面向农业领域数据的智能化模型研究

摘要

人工智能技术日新月异的发展，必然带动现代化农业的迅速发展。然而日积月累，现在农业领域已积累了大量的宝贵数据，急需新的技术去挖掘、利用现有农业数据之间的内在规律和本质，利用现代的信息技术去更好的服务农业，提高农业的运作效率，减轻农民负担。本文将遗传程序设计(Genetic Program，简称GP)和人工神经网络(Articial Neutral NetWork)等技术运用于现代化的施肥模型构造中，并与传统的施肥模型构造方法做出对比，以指出传统建模方法的不足之处。 本文的主要工作及所作贡献如下： (1)分析了进化计算中的GP的运行机理，从GP存在的问题出发，以提高算法搜索效率加强收敛性能为目的，对遗传程序设计结合本实验项目作进一步改进及其在实验室中的运用。引入一种新的符号回归算法GEP，它集GP和GA的优点。 (2)神经网络是一种有效的智能化模型建立、优化的方法，它具有一般统计方法无可比拟的特殊优势。针对BP算法在施肥模型建立过程的缺陷，做出了一些改进。采用Levenberg-Marqtlardt算法，可变学习速率算法，动量算法训练BP网络，结合仿真试验，以提高算法运行效率加强收敛性能为目的，对这几种改进算法进行了分析和对比，同时利用GP对神经网络的激励函数进行优化。 (3)针对现有的施肥模型优缺点进行探讨及其将不同的建模方法应用到施肥过程中，最后以安徽省肥西县三组施肥数据作为数据源，进行四种不同施肥模型的试验数据比较和对比。 (4)针对智能化施肥模型系统进行需求分析，给出了系统设计的基本框架和主要功能设计，介绍了对历史数据可能存在异常、噪声甚至遗漏的情况等不一致数据进行预处理。在介绍系统开发中所采用的关键技术基础上，设计了三种施肥智能化优化模型。

目录

文摘

英文文摘

第一章绪论

1.1智能计算概述

1.1.1进化计算

1.1.2遗传程序设计的应用领域

1.1.3人工神经网络概述

1.2本课题的研究意义及主要研究工作

1.3本论文的结构框架

1.4本章小结

第二章遗传程序设计概述及改进研究

2.1生物学基础

2.2机理分析

2.2.1个体的表示方法

2.2.2初始个体生成原理

2.2.3适应度评价和选择策略

2.2.4遗传操作

2.2.5终止规则和结果标定

2.2.6控制参数

2.3 GP在建模中的应用

2.3.1建模概念提出

2.3.2 GP建模在云南病虫害预测预报系统中的运用

2.4 GP的性能改进

2.4.1 GP在实际运用中存在的主要问题

2.4.2本课题组对GP性能改进所做的工作

2.5 GP—GA改进—GEP

2.5.1 GEP(基因表达式程序设计)简介

2.5.2 GEP的改进

2.5.3仿真试验

2.6本章小结

第三章人工神经网络概述与改进

3.1人工神经元

3.1.1人工神经元的基本组成

3.1.2激活函数

3.2人工神经网络的拓扑结构

3.3人工神经网络的训练

3.3.1无导师学习

3.3.2有导师学习

3.3.3强化学习

3.3.4人工神经网络的典型模型——BP网络

3.4 BP算法的缺陷及改进

3.4.1 BP算法的缺陷

3.4.2 BP算法的改进

3.4.3 BP改进算法性能比较

3.5神经网络中的函数逼近问题

3.5.1多元连续函数的一元函数符合表示问题

3.5.2人工神经元网络的逼近

3.5.3基于BP网络的建模过程

3.5.4 BP网络及其函数逼近能力

3.5.5 BP网络泛化能力的改进

3.5.6结论

3.6 GP对神经网络的优化

3.6.1 GP对神经网络作用函数优化

3.7本章小结

第四章施肥模型的探讨及改进

4.1施肥模型综述

4.1.1施肥模型研究的意义与概述

4.1.2肥料效应函数

4.2现有施肥模型的缺陷

4.2.1“3414”试验方案的简介

4.2.2现有模型的缺陷

4.3施肥模型改进及创新

4.3.1传统建模方法

4.3.2 GP(遗传程序设计)施肥模型构造

4.3.3神经网络施肥模型构造

4.3.4线性规划仿真试验

4.3.5 GEP仿真试验

4.3.6实验结果分析与对比

4.4本章小结

本章其他实验附录：

第五章智能计算施肥模型优化系统开发研究

5.1系统需求分析

5.2系统的总体结构框架

5.3系统的功能设计

5.4数据预处理

5.4.1缺失数据处理

5.4.2噪声数据处理

5.4.3标准化、正规化变换

5.5系统开发与程序实现

5.5.1 MVC模式

5.5.2 JDBC接口

5.5.3观察者模式——Observable类和Observer接口

5.5.4数据预处理算法实现

5.5.5施肥模型算法实现

5.6系统界面设计及流程

5.7实验数据验证

第六章结论与展望

6.1主要研究成果及创新

6.2展望

参考文献

致谢

攻读硕士学位期间发表的论文