基于知识模型的棉花管理决策支持系统

通过对棉花栽培研究资料和专家知识的总结归纳,运用系统学方法和结构化途径,建立了基于知识模型的棉花管理决策支持系统(KMDSSCM)。它由数据库、知识模型库、专家咨询库和人机界面等部分组成;可以实现栽培方案设计、适宜生育指标确定、适时苗情调控、专家知识咨询和系统维护等功能,具有普适性强,独立性好等特点。实例分析结果表明,系统可以根据决策点的基础农情条件,设计出适宜的综合性栽培管理方案和生育指标动态。     

基于支持向量机方法的森林火险预测研究

以利用气象数据预测森林火险等级为目的,使用半正定规划建模选定支持向量机的最优核函数,依据500余条林火数据建立了支持向量回归机模型,并使用回归误差特征曲线图对比分析各个回归模型的学习效果。分析得到该自定义核函数的均方误差为1.76,支持向量数为190,约占训练数据集的1/2。结果表明,与传统的线性回归方法及基于高斯核的支持向量机相比,该预测模型具有较高的准确率并且有效的避免了过学习的现象。     

Enterprise Information Engineering Model and Its Integrated Support Environment

By analyzing the process of enterprise information engineering construction and intra relationship among information system requirement, business process modeling, application system constructing and project management, one of 4 meta model composed of requirement engineering, process engineering, application system engineering and support engineering is proposed for enterprise information engineering. The developments and applications of the business processes and its application systems are integrated into the same development space and application space. Basing on this, a prototype system composed of requirement modeling environment, business process modeling environment, application system modeling environment, and support engineering environment has been designed and built, which is used for supporting enterprise information engineering constructing. It is valued for the enterprise information engineering construction in our country.     

基于SAGA-SVR的马铃薯贮藏库温度预测方法

马铃薯贮藏库温度受室外温度、室内马铃薯呼吸释放温度、通风降温等因素的影响难以准确预测,提出了一种改进遗传算法(Genetic Algorithm,GA)优化支持向量回归机(Support Vector Regression,SVR)的马铃薯贮藏库温度预测方法。该方法针对支持向量回归机参数难以选择、容易陷入局部极小的缺点,引入了具有并行性、全局搜索能力强的GA算法,结合局部搜索能力强的模拟退火算法(Simulated Annealing,SA),实现支持向量回归机的自动寻优。以新疆某农产品加工公司马铃薯贮藏库实测温度数据为样本,建立SAGA-SVR马铃薯贮藏库温度预测模型,进行贮藏库温度准确的预测。仿真结果表明,与GA-SVR、反向传播(Back Propagation,BP)温度预测模型的预测结果相比较,SAGASVR预测结果优于GA-SVR、BP预测结果,具有良好的预测效果。该预测方法较好地解决了系统非线性、小样本等问题,为类似应用场合地温度预测提供参考。     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCA-WLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

磁化处理的全尾砂料浆沉降参数优化模型

为了提高全尾砂料浆的脱水浓缩效果,将磁化处理技术引入到全尾砂料浆脱水浓缩中,并建立GA-SVM模型优选全尾砂料浆的沉降参数。建立支持向量机（SVM）沉降参数优化模型,以磁感应强度、磁化处理时间、料浆流速、料浆浓度、絮凝剂单耗为输入因子,沉降速度为综合输出因子,通过正交试验建立样本数据对SVM模型进行训练与检验,采用遗传算法（GA）对SVM模型参数进行优化,进而得到磁化全尾砂料浆沉降参数的GA-SVM优化模型。将GA-SVM模型运用到某铁矿磁化全尾砂料浆沉降参数优化中,得到的最佳沉降参数为磁感应强度0.192 T、磁化处理时间1.85 min、料浆速度1.92 m/s、PAC单耗28 g/t,沉降速度可达约155 cm/h。研究表明：适宜的磁化处理条件可提高全尾砂料浆的脱水浓缩效果,节约30.0%~42.5% PAC用量,GA-SVM模型对全尾砂料浆沉降参数预测结果相对误差在5%以内、预测精度高,为全尾砂料浆脱水浓缩及其参数优选提供了一种新思路。     

基于PSO-SVM的高光谱数据降维的可靠性研究

PSO结合SVM算法对高光谱数据波段进行优化,每次搜索结果不一定相同,因此很多学者对此类算法的可靠性存在疑问。为了证明PSO-SVM降维算法的可靠性,利用PSO-SVM算法对杉木和马尾松的幼中成熟林的高光谱原始数据、一阶微分变换数据、对数变换数据及归一化变换数据进行降维运算,对降维后选择的波段分别利用支持向量机（SVM）、BP神经网络、Mahalanobis距离分类法、Fisher分类法及贝叶斯分类法进行分类,分类结果中,Fisher分类法的结果最好,所有的分类结果均在90%以上,SVM和BP神经网络的分类结果都保持在80%以上,贝叶斯分类法分类精度最差,所有分类结果均未超过90%,最差结果为43.75%。同时,将PSO-SVM与PCA算法进行对比分析,发现在马尾松和杉木的分类过程中PSO-SVM算法优于PCA算法。最后得出结论,PSO-SVM算法提取的特征对Fisher、SVM及BP神经网络分类法有效;当光谱数据差异非常微小时,PSO-SVM比PCA对特征的提取更有效。     

Partial discharge pattern recognition based on S transform and two-directional 2DPCA

A new feature extraction method is proposed to recognize different types of partial discharge (PD) signals. Firstly,four typical categories of PD artificial defect models are made and S transform (ST) is employed to obtain a time-frequency representation of the recorded UHF signals. Then,two-directional two-dimensional principal component analysis ((2D) 2PCA) is applied to compress the ST amplitude (STA) matrix to extract features. Finally,support vector machine (SVM) combined with particle swarm optimization (PSO) algorithm is introduced to accomplish the recognition of experimental samples. Classification results demonstrate that the average recognition rate of (10,5) combination is the highest while the one of (5,5) combination is the lowest among four kinds of feature dimension combinations. Moreover,PSO can obviously improve the classification performance of SVM. Specifically,all the average recognition rates of PSO-SVM are higher than 94.43%and the maximum value comes to 97.67%. Therefore,the feature sets extracted by ST and (2D) 2PCA can not only achieve dramatic dimension reduction,but also retain the major information of original data. It is proved that the proposed algorithm can obtain ideal results in PD pattern recognition.     

美国蜂业支持政策及其对中国的启示

养蜂业由于蜜蜂为作物授粉而对农业生产起着关键作用,然而当前中国的蜂产业政策还十分欠缺,政府没有为养蜂业发展提供优良的政策环境。因此为了提出完善中国蜂业支持政策体系的政策建议,促进中国蜂业较快发展,本研究使用归纳分析的方法,分析和借鉴了美国相对健全的蜂业支持政策体系。分析结果表明：美国的蜂业支持政策可分为以下几类——以稳定养蜂者收入为目标的蜂蜜价格支持政策;以保护国内蜂蜜生产者利益为目标的蜂蜜贸易保护政策;以减轻养蜂灾害损失为目标的蜂业保险和紧急援助政策;以解决蜂业病虫害和蜂群消失问题为目标的科研支持政策以及以监管养蜂生产环节为目标的养蜂注册与检疫政策。结合中国蜂业政策现状,中国蜂业支持政策体系要从开发政策性蜂业保险并辅以养蜂风险救助,加大财政对蜂业补贴力度,加强对蜂业科研的支持,加强养蜂生产环节控制几个方面来完善。