一种基于改进时间卷积网络的生猪价格预测方法

针对传统的生猪价格预测方法存在预测精度不够高，容易陷入局部最小值等问题，为更加精准地预测生猪价格，采用随机森林回归(RFR)、极限梯度回升(XGBoost)、轻型梯度提升机(LightGBM)3种机器学习模型和改进网络结构的时间卷积网络(TCN)模型方法，以经过Z-Score标准化预处理的西南地区某省2011—2020年每周生猪价格数据为样本，对生猪价格预测进行研究。结果表明:TCN模型预测结果的均方误差(MSE)为0.340 606，平均绝对误差(MAE)为0.288 424，决定系数(R²)为0.995 683，均优于其他3种机器学习模型；与3种机器学习模型中效果最好的极限梯度回升(XGBoost)预测结果比较，3个指标分别提升了26%、8%和0.15%。改进网络结构的时间卷积网络模型可以更加精准地预测生猪价格。     

苹果树叶多病害及不可辨别病害的轻量识别算法

为提高苹果园中现有设备的病害树叶识别精度,该研究提出了一种快速识别方法S-DenseNet-E。首先,基于DenseNet的Dense模块提出了S-Dense模块,并基于S-Dense模块搭建了S-DenseNet模型。S-Dense模块在输出层中以前馈直连方式将模型内每一层输出聚合连接在一起,改善了Dense模块的密集连接存在计算量大的问题,有效减小了模型计算量。通过在Phytopathology 2021 FGVC8的苹果树叶病害公开数据集上测试表明,S-DenseNet的F1-score达到85.14%,高于常用的CNN类模型;其识别推理时间（或延迟）是33.03 ms,低于MobileNetV2模型。其次,针对S-DenseNet模型在不可辨别病害上的F1-score较低（65.82%）的问题。该研究在S-DenseNet基础上增加辅助模型专门识别不可辨别病害,形成S-DenseNet-E方法。通过在同一数据集上测试表明,S-DenseNet-E在不可辨别病害上的F1-score达到70.10%,识别推理时间为38.92 ms,比S-DenseNet模型仅升高5.89 ms,并且保持了原来S-DenseNet对其他病害的识别效果。因此,该研究表明,S-DenseNet-E方法针对苹果患多种病害和不可辨别病害两种复杂情形的识别效果好,并且计算资源的需求较少,满足果园实际需求。