CN114595806A - 基于改进胶囊网络林地土壤肥力分析评价模型 - Google Patents
基于改进胶囊网络林地土壤肥力分析评价模型 Download PDFInfo
- Publication number
- CN114595806A CN114595806A CN202210200660.9A CN202210200660A CN114595806A CN 114595806 A CN114595806 A CN 114595806A CN 202210200660 A CN202210200660 A CN 202210200660A CN 114595806 A CN114595806 A CN 114595806A
- Authority
- CN
- China
- Prior art keywords
- fertility
- soil
- convolution
- network
- capsule
- 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.)
- Pending
Links
- 230000035558 fertility Effects 0.000 title claims abstract description 88
- 239000002689 soil Substances 0.000 title claims abstract description 86
- 239000002775 capsule Substances 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 11
- 238000013210 evaluation model Methods 0.000 title abstract description 3
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 238000011176 pooling Methods 0.000 claims description 22
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 18
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 18
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 18
- 239000011574 phosphorus Substances 0.000 claims description 18
- 229910052698 phosphorus Inorganic materials 0.000 claims description 18
- 239000011591 potassium Substances 0.000 claims description 18
- 229910052700 potassium Inorganic materials 0.000 claims description 18
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 229910052757 nitrogen Inorganic materials 0.000 claims description 9
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 claims description 8
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 8
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 claims description 8
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 8
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 8
- 229910052796 boron Inorganic materials 0.000 claims description 8
- 239000011575 calcium Substances 0.000 claims description 8
- 229910052791 calcium Inorganic materials 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 229910052802 copper Inorganic materials 0.000 claims description 8
- 239000010949 copper Substances 0.000 claims description 8
- 229910052742 iron Inorganic materials 0.000 claims description 8
