CN110929888B - 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 - Google Patents
一种基于随机紧凑高斯核函数的粮食作物病害预测方法 Download PDFInfo
- Publication number
- CN110929888B CN110929888B CN201911077982.3A CN201911077982A CN110929888B CN 110929888 B CN110929888 B CN 110929888B CN 201911077982 A CN201911077982 A CN 201911077982A CN 110929888 B CN110929888 B CN 110929888B
- Authority
- CN
- China
- Prior art keywords
- svm
- parameter
- kernel function
- support vector
- vector machine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 53
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012706 support-vector machine Methods 0.000 claims abstract description 99
- 238000012549 training Methods 0.000 claims description 56
- 238000012360 testing method Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 7
- 208000024891 symptom Diseases 0.000 claims description 7
- 235000013305 food Nutrition 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 47
- 235000010469 Glycine max Nutrition 0.000 abstract description 12
- 244000068988 Glycine max Species 0.000 abstract description 12
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000233679 Peronosporaceae Species 0.000 description 1
- 241000576755 Sclerotia Species 0.000 description 1
- 241000221662 Sclerotinia Species 0.000 description 1
- 241001558929 Sclerotium <basidiomycota> Species 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 125000001475 halogen functional group Chemical group 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Medical Informatics (AREA)
- Agronomy & Crop Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种粮食作物病害预测方法,尤其是一种基于支持向量机的随机紧凑高斯核的粮食作物病害预测方法,属于机器学习在粮食的预测技术领域。本发明在传统单尺度高斯核函数的支持向量机的基础上,扩展了高斯核函数的参数,提出的多尺度高斯核支持向量机,能够对其中的核函数参数随机化赋值,提升了支持向量机参数选择的效率。通过在粮食作物大豆病害标准数据集Soybean上的实验表明,与传统单尺度高斯核函数的支持向量机相比,该方法不仅能够提升大豆病害数据预测的精度,学习模型参数选取的时间仅需传统SVM高斯核方法的不到1%的时间。
Description
技术领域
本发明涉及一种粮食作物病害预测方法,特别是一种基于随机紧凑高斯核函数的粮食作物病害预测方法。
背景技术
粮食作物作为我国最主要的经济作物之一,对我们的日常生活有着非常重要的作用。由于气候变化等因素的影响,粮食作物很容易感染各种类型的病害。例如,大豆在生长过程中所面临的病害主要有根腐病、菌核病、灰斑病、霜霉病、紫斑病等数十种。病害预防不及时会致使大豆产量降低,产生大量的经济损失。因此,粮食作物病害的诊断检测是一项重要且紧迫的工作。
针对粮食作物病害的传统检测方法是靠人类感官判断,不仅效率低、准确率差且难度大,需要检测人员具备较强的专业知识或经验,难以大范围推广。生物学和化学的检测方法在病害检测中的应用也较多,但是这种检测方法对检测样品的精度以及检测者的操作技术要求都很高,且成本高、耗时长、对样品产生破坏较多,还容易造成环境污染。
