基于LS-SVM的情感语音识别

提出了一种基于LS-SVM的情感语音识别方法。即先提取实验中语音信号的基频,能量,语速等参数为情感特征,然后采用LS-SVM方法对相应的情感语音信号建立模型,进行识别。实验结果表明,利用LS-SVM进行基本情感识别时,识别率较高。     

基于随机森林优化的神经网络算法在冬小麦产量预测中的应用研究

小麦产业涉及国家粮食安全和民生问题,通过对小麦产量进行科学准确的预测,对农业经济的发展、制定粮食进出口计划和确保国家粮食安全有重要意义。使用相关性分析遥感参数与产量之间的相关性,通过随机森林算法对特征变量进行重要性评价,剔除对目标相关性无关或影响较小的特征变量,最后,采用BP神经网络对产量进行预测。结果表明：归一化植被指数(Normalized Difference Vegetation Index, NDVI)在天水市整个冬小麦生育期内都与产量呈正相关关系;相对湿度、NDVI、最低温度、土壤湿度和辐照度为小麦产量预测的重要影响因子;与未进行特征变量筛选的情况相比,冬小麦产量预测的精准度显著提升,可以满足产量预测的精度要求,为相关的农业部门提供可靠的农情信息,为制定粮食政策与组织粮食生产提供参考依据。     

基于LSTM和BP神经网络模型的净初级生产力预测

为研究在气候变化与人类活动影响下植物的净初级生产率(Net Primary Productivity, NPP)并加以预测,以利于研究气候变化和人类活动影响下植被净初级生产力。为此,首先收集2001～2015年的温度、降水、NDVI、NPP数据,并对数据集进行预处理;进而构建起了基于时间顺序的BP神经网络预测模式和LSTM神经网络预测模式,并利用2种模式对NPP及其影响因素进行了分类与预测;最后,再将2种预测模式的实测结果加以比较。结果显示,BP神经网络模型在估计NPP方面的偏差,较LSTM神经网络模型更少。     

基于数字孪生的智慧农业环境监测系统设计与实现

在建设数字乡村战略背景下,开展基于数字孪生技术的智慧农业环境监测系统对促进农业农村信息化高质量发展具有重要战略意义。针对当前国内智慧农业环境监控系统中存在的环境数据采集不完善、信息反馈迟滞、交互性差等缺点,本文以数字孪生技术为架构结合物联网技术设计实现了智慧农业环境监测系统,系统由孪生感知层、农业数据源层、数字孪生层、孪生应用层、孪生交互层等模块实现,该系统实现了农作物在生长过程中环境监测的智能化、数字化实时管理和可视化监控。以数字孪生技术对农作物生长过程的环境因素进行智能分析和虚拟映射,以虚实结合的方式对农作物生长过程中的环境进行可视化展示和智能化调节,达到合理利用农业资源、动态调节环境因素、提高农作物产品和质量的目的。     

基于EMD的语音功率谱分析

提出了一种基于EMD的功率谱分析法,即先用经验模态分解方法(EMD)将语音信号分解成若干个固有模态函数IMF分量,而后对包含主要信息的IMF分量利用现代参数模型法估计出它们各自的功率谱。文中对不同情感状态下语音数据的分析结果表明,EMD方法能有效地应用于非平稳语音信号的功率谱分析中,可更细致的体现语音信号内在特征。