- 239000011777 magnesium Substances 0.000 claims description 8
- 229910052749 magnesium Inorganic materials 0.000 claims description 8
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 239000011701 zinc Substances 0.000 claims description 8
- 229910052725 zinc Inorganic materials 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000004069 differentiation Effects 0.000 claims description 3
- 235000021049 nutrient content Nutrition 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 235000015097 nutrients Nutrition 0.000 abstract description 3
- 238000007405 data analysis Methods 0.000 abstract 1
- 238000011161 development Methods 0.000 description 4
- 244000166124 Eucalyptus globulus Species 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
林地土壤肥力因其复杂的养分成分，同时受到PH值、有机物含量等的影响，使得土壤肥力特征变化较大，肥力评价困难。针对传统数据分析方法对土壤的结构特征以及肥力的多样性表达不足的问题，提出一种基于卷积胶囊网络(C‑Capsule Net)的林地土壤肥力分析评价模型。结合卷积结构和胶囊网络对肥力数据进行全局以及局部特征的提取，融合两者的网络结构特点来优化整个的特征提取过程；解决了传统卷积网络对数据细节辨识度不足问题。此外，本改进的模型在林地土壤肥力数据上具有很高的特征提取能力和一定的实用性。
Description
技术领域
本发明属于计算机技术领域，涉及一种改进的胶囊网络，解决了传统卷积网络对数据细节辨识度率不足问题，针对林地土壤肥力数据具有很高的特征提取能力和实用性。
背景技术
广西是我国原木最大产地，其中桉树是主要品种，日常生活中的家具、建筑、纸张等的原材料都是桉树，占人工林的50％以上。桉树的生长需要大量的肥料养分，导致土壤肥力下降，越来越贫瘠，地表结块，出现沙化。因此林地土壤肥力分析是一个迫在眉睫的课题。此外，研究林业土壤肥力在促进生态发展，增加财政收入，带动乡村振兴起着关键作用。土壤肥力是林业最基础的生产资料和可持续发展的基石，林地土壤是森林生态系统的重要构成。土壤养分数据是肥力的客观表现，和林业资源存在一定的相关作用。林地土壤的肥力分析对于国内的原木储备具有一定的战略意义。
发明内容
以往的土壤肥力分析构建的模型主要将基本的肥力数据全氮、全磷、全钾、有效磷、速效钾为主要分析指标，忽视了其他微量元素以及土壤本身性质对林木的生长的重要影响，对土壤的结构特征以及肥力的多样性表达不足，因此本文提出一种基于改进胶囊网络肥力分析模型，结合卷积神经网络和胶囊网络对全局和局部特征提取的优势，对肥力数据全氮、全磷、全钾、有效磷、速效钾、交换性钙、交换性镁、有效铁、有效铜、有效锰、有效锌、有效硼等肥力指标进行分析，从多维度对土壤肥力进行全面分析。
本发明通过以下步骤实现：
步骤(1)：构建土壤肥力的评价标准，土壤肥力包含土壤的化学成分含量和土壤养分含量，土壤化学成分含量包含全氮、全磷、全钾、有效磷、速效钾、交换性钙、交换性镁、有效铁、有效铜、有效锰、有效锌、有效硼肥力指标；
步骤(2)：通过各项肥力指标的隶属度值和加权求和计算土壤肥力综合指数IFI(Inter-grated Fertility Index),对林地土壤肥力数据集进行肥力计算。
所述土壤肥力综合指数IFI公式如公式为：
IFI＝∑(Wk×Nk)
其中Wk，Nk分别为为第k个数据指标的隶属度值和权重值，IFI为林地土壤客观肥力值，反应土壤的肥力状况的一个指标数，数值越大土壤肥力越高。
隶属度值采用模糊统计得出，根据林地土壤发的特性及当地林业作物的生长需求得出。以林地土壤全氮、全磷、全钾、有效磷、速效钾、交换性钙、交换性镁、有效铁、有效铜、有效锰、有效锌、有效硼以及土壤PH值和有机质等作为肥力指标建立隶属性函数。其中全氮、全磷、全钾、有效磷、速效钾、交换性钙、交换性镁、有效铁、土壤容重、有效铜、有效锰、有效锌、有效硼等肥力指标适合S型肥力隶属函数，公式为：
土壤PH值反应土壤的酸碱程度，过高过低都不适宜林作物的生长。土壤容重则反应土壤的紧实度，过于精密和和松散也不利于林作物的生长发育，因此土壤PH值和土壤容重均属于抛物线的隶属度函数，其函数公式如下：
步骤(3)：根据IFI值对林地土壤肥力分类，本文将林地土壤分为四类，评价为A级(IFI值大于0.7)的样本肥力较高，C级(IFI的值在0.65到0.7之间)肥力中等，D级(IFI值小于0.65)土壤肥力值低。；
