排序方式: 共有5条查询结果,搜索用时 31 毫秒
1
1.
为寻求准确的鸡舍氨气浓度预测方法,构建基于双阶段注意力机制和长短时记忆神经网络(Long shortterm memory,LSTM)的鸡舍氨气浓度预测模型,将该模型应用于山东省商河县某蛋鸡养殖场,采集二氧化碳(CO_2)、氧气(O_2)和氨气(NH_3)的体积分数,细颗粒物(PM_(2.5))质量浓度,温度,相对湿度时间序列数据对模型进行验证,并与支持向量回归(Support vector regression,SVR)、人工神经网络(Artificial neural network,ANN)模型和无注意力机制的LSTM模型对比研究。结果表明:1)不同时间窗口T下NH_3体积分数预测精度不同。T∈{2,3,4,8}时,均方根误差(Root mean square error,RMSE)分别为0.433 4,0.394 8,0.379 9和0.405 1μL/L,平均绝对误差(Mean absolute error,MAE)分别为0.267 4,0.262 9,0.228 9和0.272 4μL/L;2)基于双阶段注意力机制和LSTM的鸡舍NH_3浓度预测模型在RMSE和MAE评价指标框架下优于SVR、ANN和无注意力机制的LSTM模型。基于双阶段注意机制和LSTM的模型能较好地对鸡舍氨气浓度进行预测,可为鸡舍氨气浓度预测及调控提供技术支持。 相似文献
2.
水稻是我国三大农作物之一,在维护国家粮食安全方面发挥着不可替代的作用。有大量研究表明,水稻栽培技术、栽培措施会对稻米质量产生一定影响。为了切实提高水稻的产量和品质,保证水稻更好更快的生长,需要应用合理的栽培技术。基于此,本文结合实际工作经验,分析了水稻栽培技术对稻米品质产生的影响,希望通过本次研究对进一步完善水稻栽培技术有一定帮助。 相似文献
3.
深度学习在大田种植中的应用及展望 总被引:2,自引:0,他引:2
深度学习是目前机器学习领域最前沿和最具前景的技术,本研究采用归纳总结法,介绍了深度学习的特征及与传统机器学习的区别,归纳和梳理了深度学习在大田种植中的应用现状。结果表明:1)深度学习在大田种植中的应用初现端倪,主要集中在作物的识别与分类、农业遥感影像应用、土壤环境监测、农业场景识别等;2)采用的主要模型有卷积神经网络(CNN)、自编码(AE)、深度置信网络(DBN)、堆栈自编码(SAE)、全卷积神经网络(FCN)、深度神经网络(DCNN)等,其对各领域的分类与识别精度均有提高;3)目前存在的主要问题是标注数据缺乏,尤其在遥感图像分类领域,普遍采用了迁移学习、数据增强、微调等技术来解决标注数据缺乏的问题。随着大田种植领域数据的增长以及信息技术的快速发展,基于深度学习和多源异构数据的作物识别与分类、作物长势监测、病虫害预测预警、农作物产量预测、果树花朵及果体识别、水果质量及产量的优化控制等将会获得较快发展。 相似文献
4.
5.
采用文献计量和社会网络分析的方法,将1997—2016年划分为3个阶段(1997—2005年,2006—2012年,2013—2016年),以农业工程领域9个重要英文期刊和2个重要中文期刊数据为样本,分析并比较国内外农业工程领域研究进展及趋势演化。结果显示,1997—2005年,国内外研究关注重点均为精细农业,采用的主要技术有神经网络、图像分析和处理、地理信息系统、机器视觉、模型、仿真模拟、遥感等,其后2个阶段国外农业工程领域研究对农业工程技术的关注度逐渐下降,对研究领域的关注逐渐提升,国内研究对农业工程技术的关注较高且相对稳定;国外的研究领域更关注生物相关领域,如精油、抗氧化活性、木质素,国内研究集中在温室、冬小麦、水分利用效率、农业机械化、水稻、车辆、玉米、保护性耕作、土地整理和土地利用、土壤、灌溉、产量等领域;国内外农业工程研究中关键词网络集聚系数变化趋势相反,国内在农业工程研究领域的重点趋向集中和一致,以农业机械、土地利用和土壤为重点,而国外研究领域则趋向分散。 相似文献
1