随着科技的发展,计算机智能识别机器学习技术逐渐被应用于粮食作物病害的自动诊断与防治领域,支持向量机SVM是近年应用于分类问题和回归问题上最成功的学习机器之一。对于分类问题,由于大多数样本点在原始空间中是线性不可分的,SVM采用非线性映射的方法,将原始空间样本的输入向量x映射到高维特征空间φ(x)中,使样本在高维空间中线性可分。由于输入向量在特征空间中的内积主要利用核函数来度量,使用不同的核函数会映射到不同的特征空间,所以核函数类型的确定以及核参数的选择是影响SVM泛化性能的主要因素。
当前对于参数选择的方法主要有两种:首先是基于测试精度的方法,通过测试非训练样本在某个参数值上的错误率,然后不断修正参数使错误率更小。具体的技术有Doan提出的十折交叉验证法(10-Cross Validation),但是这种方法在参数空间较大的时候花费的计算代价太大,研究学者们将现有的一些优化技术集成到参数选择的方法中,如粒子群优化(Particle Swarm Optimization,简称PSO)方法和基因算法;其次是基于某种理论界的逼近方法,如基于影响函数(Influence Function)的估计和VC维的界。
上述技术在一定的程度上缓解了模型选择的问题,但是没有从根本上解决问题。对于一个学习算法,训练速度快,泛化能力强和不用调节太多的参数是各个应用领域所追求的理想情况。然而这几方面在SVM身上是矛盾的,追求训练速度就得牺牲泛化性能,追求泛化性能就得花费大量时间来选择最优的模型。
高斯核函数是SVM学习器最常使用的核函数之一,训练样本的每个特征对分类的贡献是不同的,所有特征都设置相同的核参数,则难以区分每个特征的贡献度。当训练样本的特征数目较少时,设置一个核函数参数对训练模型影响较小。当训练样本特征数目较多时,应该对每个特征都设置相应的核函数参数。但是如果核函数参数较多时,使用上述提到的模型选择方法计算代价非常巨大,且很难找到符合样本实际分布的最佳参数组合。因此,现有技术中尚无一种基于随机紧凑高斯核函数的粮食作物病害预测方法。
发明内容
本发明所解决的技术问题在于提供一种基于随机紧凑高斯核函数的粮食作物病害预测方法。
实现本发明目的的技术解决方案为:一种基于随机紧凑高斯核函数的粮食作物病害预测方法,包括以下步骤:
步骤1、建立粮食作物病害数据样本集;
步骤2、确定支持向量机SVM训练模型在粮食作物病害数据样本集上的参数组合(C,σ)的最优值,其中C为SVM训练模型的惩罚系数参数,σ为SVM训练模型的核参数;
步骤3、利用最优参数组合(C,σ)的支持向量机SVM训练模型测试数据样本集,得到粮食作物病害的种类。
优选的,所述步骤1中粮食作物病害数据样本集为:
其中xi∈Rd为影响粮食作物病害症状的数据,ti∈{-1,1}为类别,包括正类和负类,Rd为d维特征个数,N为数据样本的个数。
优选的,所述步骤2确定支持向量机SVM训练模型在粮食作物病害数据样本集上的参数组合(C,σ)的最优值具体为:
步骤2-1、将粮食作物数据样本集S划分为训练集Strain和测试集Stest;
步骤2-2、确定支持向量机SVM训练模型的核函数及其参数σ;
步骤2-3、从候选集T中选择一个元素作为支持向量机SVM训练模型的参数C,然后从候选集T删去该元素,所述候选集T是指候选参数集合;
步骤2-4、计算支持向量机SVM训练模型的核矩阵K(xi,xj),其中,xi,xj为影响粮食作物病害症状的数据,i=1,…,N,j=1,…,N;
步骤2-5、确定使支持向量机SVM训练模型对偶优化的最优解,所用公式为:
步骤2-6、求解法向量w和偏置b,所用公式为:
式中w为SVM的权值向量,b为SVM的阈值;
步骤2-7、确定支持向量机SVM训练模型f(x),模型公式为:
式中sgn为符号函数,返回参数的正负;
步骤2-8、使用支持向量机SVM训练模型f(x)对测试集Stest进行预测,得到预测准确率Ak,其中k为第k次迭代;之后执行步骤2-3,直至候选集T为空;
步骤2-9、从集合A=[A1,…Ak,…]中找出最大值,并标记出相应的参数C的值,从而确定支持向量机SVM训练模型在粮食作物病害数据样本集上的参数组合(C,σ)。
优选的,所述步骤2-1中将粮食作物数据样本集S划分为训练集Strain和测试集Stest的划分策略为:将样本集S中前n个样本设为训练集Strain,其它样本作为测试集Stest。
优选的,所述步骤2-2中SVM的核函数采用高斯多尺度核函数,其形式为:
其中σ=[σ1,…,σd]为核函数的参数,为d维向量,x,z∈Rd分别为影响粮食作物病害症状的样本,且x=[x1,…,xd],z=[z1,…,zd]。
优选的,所述步骤2-2确定支持向量机SVM训练模型的核函数及其参数σ采用随机赋值方法,具体为:
步骤2-2-1、从区间(0,1)内随机生成均匀分布的随机向量σ;
步骤2-2-2、设置σ=d×σ,其中d为样本集S中特征的数目。
优选的,所述步骤2-3中候选集T为用户设置的候选参数集合,设为T=[1,10,100,1000,10000,100000]。
优选的,所述步骤2-5中SVM的对偶优化问题是由SVM的初始优化问题转换得到,SVM的初始优化问题如下式所示:
ξi≥0,i=1,...,N
本发明与现有技术相比,其显著优点为:1)本发明扩充了高斯核函数的参数,从1维到d维,能够区分每个特征的贡献度;2)本发明提升核函数参数选择的效率,基于某连续取样分布概率随机赋值参数的值,在不降低支持向量机泛化性能的同时能够节省参数选取的时间,提升模型选择的效率;相比于传统的单参数变量选择的核函数的方法,本发明不仅具有较好的泛化性能,而且能够节省大量的参数选择的时间,适合粮食作物病害在线预测的应用。