步骤(4)：为使模型能够更好的从肥力数据雷达图中提取更多的局部特征，增加土壤肥力的区分度，本文将传统的CNN和胶囊网络结合在一起构成了一个新的卷积胶囊网络(C-Capsule)卷积胶囊网络主要由两个卷积层、池化层、主胶囊层、数字胶囊层以及全连接层组成：卷积神经网络主要由卷积计算、池化运算组成。使用卷积核作为特征提取的探测器，卷积核的大小和数量对网络的性能有关键影响。输入样本经过k个卷积核卷积计算生成k个特征图，卷积层公式如公为：
其中
为在j层的第k个特征图，f(x)函数为激活函数，Mk为输入样本的特征量，
为卷积核，
表示偏置项。
池化层的作用是将输入样本进行降维，使网络生成的参数减小，实现平移不变形。最常见的池化操作有最大池化和均值池化。最大池化就是将卷积过程最大值作为输出，而均值池化则将均值输出。如公式如下：
其中w表示池化宽，
表示第l+1层神经元输出值，
表示第l层第i个特征面中第n个神经元激活值。
步骤(5)：将做好肥力等级分类标签的数据分为两份，其中80％通过改进胶囊网络训练学习，20％用于测试验证；
步骤(6)：完成训练过程，提取出网络训练好的参数用于对肥力数据的分析评价；
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
附图说明
图1卷积神经网络结构
图2胶囊层之间的信息传递结构
图3卷积胶囊网络结构
具体实施方式
为了更加描述清楚，对本发明技术方案进行详细的介绍。基于改进胶囊网络林地土壤肥力分析模型，具体步骤：
步骤(1)：构建土壤肥力的评价标准，土壤肥力包含土壤的化学成分含量和土壤养分含量，土壤化学成分含量包含全氮、全磷、全钾、有效磷、速效钾、交换性钙、交换性镁、有效铁、有效铜、有效锰、有效锌、有效硼肥力指标；
步骤(2)：通过各项肥力指标的隶属度值和加权求和计算土壤肥力综合指数IFI(Inter-grated Fertility Index),对林地土壤肥力数据集进行肥力计算。
所述土壤肥力综合指数IFI公式如公式为：
IFI＝∑(Wk*Nk)
其中Wk，Nk分别为为第k个数据指标的隶属度值和权重值，IFI为林地土壤客观肥力值，反应土壤的肥力状况的一个指标数，数值越大土壤肥力越高。
隶属度值采用模糊统计得出，根据林地土壤发的特性及当地林业作物的生长需求得出。以林地土壤全氮、全磷、全钾、有效磷、速效钾、交换性钙、交换性镁、有效铁、有效铜、有效锰、有效锌、有效硼以及土壤PH值和有机质等作为肥力指标建立隶属性函数。其中全氮、全磷、全钾、有效磷、速效钾、交换性钙、交换性镁、有效铁、土壤容重、有效铜、有效锰、有效锌、有效硼等肥力指标适合S型肥力隶属函数，公式为：
土壤PH值反应土壤的酸碱程度，过高过低都不适宜林作物的生长。土壤容重则反应土壤的紧实度，过于精密和和松散也不利于林作物的生长发育，因此土壤PH值和土壤容重均属于抛物线的隶属度函数，其函数公式如下：
步骤(3)：根据IFI值对林地土壤肥力分类，本文将林地土壤分为四类，评价为A级(IFI值大于0.7)的样本肥力较高，C级(IFI的值在0.65到0.7之间)肥力中等，D级(IFI值小于0.65)土壤肥力值低。；
步骤(4)：为使模型能够更好的从肥力数据中提取更多的局部特征，增加土壤肥力的区分度，本文将传统的CNN和胶囊网络结合在一起构成了一个新的卷积胶囊网络(C-Capsule)卷积胶囊网络主要由两个卷积层、池化层、主胶囊层、数字胶囊层以及全连接层组成：卷积神经网络主要由卷积计算、池化运算组成。使用卷积核作为特征提取的探测器，卷积核的大小和数量对网络的性能有关键影响。输入样本经过k个卷积核卷积计算生成k个特征图，卷积层公式如公为：
其中
为在j层的第k个特征图，f(x)函数为激活函数，Mk为输入样本的特征量，
为卷积核，
表示偏置项。
池化层的作用是将输入样本进行降维，使网络生成的参数减小，实现平移不变形。最常见的池化操作有最大池化和均值池化。最大池化就是将卷积过程最大值作为输出，而均值池化则将均值输出。如公式如下：
其中w表示池化宽，
表示第l+1层神经元输出值，
表示第l层第i个特征面中第n个神经元激活值。
胶囊网络是在卷积神经网络上发展得来，解决了传统卷积网络对物体之间空间细节辨识度和物体大幅度翻转后识别率不足问题。具有很高的特征提取能力，不同于传统卷积神经网络的神经元标量，为了降低在进行特征提取时的信息丢失，而将向量作为整个网络输入和输出。其网络主要由卷积层、主胶囊层、数字胶囊层、解码器构成。胶囊网络应用动态路由的算法来不断更新参数。
主胶囊层的作用是将不同属性的特征转换成向量值胶囊，并且可以捕获输入层的实例化参数，主胶囊层是多个胶囊组成，胶囊由丰富信息的向量神经元组合而成。胶囊层之间有线性组合和动态路由两个阶段的信息传递过程，
步骤(5)：将做好肥力等级分类标签的数据分为两份，其中80％通过改进胶囊网络训练学习，20％用于测试验证；
步骤(6)：完成训练过程，提取出网络训练好的参数用于对肥力数据的分析评价。
表1林地土壤数据集肥力分类等级
Claims (1)
1.基于改进胶囊网络林地土壤肥力分析模型，改进的胶囊网络，解决了传统卷积网络对物体之间空间细节辨识度不足问题；具有很高的特征提取能力；本模型包括以下步骤：
