人工神经网络在土壤含盐量预测中的应用

土壤含盐量的预测对合理配置水资源.防治土壤次生盐碱化等具有重要的指导意叉.在阐述BP人工神经网络原理的基础上,针对影响土壤含盐量的主要因素,建立了多因子土壤含盐量的3层BP网络模型,以土壤含水率、地下水矿化度、地下水pH值、地下水埋深、相对湿度、降雨量、蒸发量作为模型输入参数,土壤含盐量作为模型输出,对土壤含盐量进行了预测.结果表明,BP神经网络模型预测土壤含盐量的最大误差为8.78%,平均误差为5.99%,模型具有较高的预测精度.     

论人工神经网络在农业工程中的应用

介绍了应用人工神经网络解决问题的基本原理，论述了人工神经网络在农业工程中的应用，及可能的应用范围，最后给出了在农业工程中应用人工神经网络要注意的问题。     

水果表面缺陷自动检测系统中的人工智能方法研究

通过计算机视觉技术获取了带有各种表面缺陷的苹果图像并进行预处理，采用自适应特征聚类（ＳＡＦＣ）神经网络与模糊加权决策树（ＦＷＤＴ）相结合的方法实现了缺陷区域的准确检测和详细分类。实验结果表明，用人工智能方法进行表面缺陷检测，具有良好的抗噪容错能力并能有效地克服传统图像分割方法适应性差的缺点，提高判别准确率和分类精度。     

基于遗传算法的人工神经网络模型在冬小麦根系吸水模型中的应用

基于土壤水分与冠部数据,应用遗传算法优化人工神经网络模型的权值,将获得的冬小麦根长密度分布应用于根系吸水模型中,并进行了水分数值模拟,水分模拟效果整体较好,表明应用该方法可以为根系吸水模型提供准确的根系参数,并且较为方便,这对于根系吸水模型的建立及应用有着重要的意义。     

基于SSA-LSTM的玉米土壤含氧量预测模型

土壤含氧量（Soil oxygen content,SOC）是影响作物生长的重要土壤环境因素之一,具有时序性、不稳定性和非线性等特点,精确预测土壤环境中含氧量的变化趋势,有助于制定更加合理的土壤通气增氧方案。本研究提出基于麻雀搜索算法（Sparrow search algorithm,SSA）和长短时记忆（Long and short-term memory,LSTM）神经网络预测模型,利用国家土壤质量湛江观测实验站记录玉米种植期间的气象环境和土壤环境数据,基于SSA-LSTM模型对SOC变化进行预测及相关性分析,并与传统的BP预测模型、LSTM预测模型、GA-LSTM预测模型及PSO-LSTM预测模型进行对比。试验结果表明,SOC与降雨量、土壤含水率、土壤温度、土壤充气孔隙度相关性极显著,相关系数高于0.8,与大气温度和风速相关性显著,与大气湿度和土壤呼吸速率相关性较弱。SSA-LSTM模型预测精度明显高于其他4组对照预测模型,R2达到0.95979,RMSE仅为0.4917%,MAPE为3.7331%,MAE为 0.3620%,预测值与试验值之间的拟合程度高。本研究可为土壤含氧量变化的精准预测及土壤通气增氧技术的应用推广提供理论支撑与科学依据。     

用BP神经网络模拟灌区ETa用水过

根据绰勒水库下游灌区保安召实验站1983～1985年水稻试验资料，以1983、1984年相对腾发量和相对产量作为BP神经网络的输入样本和输出样本求得灌区ETa用水过程线。经1985年的资料检验，模拟值（6～9月）与实测值有较好的拟合精度。     

基于BP神经网络数据挖掘方法的政府投资项目投资估算方法

政府项目投资失控问题业已引起社会广泛关注,而造价估算不准是其中主要原因之一。许多不确定因素影响着项目造价,并且这些影响因素与造价之间呈高度非线性关系,传统统计方法难以对新建项目造价进行准确估算。本文利用BP神经网络在已完工程资料中“提取”“规则”,实现了对项目造价的准确估算。本文对BP网络基本理论作了简介,并用举例说明BP网络预测工程造价的准确性。从例子可以看到,预测值与实际值的相对误差很小,足以满足造价估算的要求。     

用BP神经网络模拟灌区ETa用水过程线设计

根据绰勒水库下游灌区保安召实验站1983～1985年水稻试验资料,以1983、1984年相对腾发量和相对产量作为BP神经网络的输入样本和输出样本求得灌区ETa用水过程线.经1985年的资料检验,模拟值(6～9月)与实测值均有较好的拟合精度.     

萝卜丝薄层干燥试验及其数学模型的建立

萝卜丝干燥是萝卜加工的重要环节。利用薄层干燥试验台,进行萝卜丝的薄层干燥试验,探讨热风温度、风速对干燥速率的影响。结果表明,萝卜丝干燥具有典型物料干燥的升温、等速、降速3个阶段,热风温度对干燥速率的影响比风速对干燥速率的影响显著。用BP神经网络建立萝卜丝干燥的数学模型,并与Page模型的模拟结果进行对比。结果表明,用BP神经网络预测的含水率比精度明显高于Page模型。     

BP神经网络在浅层地下水矿化度预

针对导致黄河下游三角洲地区土壤盐渍化的浅层地下水因素,以该地区典型区域为研究对象,将人工神经网络引入地下水矿化度的模拟和预测中,建立了基于土壤盐分、地下水埋深和pH的地下水矿化度预测的BP神经网络模型,并与多元回归模型在拟合精度和预测性能方面进行了比较。结果表明：研究区域地下水矿化度与土壤盐渍化程度呈显著的相关性,多元回归模型能较好地拟合地下水矿化度;通过网络训练确定了地下水矿化度的BP神经网络的拓扑结构为5：8：1,BP神经网络的拟合精度明显优于多元回归模型;统计检验表明BP神经网络的预测性能亦优于多元回归方法,其预测精度提高了50.1%。该研究可为黄河三角洲地区盐渍化的水盐调控和预测预报提供理论基础与决策依据。