下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明的基于随机紧凑高斯核函数的粮食作物病害预测方法流程图。
具体实施方式
可以看出式(1)中xi为训练样本输入向量x的第i维向量,σ对所有‖xi-zi‖2的影响都是相同的。
为了能便于理解本发明,下面先对传统的支持向量机分类方法进行介绍。传统支持向量机分类过程如下:
步骤A、给定训练样本集(xi,ti),i=1,...,N,其中xi∈Rd,ti∈{-1,1}。根据经验风险最小化原则,同时最大化分类间隔和最小化训练错误,求解SVM的优化问题:
ξi≥0,i=1,...,N
步骤B、将SVM的优化问题转化为对偶问题求解:
参数C和核函数的参数的选取使用网格选取法,在下面的参数范围里选取最优参数组合:{0.001,0.01,0.05,0.1,0.2,0.5,1,2,5,10,20,50,100,1000,10000}X{0.001,0.01,0.1,0.2,0.4,0.8,1,2,5,10,20,50,100,1000,10000}。
步骤D、根据步骤3得到的法向量w*和偏置b*,得到支持向量机分类模型f(x)。
步骤E、利用支持向量机分类模型f(x)对测试样本进行预测。
为了克服传统支持向量机在分类应用中使用的核函数参数对样本的每个特征赋予相同权重的缺点,相比于传统的SVM算法,使得本发明提出的改进SVM在不损失泛化性能的情况下提升分类训练的效率。首先收集粮食作物病害数据样本集验证样本集其中xi∈Rd为影响粮食作物病害症状的特征,主要有日期、植物生长是否规范,发芽率,损坏的区域,是否受过冰雹,温度,叶子是否异常,种子是否变色,种子大小,种子是否异常,菌核是否存在,根部是否腐烂等等。ti∈{-1,1}为类别,包括正类和负类。所述基于随机紧凑核的粮食作物病害预测方法,包括如下步骤:
步骤1、寻找SVM在给定样本集合上的参数组合(C,σ)的最优值:
步骤1.1:将数据样本集S划分为训练集Strain和测试集Stest。划分策略是将样本集S中前n个样本设为训练集Strain,其它样本作为测试集Stest,其中n一般设为N/2。
步骤1.2:确定SVM的核函数及其参数σ。SVM的核函数采用高斯多尺度核函数,其形式为:
其中σ=[σ1,…,σd]为核函数的参数,为d维向量。参数σ的设置采用随机赋值方法,其具体步骤如下:
步骤1.2.1:从区间(0,1)内随机生成均匀分布的随机向量σ。
步骤1.2.2:设置σ=d×σ,其中d为样本集S中特征的数目。
步骤1.3:从候选集T中选择一个元素作为SVM的参数C,然后从候选集T删去该元素,重复迭代执行步骤1.3-1.8步,直至候选集T为空。候选集T为用户设置的候选参数集合,一般设为T=[1,10,100,1000,10000,100000]。
步骤1.4:计算SVM的核矩阵K(xi,xj),i=1,…,N,j=1,…,N
步骤1.5:求解SVM的对偶优化问题:
ξi≥0,i=1,...,N
步骤1.8:使用f(x)对测试集Stest进行预测,得到预测准确率Ak,其中k为第k次迭代。
步骤1.9:从集合A=[A1,…Ak,…]中找出最大值,并标记出相应的参数C的值。
步骤1.10:输出SVM的最优参数值(C,σ)。
步骤2、利用最优(C,σ)的SVM训练模型测试验证样本集。使用SVM分类模型f(x)对证样本集V进行预测,得到预测准确率。
验证样本集的划分采用随机生成迭代法。每次迭代随机生成乱序的粮食作物病害数据样本集,按需将前面若干个样本作为训练集,其它样本作为测试样本。对每次迭代生成的测试样本利用学习模型f(x)预测得到测试精度,迭代运行10次,取其平均测试精度(Testing accuracy(TA))和方差(STD)作为指标。另外,学习模型的参数选取时间(PS)和训练时间(TS)也作为指标进行比较。
下面通过UCI标准数据库中的大豆病害数据集Soybean(Small),对传统的高斯核SVM和本发明的随机化高斯核SVM(RSVM)两种算法进行实验,并对它们的结果进行比较。参数设置如下:高斯核SVM的参数C和核函数使用网格选取法,在下面的参数范围里选取最优参数组合:{0.001,0.01,0.05,0.1,0.2,0.5,1,2,5,10,20,50,100,1000,10000}×{0.001,0.01,0.1,0.2,0.4,0.8,1,2,5,10,20,50,100,1000,10000}。RSVM的参数C在下述参数范围里选择一个参数:{1,10,100,1000,10000,100000},核函数的参数随机选取。
下面结合实施例对本发明做进一步详细的描述。
实施例
Soybean(Small)数据集
该数据集的目的是通过大豆数据判断疾病信息。该数据包括47个样本,将前20个样本设为正类,后面的27个样本作为负类。每个样本包括35个特征,包括date,plant-stand,precip,temp,hail,crop-hist,area-damaged,severity,seed-tm,germination,plant-growt,leaves,leafspots-halo,leafspots-marg,leafspot-size,leaf-shread,leaf-malf,leaf-mild,stem,lodging,stem-canker,canker-lesio,fruiting-bodies,external decay,mycelium,int-discolor,sclerotia,fruit-pods,fruit spots,seed,mold-growth,seed-discolor,seed-size,shriveling,roots。实验对样本随机排序10次,每次将前20个样本设为训练样本,其余的样本设为测试样本。两种算法的指标比较是基于10次结果的平均,如表1所示。