步骤(1)：构建土壤肥力的评价标准，土壤肥力包含土壤的化学成分含量和土壤养分含量，土壤化学成分含量包含全氮、全磷、全钾、有效磷、速效钾、交换性钙、交换性镁、有效铁、有效铜、有效锰、有效锌、有效硼肥力指标；
步骤(2)：通过各项肥力指标的隶属度值和加权求和计算土壤肥力综合指数IFI(Inter-grated Fertility Index),对林地土壤肥力数据集进行肥力计算；
所述土壤肥力综合指数IFI公式如公式为：
IFI＝∑(Wk*Nk)
步骤(3)：根据IFI值对林地土壤肥力分类，本文将林地土壤分为四类，IFI值大于0.7为A级，其样本肥力较高，IFI的值在0.65到0.7之间为C级，其肥力中等，D级(IFI值小于0.65)土壤肥力值低；；
步骤(4)：为使模型能够更好的从肥力数据雷达图中提取更多的局部特征，增加土壤肥力的区分度，本文将传统的CNN和胶囊网络结合在一起构成了一个新的卷积胶囊网络(C-Capsule)卷积胶囊网络主要由两个卷积层、池化层、主胶囊层、数字胶囊层以及全连接层组成：卷积神经网络主要由卷积计算、池化运算组成；使用卷积核作为特征提取的探测器，卷积核的大小和数量对网络的性能有关键影响；输入样本经过k个卷积核卷积计算生成k个特征图，卷积层公式如公为：
其中
为在j层的第k个特征图，f(x)函数为激活函数，Mk为输入样本的特征量，
为卷积核，
表示偏置项；
池化层的作用是将输入样本进行降维，使网络生成的参数减小，实现平移不变形；如公式如下：
其中w表示池化宽，
表示第l+1层神经元输出值，
表示第l层第i个特征面中第n个神经元激活值；
步骤(5)：将做好肥力等级分类标签的数据分为两份，其中80％通过改进胶囊网络训练学习，20％用于测试验证；
步骤(6)：完成训练过程，提取出网络训练好的参数用于林地土壤的肥力分析评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210200660.9A CN114595806A (zh) | 2022-03-02 | 2022-03-02 | 基于改进胶囊网络林地土壤肥力分析评价模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210200660.9A CN114595806A (zh) | 2022-03-02 | 2022-03-02 | 基于改进胶囊网络林地土壤肥力分析评价模型 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114595806A true CN114595806A (zh) | 2022-06-07 |
Family
ID=81815739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210200660.9A Pending CN114595806A (zh) | 2022-03-02 | 2022-03-02 | 基于改进胶囊网络林地土壤肥力分析评价模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114595806A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180176243A1 (en) * | 2016-12-16 | 2018-06-21 | Patternex, Inc. | Method and system for learning representations for log data in cybersecurity |
| CN109358178A (zh) * | 2018-11-01 | 2019-02-19 | 四川省农业科学院土壤肥料研究所 | 一种紫色土稻田土壤肥力评价方法 |
| CN111460818A (zh) * | 2020-03-31 | 2020-07-28 | 中国测绘科学研究院 | 一种基于增强胶囊网络的网页文本分类方法及存储介质 |
| CN112085348A (zh) * | 2020-08-19 | 2020-12-15 | 浙江工业大学 | 基于模糊神经网络的土壤肥力评估方法 |
| CN113935237A (zh) * | 2021-10-13 | 2022-01-14 | 华北电力大学 | 一种基于胶囊网络的输电线路故障类型判别方法及系统 |
-
2022
- 2022-03-02 CN CN202210200660.9A patent/CN114595806A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180176243A1 (en) * | 2016-12-16 | 2018-06-21 | Patternex, Inc. | Method and system for learning representations for log data in cybersecurity |
| CN109358178A (zh) * | 2018-11-01 | 2019-02-19 | 四川省农业科学院土壤肥料研究所 | 一种紫色土稻田土壤肥力评价方法 |
