基于模糊聚类的神经网络虫情预测

1基于模糊聚类的神经网络预测 首先采用模糊聚类对所有样本进行预处理,再把去噪后的数据作为神经网络的输人数据进行训练和预测。 1．1基于模糊聚类的神经网络结构3层BP神经网络具有令人满意的对连续映射的逼近能力,可以满足预测的要求,因此,采用3层BP神经网络作为研究模型。3层BP神经网络由输入层、隐含层和输出层组成。     

基于MFCC与神经网络的小蠹声音种类自动鉴别

昆虫发出的各种声音具有种间特异性,是非常可靠的分类依据。利用这一特性,本实验旨在探索一种对昆虫自动分类的新方法。本实验录制了红脂大小蠹、云南切梢小蠹、短毛切梢小蠹和华山松大小蠹4种小蠹虫的胁迫声,利用Adobe Adition2.0对每个声音文件进行降噪,再将其截取成只含有一个脉冲组的声音片段。在MATLAB环境下对这...     

基于改进MNN的森林健康评价方法研究

为了更好地支持森林的可持续经营,探讨了森林健康评价方法.与传统的单一人工神经网络相比,集成神经网络（Modular Neural Networks,MNN）在解决复杂分类问题时更加有效,因此利用MNN作为森林健康评价的具体方法.此外,常被用来训练神经网络的反向传播（Back Propagation,BP）算法存在收敛速度慢且易陷入局部极小值等不足.为了解决这一问题,将具有极强全局寻优能力的人工蜂群（Artificial Bee Colony,ABC）算法与BP算法相结合,形成一种混合ABC-BP算法的改进MNN模型,并将其用作构成MNN的单一神经网络的学习算法.通过试验对比分析,验证了改进MNN模型的有效性.     

稻谷加工断裂面裂纹显微图像识别研究

针对稻谷加工破损问题,提出了基于图像处理稻谷断裂面裂纹识别方法。通过剪切试验后获取稻谷断 裂面显微图像,提取其裂纹特征参数并进行了T 检验及BP 神经网络识别研究。结果表明,两种稻谷特征参数K 值差 异性显著,干燥和未干燥稻谷裂纹的准确识别率分别为96.4%和83.3%,用图像识别的方法可判断稻谷加工时的水 分条件,对稻谷的贮藏及加工条件的控制具有一定的指导意义。     

基于粗糙集和BP神经网络的粮食产量预测研究

为提高粮食产量的预测精度,提出一种基于粗糙集和BP神经网络的粮食产量预测方法。该方法以吉林省粮食总产量的历史数据作为研究对象,利用粗糙集理论的属性约简特性,识别与粮食产量相关性较大的影响因素,剔除非主要影响因素,利用约简后数据建立RSBP神经网络预测模型。结果表明,粗糙集理论能有效减少数据的维数及噪声,减少神经网络的计算量,结合两种方法能有效提高预测速度和精度。     

一种基于神经网络的扇贝图像识别方法

为了满足计算机视觉辅助下应用机器人进行扇贝自动分拣的实时性和鲁棒性要求,提出了一种基于神经网络的扇贝识别和分级方法.首先对图像进行灰度化处理,并用canny算子检测目标边界,然后用8-连通邻域追踪算法提取目标边界像素坐标,最后计算目标边界到中心点的平均距离及其绝对平均误差,并作为特征信息训练BP神经网络,实现对扇贝图像识别和分类.实验结果表明,该方法可以快速实现扇贝的自动识别和分级工作.     

基于RBF神经网络的土壤分类设计

为了提高土壤遥感图象分类精度,把径向基函数（Radial Rasis Function,RBF）神经网络应用到遥感土壤分类系统,并基于MATLAB平台仿真模拟。仿真结果表明,经过训练的RBF神经网络可有效识别土壤特征,实现自动土壤分类。     

基于BP神经网络的土壤贮水量预报模型研究

[目的]为实现作物的实时灌溉提供科学依据。[方法]利用实测气象资料、桓台县节水灌溉试验站2008～2009冬小麦试验资料等建立BP神经网络预报模型,应用Matlab神经网络工具箱,采用Trainlm算法进行模型训练,对试验田的土壤贮水量进行预测。[结果]基于BP神经网络的土壤贮水量预报模型的泛化能力较强;在冬小麦日耗水量较大的拔节、扬花、灌浆3个时期,该模型的预报精度较高,稳定性较好。[结论]基于BP神经网络的土壤贮水量预报模型在冬小麦耗水较大时期的模拟值具有较高的精度。     

基于二层规划的改进RBF算法在iris数据集分类中的应用

基于二层规划上下层相互制约、各自独立决策的性质,融合遗传算法的选择、交叉算子,采用交叉验证方法,动态改善RBF算法的精度,使奇异样本以较大概率落在下层,以得到精度较高的训练网络。研究表明,改进RBF算法可以提高训练网络的泛化能力,并能以较大概率得到预测集中的奇异样本。     

丘陵区土壤有机质空间分布预测的神经网络方法

土壤性质空间分布信息的准确表达是土壤资源优化利用和土壤环境保护的需要.为模拟川中丘陵区县域尺度上土壤有机质的空间分布格局,构建了以地理坐标、地形和植被因子为网络输入的径向基函数神经网络模型(RBFNN_E),并将该方法与普通克里格法(OK)、多元回归模型(MLR)和仅以地理坐标为网络输入的神经网络模型(RBFNN_C)相比较.结果表明:RBFNN_E对479个验证点模拟结果的平均绝对误差(MAE)、平均相对误差(MRE)和均方根误差(RMSE)较MLR分别降低了1.74％、1.45％和2.64％,较OK分别降低了7.77％、12.76％和3.92％,较RBFNN_C分别降低了8.89％、9.81％和7.68％.从模拟的空间分布图来看,RBFNN_E能较好地刻画环境变化引起的土壤有机质空间变异的细节信息.因此,融合环境因子的神经网络模型(RBFNN_E)不仅具有较高的模拟精度,还能更好地揭示复杂地形下土壤有机质的空间变异,使模拟结果更符合区域地学规律与实际情况,可为复杂环境条件下土壤管理、精准农业的实施以及区域环境规划等提供科学依据.