排序方式： 共有3条查询结果，搜索用时 62 毫秒
1
1.
对土壤湿度进行的高质量时序预测对科学研究和农业生产实际都有重要的意义。利用无线传感器网络得到长时序观测数据,建立一种新的基于BP神经网络的土壤湿度时序预测方法。针对神经网络收敛速度慢、易陷入局部最优的问题,提出基于动量因子和自适应学习率的BP神经网络改进方法,并且利用粒子群算法优化BP神经网络的初始阈值和权值。针对标准粒子群算法(PSO)中惯性权重线性递减、学习因子取常数,而导致的PSO收敛速度慢、易错过全局最优解等问题,将迭代次数和适应度值相结合改进惯性权重和学习因子,有效提高算法找到全局最优解的速度。选取"渤海粮仓"山东试验区东营市垦利县20个观测站2013—2014年的时间序列观测数据,分别采用本研究提出的方法和其他4种方法进行预测,结果显示本研究提出的方法预测在预测精度、收敛速度方面都优于其他4种方法。 相似文献
2.
针对准确识别小麦常见病害的需要,提出了一种基于卷积神经网络的小麦病害识别方法。该方法首先以小麦病害图片资料为基础,利用中值滤波法、直方图阈值法等对图像进行去背景、去噪、病斑分割等预处理形成样本库,然后利用卷积神经网络构建一个具有五层结构的深度学习模型进行样本学习,并利用随机梯度下降法进行学习过程控制,最后以获取的特征集对小麦图片进行病害识别,并形成一个在线识别系统。在泰安市4样点的试验结果表明,利用该方法可以有效实现对小麦常见病害——纹枯病、条锈病、叶锈病、秆锈病、赤霉病和白粉病的识别,综合识别率可达99%以上,可以应用于实际生产管理。 相似文献
3.
针对目前利用深度学习技术进行高分光学遥感图像分类方法研究中尚存在的不足,本文提出了一种以多时相遥感数据为数据源,面向农作物种植信息提取的分类算法。该算法首先获取农作物在若干典型生长时期的光学遥感图像并进行配准等预处理,然后建立了一种以像素为单位的数据组织结构,该结构包含不同生长时期的作物信息、纹理信息,能较好地解决现有分类研究中信息不足的问题;接着以前馈神经网络为基础,建立了一种以像素为单位的分类算法,最后以得到的逐像素分类结果为基础进行成图。与同类方法相比,本文提出的算法综合考虑了农作物在不同生长时期的特征,更能发挥深度学习技术的优势,且多时相数据在提高农作物提取信息精度方面具有明显优势。 相似文献
1