| CN111460818A (zh) * | 2020-03-31 | 2020-07-28 | 中国测绘科学研究院 | 一种基于增强胶囊网络的网页文本分类方法及存储介质 |
| CN112085348A (zh) * | 2020-08-19 | 2020-12-15 | 浙江工业大学 | 基于模糊神经网络的土壤肥力评估方法 |
| CN113935237A (zh) * | 2021-10-13 | 2022-01-14 | 华北电力大学 | 一种基于胶囊网络的输电线路故障类型判别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102915445B (zh) | 一种改进型的神经网络高光谱遥感影像分类方法 | |
| Kong et al. | A Graph‐Related High‐Order Neural Network Architecture via Feature Aggregation Enhancement for Identification Application of Diseases and Pests | |
| CN111507319A (zh) | 一种基于深度融合卷积网络模型的农作物病害识别方法 | |
| Montalbo et al. | Classification of fish species with augmented data using deep convolutional neural network | |
| CN109657721A (zh) | 一种结合模糊集和随机森林树的多类别决策方法 | |
| 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 | |
| Li et al. | SLViT: Shuffle-convolution-based lightweight Vision transformer for effective diagnosis of sugarcane leaf diseases | |
| CN117540908A (zh) | 基于大数据的农业资源整合方法和系统 | |
| CN114595956A (zh) | 一种基于灰度关联法模糊聚类算法的桉树土壤肥力分析方法 | |
| CN113484837A (zh) | 一种面向电磁大数据的未知雷达辐射源智能识别方法 | |
| CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
| CN115099461A (zh) | 基于双分支特征提取的太阳辐射预测方法及系统 | |
| Rafiei et al. | An improved calibration technique to address high dimensionality and non-linearity in integrated groundwater and surface water models | |
| Zuxing et al. | A Prediction Model of Forest Preliminary Precision Fertilization Based on Improved GRA‐PSO‐BP Neural Network | |
| Cheng et al. | Deep convolutional network with pixel-aware attention for smoke recognition | |
| CN114595806A (zh) | 基于改进胶囊网络林地土壤肥力分析评价模型 | |
| CN111523503A (zh) | 基于改进ssd算法的苹果目标检测方法 | |
| CN114358058A (zh) | 基于深度神经网络的无线通信信号开集识别方法及系统 | |
| CN114169535A (zh) | 一种基于群体智能的工业物联网数据平台的异常检测算法 | |
| CN113553936A (zh) | 一种基于改进型YOLOv3的口罩佩戴检测方法 | |
| Sarmadian et al. | Neural computing model for prediction of soil cation exchange capacity: a data mining approach. | |
| Hjelkrem et al. | An end-to-end deep learning approach to credit scoring using CNN+ XGBoost on transaction data | |
| Pandey et al. | An Exploration of Deep Learning Techniques for the Detection of Grape Diseases | |
| CN115907483B (zh) | 人员风险评估预警的方法 | |
| Lu et al. | The decision tree application in agricultural development |
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 |