表1
从表1可以看出,在大豆数据疾病数据集Soybean(Small)上,在参数选取时间的指标上,本发明提出的随机化核SVM方法的参数选取时间仅需传统SVM高斯核参数选取时间的不到1%。在大豆病害预测在线应用中,这种算法的性能可以节省大量的计算代价;在学习模型的训练时间上看,本发明要优于传统的高斯核SVM;在平均测试精度(Testingaccuracy(TA))和方差(STD)的指标上看,本发明在每次随机产生的数据集上的TA都达到100%,这表明选取的参数对不同分布的数据集都是鲁棒的。
Claims (6)
1.一种基于随机紧凑高斯核函数的粮食作物病害预测方法,其特征在于,包括以下步骤:
步骤1、建立粮食作物病害数据样本集;所述粮食作物病害数据样本集为:
其中xi∈Rd为影响粮食作物病害症状的数据,ti∈{-1,1}为类别,包括正类和负类,Rd为d维特征个数,N为数据样本的个数;
步骤2、确定支持向量机SVM训练模型在粮食作物病害数据样本集上的参数组合(C,σ)的最优值,其中C为SVM训练模型的惩罚系数参数,σ为SVM训练模型的核参数;具体为:
步骤2-1、将粮食作物数据样本集S划分为训练集Strain和测试集Stest;
步骤2-2、确定支持向量机SVM训练模型的核函数及其参数σ;
步骤2-3、从候选集T中选择一个元素作为支持向量机SVM训练模型的参数C,然后从候选集T删去该元素,所述候选集T是指候选参数集合;
步骤2-4、计算支持向量机SVM训练模型的核矩阵K(xi,xj),其中,xi,xj为影响粮食作物病害症状的数据,i=1,…,N,j=1,…,N;
步骤2-5、确定使支持向量机SVM训练模型对偶优化的最优解,所用公式为:
步骤2-6、求解法向量w和偏置b,所用公式为:
式中w为SVM的权值向量,b为SVM的阈值;
步骤2-7、确定支持向量机SVM训练模型f(x),模型公式为:
式中sgn为符号函数,返回参数的正负;
步骤2-8、使用支持向量机SVM训练模型f(x)对测试集Stest进行预测,得到预测准确率Ak,其中k为第k次迭代;之后执行步骤2-3,直至候选集T为空;
步骤2-9、从集合A=[A1,…Ak,…]中找出最大值,并标记出相应的参数C的值,从而确定支持向量机SVM训练模型在粮食作物病害数据样本集上的参数组合(C,σ);
步骤3、利用最优参数组合(C,σ)的支持向量机SVM训练模型测试数据样本集,得到粮食作物病害的种类。
2.根据权利要求1所述的基于随机紧凑高斯核函数的粮食作物病害预测方法,其特征在于,步骤2-1中将粮食作物数据样本集S划分为训练集Strain和测试集Stest的划分策略为:将样本集S中前n个样本设为训练集Strain,其它样本作为测试集Stest。
4.根据权利要求3所述的基于随机紧凑高斯核函数的粮食作物病害预测方法,其特征在于,步骤2-2确定支持向量机SVM训练模型的核函数及其参数σ采用随机赋值方法,具体为:
步骤2-2-1、从区间(0,1)内随机生成均匀分布的随机向量σ;
步骤2-2-2、设置σ=d×σ,其中d为样本集S中特征的数目。
5.根据权利要求1所述的基于随机紧凑高斯核函数的粮食作物病害预测方法,其特征在于,步骤2-3中候选集T为用户设置的候选参数集合,设为T=[1,10,100,1000,10000,100000]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077982.3A CN110929888B (zh) | 2019-11-06 | 2019-11-06 | 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911077982.3A CN110929888B (zh) | 2019-11-06 | 2019-11-06 | 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110929888A CN110929888A (zh) | 2020-03-27 |
CN110929888B true CN110929888B (zh) | 2023-05-05 |
Family
ID=69853504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911077982.3A Active CN110929888B (zh) | 2019-11-06 | 2019-11-06 | 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929888B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232387B (zh) * | 2020-09-29 | 2024-02-06 | 南京财经大学 | 基于lselm-rfe的粮食作物病害症状的有效特征识别方法 |
