基于光谱和神经网络模型的作物与杂草识别方法研究

利用光谱技术来识别作物与杂草是精细农业中一个非常重要的研究内容,但光谱数据中含有大量冗余数据,如何预处理以及建立识别模型,是决定识别准确率的关键。利用在325～1 075 nm波段的光谱识别了三种杂草（牛筋草、凹头苋、空心莲子草）与大豆幼苗。在幼苗生长的第三周与第六周分别采集杂草与作物的光谱,共378个样本。用其中的250个光谱样本,包括第一期和第二期采集的光谱样本,在采用db12小波经过三层分解后,将其小波系数作为输入数据建模,构造了一个径向基函数神经网络。然后,利用余下的光谱样本检验该模型的识别能力。结果表明,该模型对作物与杂草光谱具有极强的识别能力,只有3个第二期的牛筋草样本被判断为空心莲子草,其余的样本全部正确识别。这个结果表明,采用可见/近红外光谱识别大豆幼苗与三种伴随生长的杂草是可行的,同时也说明,随着作物的生长阶段的不同,其光谱的变化不会影响到种类识别。     

太空育种射干的X射线荧光及X射线衍射分析和表征

联用X射线荧光光谱(XRF)和粉末X射线衍射(PXRD)方法,对我国独创的第4代太空诱变育种射干中多种元素种类和含量及晶态物质进行了研究。结果表明:太空组射干K元素含量比地面组、对照品分别提高了1.03和0.31倍,Mg元素分别提高了1.44和0.06倍,Ca,Mn和Fe元素含量比地面组分别提高了0.95,0.30和0.29倍,Al元素比地面组、对照组分别降低了38.5%和85.5%,并在射干中鉴别出一水草酸钙(CaC2O4.H2O)晶体,晶体含量是地面组<太空组<对照品。从而可得出结论:太空射干中人体必需的矿质元素比地面组都更接近或优于对照品。文章研究结果和方法对筛选品质优良的太空药材籽种和推广种植太空药材以及建立中药材质量评价标准,有积极的作用和重要意义。     

北京谱仪III上利用神经网络方法进行粒子鉴别的研究

本文描述了一种多层感知器的神经网络系统在BESIII粒子鉴别技术中的应用。网络按照子探测器分别进行训练, 输出结果可以作为后续网络的输入或者可以为似然函数方法构建概率密度函数。蒙特卡罗模拟样本的检验结果表明, 利用神经网络方法可以在BESIII上获得较好的粒子鉴别效果。     

HL-2A tokamak disruption forecasting based on an artificial neural network

Artificial neural networks are trained to forecast the plasma disruption in HL-2A tokamak. Optimized network architecture is obtained. Saliency analysis is made to assess the relative importance of different diagnostic signals as network input. The trained networks can successfully detect the disruptive pulses of HL-2A tokamak. The results obtained show the possibility of developing a neural network predictor that intervenes well in advance for avoiding plasma disruption or mitigating its effects.     

谷物种子中蛋白质含量测定的核反应分析法

分析了在高蛋白质谷物育种中对筛选方法的要求, 对谷物中蛋白质测定的方法进行了综述评价, 重点介绍了用于谷物蛋白质测定的核反应分析法的原理及特点. The requirements of the screening method for high protein content in grain breeding are analysed. Methods for the determination of protein content in grain seed are reviewed.The principle and the advantages of the nuclear reaction method for the measurement of protein content in grain seed are discussed in detail.     

可见/近红外光谱分析技术快速鉴别航天育种番茄

提出了利用可见/近红外光谱技术快速无损鉴别航天育种番茄品种的方法,采用偏最小二乘法对光谱特征信息进行提取,与神经网络结合建立番茄品种的鉴别模型.该模型将提取后的主成分作为神经网络的输入,加速了神经网络的训练速度.同时采用小波变换对大量光谱数据进行压缩,并结合神经网络建立番茄品种鉴别模型,该模型将压缩后的数据作为神经网络...     

4种鹭的繁殖生态

1999-2001年对池鹭、牛背鹭、白鹭、夜鹭混群的迁入状况、繁殖行为、雏鸟生长等进行了观察研究。结果表明：鹭鸟数量逐年增多，种类由2种增加到4种，4种鹭鸟在筑巢、取食和生活习性等方面具有一定的种群协调性。4种鹭鸟的食物组成存在一定差异。夜鹭以蛙类和鱼类为主；白鹭以鱼类和甲壳类为主，另有蛙类和昆虫类；牛背鹭的食物主要由昆虫类和蛙类组成；池鹭以鱼类为主。幼鸟体重生长率与成体体型大小成负相关，比较分析4种鹭鸟体重增长曲线，以池鹭和牛背鹭生长较快。     

人工神经网络应用于维生素B族4组分同时测定

应用人工神经网络原理，采用Levenberg-Marquardt BP算法，对于吸收光谱严重重叠的维生素B1，B2，B6和烟酰胺4组分同时进行含量测定。四者的平均回收率分别为100％，98％，96％，100％。该方法用于复合维生素B片剂中B1，B2，B6和烟酰胺的同时测定，获得较满意的结果。实验表明，该方法与现有的算法相比具有训练速度快、预测结果准确度高等特点，有望能成为多组分分析的有效方法之一。     

文化框架下多群智能优化算法的云作业调度

作业调度是一种云计算核心技术,为了获得更优的云计算作业调度方案,提出一种文化框架下多群智能优化算法的云作业调度方法。首先构建云作业调度问题的数学模型,然后借助文化算法模型,粒子群算法组成信仰空间,人工鱼群算法组成群体空间,两者之间并行演化,相互促进,对云计算作业调度数学模型进行求解,最后通过仿真实验测试算法的性能。结果表明,本文加快了算法的收敛速度,获得了更优的云计算作业调度方案,大幅度缩短少云计算作业完成时间,具有一定的实用价值。     

基于激光诱导击穿光谱技术的土壤快速分类方法研究

为实现不同种类土壤的快速分类鉴别,实验研究了基于激光诱导击穿光谱技术的土壤快速分类方法。由于不同类型的土壤在元素组成上会存在较大差异,所以利用激光诱导击穿光谱技术进行土壤分类具有可行性。不同土壤在相同实验条件下产生的等离子体温度会存在较大差异,可以作为分类的重要依据,所选择的7类土壤中,赤红壤的等离子体温度最高。选取土壤中6种常量元素Si,Fe,Al,Mg,Ca和Ti的光谱强度作为分类指标,利用主成分分析(principal component analysis,PCA)对7种土类的25个样品进行了分类,其中砖红壤和赤红壤分类出现了交叠,而不同高山草甸土样品之间元素差异较大,并没有实现较好的聚类。利用反向传播神经网络(back-propagation artificial neural network)结合土壤的LIBS光谱对土壤进行了分类,分类结果与PCA结果相近,赤红壤与砖红壤出现了识别错误。当用PCA分析获得三个主成分值作为BP神经网络的输入量时,获得了较好的分类结果,因为简化了输入量,降低了BP神经网络的误差,此时只有一个高山草甸土被识别成褐土,而高山草甸土的等离子体温度显著低于褐土,所以结合不同土壤类型的等离子体温度差异,能够实现不同土壤的分类识别。实验证明激光诱导击穿光谱技术可以应用于土壤分类,为土壤普查和合理利用提高了一种新的技术。