耦合模拟退火优化最小二乘支持向量机的日参照蒸散量模拟计算

针对传统最小二乘支持向量机模型的训练速度慢、不易在线训练、计算量大及参数选择困难等缺陷,提出采用耦合模拟退火优化最小二乘支持向量机算法,建立基于耦合模拟退火优化最小二乘支持向量机的参照作物蒸散量预测模型。选取陕西省的榆林、安康和西安气象站监测的1971-2014年气象资料进行模型训练、测试与验证,研究气象监测获取原始数据作为网络输入,参照蒸散量ET0为输出,构建CSA-LSSVM预测模型,并将CSA-LS-SVM预测结果与LSSVM模型及经典ET0模型模拟计算结果进行比较。结果表明,CSA-LS-SVM模型模拟计算精度和总ET0模拟模型都优于LSSVM模型及其他经典模型模拟结果。该研究CSA-LS-SVM模型为陕西地区气象资料缺乏情况下ET0精确计算提供科学依据,为作物需水量的智能决策提供参考。     

基于LS-SVM的小水电站年发电量智能预测模型

针对小水电站年发电量序列的特点,将最小二乘支持向量机(least squares support vector machine,LS-SVM)回归模型引入年发电量预测领域,并给出了相应的过程和算法。与常规基于人工神经网络(artificial neural net-works,ANN)的智能预测方法比较,该模型优点是明显的:①将神经网络迭代学习问题转化为直接求解多元线性方程;②整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性。最后,一个实际的预测例子表明:该模型实现容易、预测准确,适用于小水电站预测。     

基于Lasso和支持向量机的组合预测及其应用

针对Lasso方法与支持向量机两者的联系与各自的优势,给出了基于Lasso与支持向量机的串联型、并联型和嵌入型三种组合预测,并将它们运用到我国粮食价格预测中.实证结果表明,与单一预测方法的预测结果相比,基于Lasso方法与支持向量机的串联型组合预测和嵌入型组合预测具有更高的预测精度.     

变角度水面矢量推进器性能分析

现行大方形系数两栖平台在水中排水航行,受到兴波阻力墙的影响,速度难以提高。为了减阻提速,以蛇怪蜥蜴为仿生对象,提出了一种变角度的水面矢量推进器,通过角度和转速控制,实现了驱动力矢量输出的新模式;增加了托举力和转矩驱动,为平台水上低阻高速航行提供了新思路。进一步结合PISO算法和两相流瞬态分析,建立了推进器的流体动力学模型,分析了运动参数和结构参数对三维驱动输出的影响,并进行了试验验证。结果表明:叶片角度从0°到90°增大,实现了驱动力输出角从-6.85°到51.95°的矢量连续变化,且存在驱动均衡输出区间[40°,60°];托举力与轮辐长度呈线性关系,且推进力、转矩与轮辐长度呈二次函数关系;随转速增加,驱动输出增加,转速为5 r/s时因流场恢复能力不足导致频率为转速的2倍;托举力随轮毂宽度、直径的增加而减小。研究结果为深入开展推进器驱动调节和平台航行控制打下基础。     

基于红外光声光谱的农作物秸秆导热系数定量分析

选用我国华北地区具有代表性的小麦、玉米、水稻秸秆样品,对比研究了偏最小二乘(PLSR)和高斯核支持向量机(RBF-SVR)分别构建单一和混合种类秸秆全波段定量分析模型的效果,探讨了红外光声光谱耦合化学计量学方法构建我国主要粮食作物秸秆导热系数定量分析模型的可行性。研究发现,小麦秸秆和水稻秸秆导热系数RBF-SVR非线性模型,以及玉米秸秆、混合种类秸秆的PLSR线性模型效果较优。进一步应用蚁群算法与上述最优建模方法相结合,构建了更加优化的小麦秸秆、玉米秸秆、水稻秸秆和混合秸秆导热系数模型,验证决定系数(R_p~2)分别为0.77、0.83、0.96和0.79,验证均方差(RMSEP)分别为0.007 8、0.015、0.005 9、0.014 W/(m·K),验证相对分析误差(RPD)分别为2.81、2.41、7.39和2.15。研究结果表明,红外光声光谱技术结合先进适用的化学计量学方法可实现我国主要粮食作物秸秆导热系数的快速定量分析,但混合秸秆模型预测精度仍需进一步提升。     

基于HOG特征的IKSVM稻瘟病孢子检测

为解决稻瘟病孢子的人工检测过程中主观性强、自动化程度低、效率低等问题,提出一种基于梯度方向直方图特征（HOG特征）的加性交叉核支持向量机（IKSVM）的稻瘟病孢子检测方法。该方法首先利用图像采集系统采集稻瘟病孢子图像,利用Gamma校正法调节图像的对比度,抑制噪声干扰;然后,提取孢子图像的HOG特征作为输入向量,输入到支持向量机中,构建加性交叉核支持向量机分类器;最后,通过训练得到稻瘟病孢子分类器。为测试所提出的HOG/IKSVM方法的综合性能,分别选用HOG/线性SVM方法与HOG/径向基核SVM（HOG/RBF-SVM）方法做对比试验。试验结果表明,HOG/IKSVM的检测率为98.2%,高于HOG/线性SVM方法的79%;在平均检测时间上,HOG/IKSVM方法的平均检测耗时仅为HOG/RBF-SVM方法的1.1%。说明该方法可以进行稻瘟病孢子室内检测识别。     

