测试,网络对银杏叶片的5种不同患病程度辨识率最低可达92%以上。将设计的卷积神经网络与传统的BP神经网络、Alex-Net网络进行对比实验,结果表明,卷积神经网络在银杏轮纹病患病程度辨识的应用上具有更高的精度。上述结果对于银杏其他病害或其他植物病害辨识应用中具有一定的借鉴意义。     

神经网络BP模型的设计与实现

应用人工神经网络中的BP前馈网络模型和改进的BP算法 ,对棉铃虫发生程度进行预测 ,结果表明 :该算法可靠 ,验证符合率达百分之百 ,在农作物病虫害预测方面有广阔的应用前景     

基于遗传神经网络的陕西省土地利用结构模型研究

针对土地利用结构变化的复杂特征与BP人工神经网络在预测应用上的缺陷,利用遗传算法来优化BP人工神经网络模型,形成了遗传算法与BP网络结合的遗传神经网络模型,通过运用matlab软件编制神经网络和遗传神经网络程序,实现模型的建立。证明遗传神经网络用于土地利用结构的预测是可行和有效的,有着良好的前景。     

云南省水稻白叶枯病BP神经网络测报技术研究

 人工神经网络对复杂非线性问题映射能力强,能提高预测的准确度,为水稻白叶枯病害的防治工作提供指导。因此,本研究基于水稻白叶枯病害发生、危害与温度、湿度、降雨等气象因素相关的特点,利用人工神经网络建立云南省勐海县和石屏县水稻白叶枯病害BP神经网络预测模型,预测病害的发生程度。经实例验证,BP神经网络预测模型预测准确度达到80%以上,较逐步回归模型高。研究表明在勐海、石屏建立水稻白叶枯BP网络预测模型是可行的,并具有较高预测准确度,对防治工作有较高应用价值。     

基于神经网络的稻白叶枯病中期预警

利用神经网络的基本原理,结合气象因子以及安徽省滁州市田间稻白叶枯病流行程度的实测数据,建立了该地区的神经网络中期预警系统.经实例验证,该方法的预测精度达80%,为植物病害的中期可预测性提供了一种新的依据.     

基于LM神经网络的小麦叶片病害识别

快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。     

面向边缘计算的轻量级植物病害识别模型

  目的  传统深度学习模型因参数和计算量过大不适用于边缘部署,在网络边缘的植物病害自动识别是实现长时间大范围低成本作物监测的迫切需求。  方法  联合使用多种模型压缩方法,得到可部署于算力有限的嵌入式系统的轻量级深度卷积神经网络,在边缘节点实现植物病害智能识别。模型压缩分2个阶段:第1阶段利用基于L₁范数的通道剪枝方法,压缩MobileNet模型;第2阶段将模拟学习与量化相结合,在模型量化的同时恢复识别精度,得到高精度轻量级的端模型。  结果  在PlantVillage数据集58类植物病害的实验结果表明:通道剪枝将MobileNet压缩了3.6~14.3倍,量化又将模型的参数精度由32 bit降低至8 bit。整体压缩率达到了14.4~57.2倍,识别准确率仅降低0.24%~1.65%。与通道剪枝后无模拟学习训练、通道剪枝结合量化后无模拟学习训练这2种压缩方法相比,具有更高的模型压缩率和识别准确率。  结论  联合使用多种模型压缩方法可以少量的精度损失深度压缩人工智能模型,可为农林业提供面向边缘计算的植物病害识别模型。图3表2参23