用自组织人工神经网络预判昆虫适生区

本文运用Ｔ．Ｋｏｈｏｎｅｎ自组织人工神经网络预判昆虫适生区，并以桔小实蝇作为研究对象，验证了该网络的可靠性。结果表明，神经网络方法性能良好，可望成为植检对象适生区预判的有效手段。     

理化复合参数和神经网络结合的冬小麦长势遥感监测

准确、及时地监测区域作物长势状况对农业规划和政策的制定与调整具有重要的意义。遥感技术作为一种收集大面积作物长势信息的有效手段,正日益受到关注。为提高冬小麦长势遥感监测的准确性和全面性,该研究基于田间实测的冬小麦拔节期地上鲜生物量（aboveground fresh biomass,AFB）、叶面积指数（leaf area index,LAI）、叶片叶绿素相对含量（soil and plant analyzer development,SPAD）和叶片氮含量（leaf nitrogen content,LNC）4种生长相关理化参数,利用熵值法获取各参数权重构建冬小麦理化复合参数（physico-chemical composite parameter,PCCP）。利用显著性检验和籽粒产量数据分析复合参数在量化冬小麦长势方面的性能。然后,以Sentinel-2A作为数据源,分析不同遥感指数与LAI、SPAD、AFB、LNC和PCCP的相关性。选取相关性较高的遥感指数作为反向传播（back propagation,BP）人工神经网络（artificial neural networks,ANN）的输入,建立冬小麦长势遥感监测模型,对PCCP进行估计。评价模型精度并用于监测研究区冬小麦长势分布特征。赋权结果表明,作物物理参数的权重大于生化参数,其中LAI的权重最大,为0.387,AFB和SPAD次之,LNC的权重最小,为0.105;PCCP性能评估结果表明,与单一理化参数相比,PCCP值能更好地揭示作物长势状况的差异,其与最终籽粒产量的相关性更好, 决定系数提高0.035～0.468,均方根误差减少46.2～520.0 kg/hm²;在遥感监测过程中,PCCP比单一理化参数有更好的应用潜力,BP-ANN长势遥感监测模型模拟PCCP精度较高,在测试集中决定系数为0.830,均方根误差为0.080;研究区冬小麦总体长势稳定且分布集中,呈现"中部差,南北好"的空间分布特征。因此,构建作物理化复合参数用于量化作物长势是提高长势监测可靠性和准确性的一种有效方式,可为冬小麦田间管理提供科学依据,服务于发展智慧农业和建设农业强国的战略需求。     

人工神经网络NIR定量分析方法及其软件实现

在Visual C＋＋环境中采用面向对象技术,开发了PCA-MBP-NIR定量分析模型软件。通过40份小麦样品的原始光谱、加噪光谱（信噪比为14dB）与含水率所建立的PLS-NIR与PCA-MBP-NIR模型,对10份未知小麦样品的原始光谱、加噪光谱分别进行含水率的PLS-NIR与PCA-MBP-NIR预测分析。分析表明,对于含噪声的光谱,与PLS建模相比,使用PCA-MBP-NIR对未知样品预测结果具有更高的相关系数,更低的预测误差标准差。     

用人工神经网络解决农业中的非线性问题

本文介绍了人工神经网络的发展和基本原理,对人工神经网络在农业中用于病虫害预报、产量预测、模型建立和图像识别等方面进行了综述。最后结合应用实践,对人工神经网络在计算机中的实现方法做了探讨。     

基于粗糙集与神经网络的农机化发展水平评估方法

在分析现有农业机械化发展水平评价方法的基础上 ,提出了粗糙集理论与人工神经网络技术相结合的农业机械化发展水平评价指标简化体系和评价方法。实例表明 ,约简后的指标体系可以获得原有指标体系的分类结果 ,但比原有模型少了 6 0 %的指标 ,大大减少了信息的需求量 ,为农机化水平评价提供了一种新的途径。     

自压式树状管网的两级优化设计模型与神经优化设计

建立了自压式树状管网两级优化设计模型，并用人工神经网络法实现树状管网非线性规划模型的快速求解。采用的人工神经网络技术的两级优化设计模型在适用范围、求解速度和获得最优解能力上，均优于单一的非线性规划模型和线性规划模型，是实现树状管网全局优化设计的一条新途径。     

几种QSAR建模方法的研究进展与应用

定量构效关系（QSAR）对药物设计和新药研制、环境毒物的毒性评价与预测有着显著的作用，本文简单介绍了几种QSAR建模方法：多元线性回归（MLR）、主成分分析（PCA）、偏最小二乘法（PLS）、人工神经网络（ANN）和支持向量机（SVM），并对这几种不同的建模方法在实际中的应用进行举例。可以看出PLS和ANNS是优秀的建模方法，预测能力强， SVM通过结构风险最小化原则建模，有效将期望风险降至最低，模型预测力得到显著提高，在环境毒物评价中具有广阔的应用前景。     

人工神经网络在渔业高价值专利筛选中的应用——以中国水产科学研究院为例

为了从大量专利数据中筛选渔业高价值专利,提高专利管理效率,从而间接促进专利转化,对中国水产科学研究院2008-2018年5 404项专利进行价值高中低分类标注,获取这些专利在商业数据库Patentics中的16个参数并进行归一化处理,合并专利信息和对应的专利参数并利用人工神经网络建模.合并的数据中随机抽取70％的数据用...     

基于机器学习的辽东山区落叶松林蓄积量估算研究

作为森林资源信息的采集工具,遥感技术能及时有效的获取准确信息,是了解森林资源现状和获取森林结构参数的理想手段。以三类设计的作业小班为基础,小班中心为质点做25 m×25 m样方,取其公顷蓄积量作为因变量,提取影像各波段像元亮度值(digital number, DN)、植被指数、地形因子作为自变量指标,利用多元线性回归算法和人工神经网络建立了模型估算森林蓄积量。并利用实地调查的蓄积数据反演精度,对其算法的优劣进行了评价。经检验得知：多元线性回归平均绝对误差为35.68,相对均方根误差为39.32%;神经网络平均绝对误差为30.45,相对均方根误差为34.87%。典型地区精度可以达到80%。由评价表明：该模型使用良好,且误差在可接受范围内,利用人工神经网络方法获得的模型更优。     

基于人工神经网络的园林植物配置研究

为了适应低碳生态环境要求,将深度学习下的人工神经网络运用于风景园林设计的植物配置中,为风景园林设计的科学性提供依据。根据生态城市下风景园林设计理论,着重分析生态城市和低碳园林的具体内涵和重要性,进而分析人工神经网络与风景园林设计的相关性,以此为基础提出基于人工神经网络的风景园林设计植物配置模型。通过网络爬虫技术进行模型训练数据集的收集,运用AutoCAD形成植物配置图层。随机选取陕西西安地区的10个公园进行植被种类与使用频率的关系分析。结果表明,该地区植物的使用频率越低,植物的种类越多。对于规定种植面积的乔木种植,系统生成的乔木坐标点会控制在种植范围内,最终输出的植物图层都不相同,有乔木、地被以及灌木。获得的植物配置三维效果图可以清晰看到乔灌木和地被的配置情况,说明人工神经网络植物配置模型具有较高可行性。