基于高光谱成像的苹果品种快速鉴别

以乔纳金苹果,红富士苹果和秦冠苹果共90个试验样本为试材分别采集865~1 711 nm的近红外波段高光谱图像,选取苹果图像感兴趣区域(ROI),以分辨率2.8 nm提取其平均反射光谱数据,分别利用K近邻法(KNN)和径向基核函数支持向量机(RBF-SVM)进行品种判别,5折交叉检验。结果表明,3种苹果的近红外高光谱图像均在波长941~1 602 nm之间变得清晰,该区域200个波段下的平均反射光谱数据经KNN法中的10种距离算法评判,当K取值3和5时,切比雪夫距离、欧几里得距离和明可夫斯基距离3种距离算法的识别正确率均达到100%;SVM-RBF核函数模型中,γ取值为2-8~1的范围内识别正确率均在92%以上,当γ取值2-5,C取值为16和32时,识别正确率最高,为96.67%。故利用近红外高光谱图像技术结合KNN计算对苹果品种进行快速鉴别是优异和可靠的方案。     

基于时间序列MODIS的农作物类型空间制图方法

为快速获取大范围种植结构复杂区域的作物种植面积,以MODIS数据为数据源,选择归一化植被指数(Normalized difference vegetation index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)、宽动态植被指数(Wide dynamic range vegetation index,WDRVI)、地表水分指数(Land surface water index,LSWI)、归一化雪被指数(Normalized difference snow index,NDSI)5种特征,结合同步的实地调查样本点,采用支持向量机算法(Support vector machines,SVM)提取黑龙江省主要农作物的种植面积。研究表明,在待选特征中NDVI、EVI与LSWI指数组合取得了最高的分类精度,总体分类精度为74.18%,Kappa系数为0.60;支持向量机算法与最大似然算法、随机森林算法相比,分类精度更优。该方法为在大区域中提取农作物种植面积提供了参考价值。     

基于DOM及LiDAR的多尺度分割与面向对象林隙分类

为研究分割尺度对航空正射影像(DOM)与LiDAR数据协同面向对象林隙分割与分类的影响,以东北典型的天然次生林帽儿山实验林场东林施业区为试验区,对DOM与LiDAR数据进行多尺度分割与面向对象林隙分类。分割过程中,采用基于DOM分割、基于LiDAR数据分割、DOMLiDAR协同分割3种分割方案。每种分割方案采用10种尺度。在每种尺度应用两种数据提取的光谱和高度两种特征,采用支持向量机分类器(SVM)进行林隙分类。研究结果表明:3种分割与分类方案分类精度随尺度的增大整体呈现下降的趋势,与ED3(Modified)趋势相反。基于LiDAR数据在尺度参数10获得了最优分割结果。在所有尺度上(10~100),基于LiDAR数据分割与分类精度高于其他两种数据源的分类精度,相比单独使用DOM优势更加明显。基于LiDAR数据分割与分类方案在尺度参数10时获得了最高分类精度(Kappa系数为80%)。3种分割与分类方案最优尺度的分类精度显著高于其他尺度分类精度。分割尺度对面向对象林隙分类结果有重要影响。     

A yellows disease system with differing principal host plants for the obligatory pathogen and its vector

A stolbur‐type phytoplasma is the putative pathogen of grapevine yellows disease that causes economic damage to vineyards in most growing areas around the world. The pathogen is known to be transmitted to vines by two planthoppers, Hyalesthes obsoletus and Reptalus panzer; the latter is found in Europe but has not yet been observed in Israel. The establishment of a vector–pathogen–plant relationship requires that the pathogen and the vector meet on a shared host plant. This does not happen in the ecosystem examined here, where two different principal host plants for the obligate pathogen and its vector exist: the pathogen is established on vines, while its vector, H. obsoletus, develops on Vitex agnus‐castus. The present study verified that: (i) the vector cannot complete its life cycle on vines; (ii) V. agnus‐castus does not grow in the immediate vicinity of vines, and does not harbour the pathogen; and (iii) the pathogen is not vertically transmitted from mother to offspring. Moreover, in a thorough search of plants in vine growing areas, no other plants were found that host both the vector and the pathogen. However, it was found that the planthopper can acquire the phytoplasma from infected vines. Nonetheless, this does not prove the ability of the planthopper to further transmit the pathogen to vines and does not explain the presence of the vector on the non‐preferred vines. Thus, the enigma of the pathogen–vector–host triangle in this system remains unresolved.