CN112043261B (zh) * | 2020-09-29 | 2023-09-22 | 黑龙江吉远健康科技有限公司 | 一种基于肢端动作信号的癫痫发作状态识别方法 |
CN116502898A (zh) * | 2023-06-28 | 2023-07-28 | 绿城科技产业服务集团有限公司 | 基于神经网络的企业风险画像生成方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7490071B2 (en) * | 2003-08-29 | 2009-02-10 | Oracle Corporation | Support vector machines processing system |
CN106845544B (zh) * | 2017-01-17 | 2017-10-20 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
CN107392091B (zh) * | 2017-06-09 | 2020-10-16 | 河北威远生物化工有限公司 | 一种农业人工智能作物检测方法、移动终端和计算机可读介质 |
CN107622236B (zh) * | 2017-09-15 | 2020-12-04 | 安徽农业大学 | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 |
CN110348615B (zh) * | 2019-06-27 | 2023-05-16 | 西安工程大学 | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 |
-
2019
- 2019-11-06 CN CN201911077982.3A patent/CN110929888B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110929888A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929888B (zh) | 一种基于随机紧凑高斯核函数的粮食作物病害预测方法 | |
CN112232387B (zh) | 基于lselm-rfe的粮食作物病害症状的有效特征识别方法 | |
CN110046377B (zh) | 一种基于异构相似度的选择性集成即时学习软测量建模方法 | |
CN112288164A (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN112434662B (zh) | 一种基于多尺度卷积神经网络的茶叶病斑自动识别算法 | |
CN117349764B (zh) | 一种干细胞诱导数据智能分析方法 | |
Wang et al. | Diabetes Risk Analysis Based on Machine Learning LASSO Regression Model | |
CN117332283B (zh) | 一种中药材生长信息采集分析方法及系统 | |
CN108074011A (zh) | 一种污泥排放量的监控方法及系统 | |
CN114782840A (zh) | 一种基于无人机rgb影像的小麦物候期实时分类方法 | |
CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN112364710A (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
CN116894514A (zh) | 一种基于土壤质量指标的作物产量预测方法及系统 | |
CN117195027A (zh) | 基于成员选择的簇加权聚类集成方法 | |
CN104102837A (zh) | 一种用于软测量建模的增量学习集成算法 | |
CN109472320B (zh) | 不确定条件下作物生育期模型品种参数自动校正方法 | |
Bishwas et al. | Relative comparison of k-means clustering segmented rice leaves image based nitrogen, phosphorus, and potassium nutrient deficiency classification using convolutional neural network | |
CN116341929A (zh) | 一种基于聚类和自适应梯度提升决策树的预测方法 | |
CN109886288A (zh) | 一种用于电力变压器的状态评价方法及装置 | |
CN113222324B (zh) | 一种基于pls-pso-rbf神经网络模型的污水质量监测方法 | |
CN102486790A (zh) | 数据遗漏值的填补系统及方法 | |
CN110598321A (zh) | 一种基于粒子群优化svr支持向量回归算法预测稻米粮堆黄度指数的方法 | |
CN117391315B (zh) | 一种农业气象数据管理方法及装置 | |
CN117497038B (zh) | 一种基于核方法的快速优化培养基配方的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |