山西省工业用地价格的空间分异及其测算

本研究收集了山西省2009-2014年的工业用地价格信息。采用探索性空间数据分析方法(ESDA)研究山西省工业用地价格的空间分异规律,通过BP神经网络对工业用地价格进行了测算,将结果与同用途所在级别基准地价以及工业用地最低价标准作对比。结果表明:山西省工业用地价格呈现出显著的空间集聚,整体上呈现东高西低,中南部高、北部偏低的趋势。高值聚集在六大盆地以及京昆高速、二广高速、同蒲铁路、G108国道等交通沿线的经济发达且交通便利的区域,而低值多聚集在吕梁山、太行山、太岳山、中条山等经济水平欠发达、对外交通不便的区域。利用BP神经网络对工业用地价格的测算结果与真实值的相关系数为0.744,要高于基准地价的0.560以及最低价标准的0.606,本研究结果更加接近实际价格。研究结论对研究山西省工业用地价格以及制定地价政策具有指导作用。     

基于神经网络的马尾松毛虫发生量Matlab建模研究

根据安徽省潜山县马尾松毛虫监测数据和国家气候中心的气象数据,运用Matlab中神经网络拟合工具对马尾松毛虫发生量进行建模试验,试验结果验证样本和测试样本R值均为1。     

基于PSO—BP算法的农业机械数据预测分析研究

由于农村人口大量转移,我国农业产业发展迎来一个整合时期,这样就需要大量地使用农业机械替代需求的劳动力。为保证我国在制定农业机械发展的总体规划时具有良好的指导性,需对农业机械数量进行预测。为此提出基于PSO—BP的高精度预测算法,并考虑各种单一数据对综合数据的显著和非显著影响,分析我国1978~2013年期间的农业相关数据,进行PSO—BP预测算法仿真研究。仿真结果表明,多参数的加入对预测结果的精确度有显著的影响,且采用PSO—BP预测算法预测农机总动力的绝对误差仅为0.03%,预测精度比较高,说明该方法适用于本时间序列的预测问题。     

利用地形、土壤和作物信息辅助提高东北漫岗地数字高程模型精度的新方法

【目的】SRTM DEM是可免费访问公开可用的数字高程模型,但是当前SRTM DEM的垂直精度不能满足精细农业对地形数据的需求,提高其垂直精度,为精准农业等领域提供数据基础。【方法】以黑龙江省海伦东兴农机合作社为研究区,采集实际地面高程数据,获取SPOT-6、Sentinel-2A遥感影像和SRTM DEM。提取归一化湿度指数（NDMI）、归一化植被指数（NDVI）、土壤亮度（TCB）、潜在太阳辐射（PSR）等变量分析地形对其影响关系。利用极限学习机（ELM）和反向传播神经网络（BPNN）提高SRTM DEM水平空间分辨率和垂直精度。使用实际地面高程点进行精度验证,与基于无人机和光学立体像对（ZY-3）生成的DEM进行对比。【结果】SRTM、NDVI、NDMI、TCB与改进后高程的灰色关联度在90%以上,是改进SRTM DEM的重要辅助信息。在整个研究区,BPNN方法的RMSE_P为0.98,R²_P为0.98,ELM的RMSE_P为1.00,R²_P为0.90。在平坦区,BPNN方法的RMSE_P为0.84,ELM的RMSE_P为1.00;在起伏区,BPNN方法的RMSE_P为0.99,ELM的RMSE_P为0.94。该方法获得的DEM的垂直精度高于ZY-3光学立体像对生成的 DEM的垂直精度,为提高SRTM的水平空间分辨率和垂直精度提供了新思路。【结论】引入SRTM、NDVI、NDMI、TCB辅助信息有利于提高SRTM DEM的空间分辨率和垂直精度,获得高精度的DEM。BPNN方法获得的数字高程模型的精度整体上高于ELM方法, BPNN方法更加适用于平坦区高精度DEM的获取,ELM方法更加适用于起伏区。     

应用RBF激励WASD神经网络估算GFR

价格低廉与高准确率的矛盾是测量肾小球滤过率（glomerular filtration rate，GFR）中遇到的主要难题。采用径向基函数（radial basis function，RBF）神经网络和权值与结构确定法（weights-and-structure-determination，WASD）相结合的方法，并基于中山大学附属第三医院的患者数据进行神经网络建模，对肾病患者进行肾小球滤过率估算。计算机数值实验结果显示该方法在50%符合率标准下能达到90%的准确率，而传统方程中最优的准确率为68%。     

基于支持向量机的科技图书市场预测

对灰色、神经网络和支持向量机的三个预测模型进行研究，以某某类科技图书1993-2000年的年发行量为例，对科技图书市场进行预测，经过比较，支持向量机的预测方法精度较高。本方法可推广应用于其他类图书市场的预测。     

卷积神经网络在红木树种识别中的应用

  目的  不同类型的红木由于生长周期和木材特性的不同，导致商业价格差异悬殊，其中还包含有国家保护木种。本研究旨在找到能准确地识别红木种类的方法，以防止交易中的欺诈行为和保护树种。  方法  以国家林业和草原局木材与木竹制品质量检验检测中心(昆明)实际检测中累积的黄檀属Dalbergia和紫檀属Pterocarpus中的交趾黄檀D. cochinchinensis、刀状黑黄檀D. cultrata、卢氏黑黄檀D. louvelii、巴里黄檀D. bariensis、奥氏黄檀D. oliveri、大果紫檀P. macrocarpus、檀香紫檀P. santalinus等7种红木的376个样本作为基本数据，使用计算机算法扩展样本数量，提出自动化识别红木的卷积神经网络模型。  结果  该方法能够自动提取适合模型分类识别的特征，使用更为便捷，相比其他传统方法识别效果更准确的，结果证明平均识别精度达99.4%。  结论  自建的卷积神经网络可以有效识别红木树种，虽然在调参优化与训练时间大于VGG16等迁移学习方法，但泛化能力更强，证明了自建模型在红木识别应用上优于迁移学习模型。图7表4参23     

基于神经网络的食用菌价格预测模型的建立

为解决食用菌市场价格预测的问题,基于模糊神经网络建立食用菌价格预测模型,对5种常见的食用菌栽培方案进行了价格预测,可以客观准确地预测未来食用菌价格走势,减少价格波动带来的经济影响。     

机械优化设计的应用及展望

第三次产业革命使社会各个领域发生了巨大的变化,机械制造行业在产业革命的推动之下,也实现了不同于以往的高速发展。机械制造与自动化技术,正是机械制造在发展过程中应对挑战的产物,而且此种技术的应用将给社会生产以及公众的生活带来诸多改变。文章从机械优化设计内涵释义入手,分析机械优化设计特质,并就现代机械优化设计方法应用现状介绍以及未来前景展望进行研究,以供参考。     

基于BP神经网络模型的中国棉花产业风险预警研究

由于棉花种植面积减少、种植成本上升、质量下滑、粮棉争地严重、价格波动频繁、国外市场压迫等诸多因素的影响，中国棉花产业出现高消耗和高库存并存现象，供需结构严重失衡。从供给、需求和国际市场3个角度出发，以棉花市场价格波动率作为棉花产业风险的预警指标，选取了12个指标构建了中国棉花产业风险预警指标体系。运用反向传输神经网络分析了2005―2015年的样本数据，并对2015年的样本数据进行拟合，拟合结果良好，从而将2016―2018年预测数据代入模型中进行棉花产业风险预测。结果表明，中国棉花产业风险预警指数呈现上升趋势，尤其2017年和2018年棉花产业存在高风险。