排序方式： 共有14条查询结果，搜索用时 15 毫秒
2.
研究旨在通过皖南山区土壤检测报告给定的一些数据和信息分析养分流失程度,为合理的土壤养分管理提供可靠依据,采用指导性抽样选取样本,利用半梯形隶属度函数构建模糊数学模型,结合变异系数法,计算出不同地形类别的土壤养分流失程度。研究结果表明:以MATLAB仿真软件生成土壤养分的分布情况为直观依据,构建模糊数学模型发现多坡地的丘陵区域土壤养分流失最为严重。该模型的分析结果更贴近该地区土壤养分现状。研究验证了模糊数学模型在山区耕地土壤养分流失研究中的实用性。该模型能够很好的评估出土壤养分流失程度,为科学施肥护壤提供了理论依据。 相似文献
3.
4.
针对目前小麦白粉病流行动态研究中存在的影响因子单一、预测结果有误报等问题,提出一种基于GAHP的小麦白粉病流行动态预测方法。该方法引入影响白粉病发生的多源因素,采用AHP算法定性分析影响因子和预测方案并定量计算出权重大小,同时聚类分析群组中各专家权重值,最后加权求和得出白粉病的流行动态。通过对2012年淮北地区小麦白粉病流行动态进行实例验证,对比发布的预测结果,结果准确,证明该方法的可行性和有效性较好。 相似文献
5.
一种植物病害图像识别卷积网络架构 总被引：1，自引：0，他引：1
针对人工提取植物病害图像特征存在效率低、识别率低、成本高等问题,提出一种基于DenseNet网络的现代卷积神经网络架构FI-DenseNet,旨在对多种类的植物病害图像达到高精准的识别准确率.引入Focal损失函数对DenseNet网络进行改进,使得训练模型的注意力集中于难分类的样本.FI-DenseNet网络可以增强特征传递、进行深层训练或有效改善过拟合问题.采用的数据集有87 867张植物病害图像,图像包含同种植物的多种病害,并涉及38种植物病害.对图像进行预处理、数据增强后,将DenseNet169网络、ResNet50网络和MobileNet网络作为参照实验.实验结果表明,FI-DenseNet网络的收敛速度更快且识别准确率最高,测试集识别准确率为98.97％,FI-DenseNet网络的鲁棒性和泛化能力均优于对照网络,可为植物病害智能诊断提供参考. 相似文献
6.
研究旨在通过BP神经网络方法,构建起LM-BP网络结构(5-M-1)模型,达到对土壤养分等级划分的目的,为合理的土壤养分管理提供可靠依据。采用Levenberg-Marquardt (LM)训练算法,构建3层网络模型：一个输入层、一个隐含层、一个输出层,利用3层网络作为耕地土壤养分等级划分模型。利用土壤养分各级评价标准作为模型的训练样本和测试样本,以此来对BP神经网络进行训练和测试,并对歙县土壤养分进行综合评价。结果表明：LM-BP网络结构对测试样本输出的预测值和实际参考值是一致的。最终通过灰色关联模型和主成分分析方法对歙县土壤养分的综合评价结果与BP神经网络的模拟结果相对比,发现也是基本一致的。LM-BP网络结构应用于土壤养分等级划分中,得到了很好的预测效果,为智能算法应用于农业领域奠定了良好的基础。 相似文献
7.
土壤侵蚀模型常被作为了解土壤侵蚀过程与强度、预报水土流失、指导人们合理配置土地资源的重要技术手段。本研究对国内外各种土壤侵蚀模型进行了评价,总结了今后土壤侵蚀模型应该注重的发展方向:注重土壤侵蚀模型的理论研究,从以侵蚀因子为基础的侵蚀预报向侵蚀过程的量化研究和理论完善;充分利用先进的RS、GIS技术和BP神经网络理论结合的发展趋势,为侵蚀模型的研究提供大量的数据源,以利于对土壤侵蚀模型的检验;加快土壤侵蚀所造成的生态经济损失进行估算研究;着眼于土壤侵蚀导致土壤养分流失这一实际情况,根据土壤各养分流失的差异,给出指导性建议,以便改良和保护土壤,并合理的耕种。 相似文献
8.
命名实体识别是构建知识图谱的关键,在农业病虫害领域存在病虫害数据匮乏、实体结构复杂、实体类型识别困难等问题。针对于病虫害数据匮乏,本文采用网络爬虫技术以及扫描文本数据的方法,构建了玉米、小麦、水稻病虫害实体语料库。传统的命名实体识别方法无法解决农业病害实体结构复杂、实体类型识别困难等问题。本文提出一种基于GPT规则修正的LEBERT-BilSTM-CRF模型,LEBERT模型构建了字典树和Lexicon-Adapter结构,将原始字符进行扩充增加数据的丰富性,将经过BiLSTM-CRF的输出和GPT结果进行实体标签修正以此来提高准确率。在公开数据集训练得到合适的参数后,在自建文本语料库进行训练,通过条件随机场和GPT修正生成全局最优序列取得很好的识别效果,准确率为94.23%,召回率为92.34%,F1值为93.28%。 相似文献
9.
酒精罐在使用一段时间后,由于地基变形等原因,使罐体位置发生纵向倾斜和横向偏转等变化,从而导致罐容表发生改变,为准确测量酒精罐内酒精的容量,需要定期对罐容表进行重新标定。首先我们将实际酒精罐抽象成小椭圆型的数学模型并给定纵向倾斜α,研究罐体变位后对罐容表的影响;再将上一问题中的数学模型扩展到实际生活中,并给出的大量实际采集数据。根据这些特点我们在物理模型的基础上,通过合理的假设,利用Matlab软件对给出的大量数据进行分析拟合,从而得出实现对酒精罐的变位识别与罐容表标定。 相似文献
10.