基于人工神经网络和高光谱数据的松材线虫病预测

发布时间：2017-05-25 12:28

  本文关键词：基于人工神经网络和高光谱数据的松材线虫病预测，由笔耕文化传播整理发布。

【摘要】：由松材线虫引起的松材线虫病是一种极具危害的国际检疫性病害,中国自1982年在南京中山陵发现该病以来,迅速在各地蔓延成灾、防治难度大。高光谱成像技术具有波段连续、光谱范围窄、数据量大等优势,对地物的分辨率高,同时,人工神经网络在分类预测上的优势也已被广泛认可。基于高光谱数据使用人工神经网络作为分类预测的方法在农林业生产中已有一定运用。本研究以平湖黑松和余姚马尾松在松材线虫病影响下正常和各种病态的高光谱数据为基础,通过方差分析法等数据分析方法对高光谱数据进行分析后,选取利于实验开展的数据,利用多种人工神经网络模型进行分类预测。结果表明,使用BP神经网络、径向基神经网络、Elman神经网络的平均预测准确率都较高,可以对松材线虫病的正确和各种病态进行预测,并综合预测正确率、时间、稳定性等因素,说明上述三种神经网络在松材线虫病的预测上各有优势。
【关键词】：松材线虫病 人工神经网络 分类预测
【学位授予单位】：浙江农林大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：S763.18;TP183
【目录】：

• 摘要4-5
• ABSTRACT5-8
• 1 前言8-11
• 1.1 研究目的及意义8
• 1.2 国内外研究动态8-9
• 1.3 研究思路与内容9-11
• 1.3.1 研究思路9
• 1.3.2 论文内容概要9-11
• 2 松材线虫病预测概述11-15
• 2.1 松材线虫病概述11-12
• 2.1.1 松材线虫的生物学特征11
• 2.1.2 松材线虫病危害及分布11-12
• 2.1.3 松材线虫病的传播12
• 2.2 松材线虫病防治简述12-13
• 2.2.1 预防12-13
• 2.2.2 治理13
• 2.3 松材线虫病预测的意义13
• 2.3.1 掌握松材线虫病的扩散特点13
• 2.3.2 了解松材线虫病的传播机理13
• 2.4 松材线虫病预测研究的现状13-15
• 2.4.1 利用遥感技术进行早期监测14
• 2.4.2 利用数学方法建立相关预测模型14
• 2.4.3 其他研究方法14-15
• 3 人工神经网络与高光谱遥感技术15-22
• 3.1 人工神经网络15-19
• 3.1.1 生物神经元与人工神经网络15
• 3.1.2 人工神经网络特点15-16
• 3.1.3 人工神经网络发展16
• 3.1.4 人工神经网络在相关领域的应用16-18
• 3.1.5 神经网络与大数据18
• 3.1.6 人工神经网络发展展望18
• 3.1.7 人工神经网络模型18-19
• 3.2 高光谱遥感19-22
• 3.2.1 高光谱遥感概念19
• 3.2.2 高光谱遥感特点19
• 3.2.3 高光谱遥感的发展19-20
• 3.2.4 高光谱数据处理技术20
• 3.2.5 高光谱遥感在农业中的研究现状20-22
• 4 松材线虫病预测22-40
• 4.1 人工神经网络预测的实验过程22-23
• 4.2 松树无病及病态分类23-24
• 4.3 高光谱数据的获得及可行性分析24-27
• 4.3.1 高光谱数据的获得24
• 4.3.2 利用图形比较法对高光谱数据进行预测实验可行性分析24-26
• 4.3.3 利用查阅文献对高光谱数据进行预测实验可行性分析26
• 4.3.4 利用方差分析法对高光谱数据进行预测实验可行性分析26-27
• 4.4 实验数据选取及预处理27-28
• 4.4.1 实验波段选择27-28
• 4.4.2 实验数据预处理28
• 4.5 练习数据、输出数据和测试结果正确性的确定28
• 4.6 使用BP神经网络进行分类预测28-32
• 4.6.1 BP神经网络及其模型28-29
• 4.6.2 BP神经网络与多层感知器神经网络的异同29-30
• 4.6.3 MATLAB工具箱中的BP神经网络函数30
• 4.6.4 BP神经网络算法30
• 4.6.5 BP神经网络分类预测结果30-31
• 4.6.6 利用BP神经网络分类预测简析31-32
• 4.7 使用径向基（RBF）神经网络进行分类预测32-35
• 4.7.1 径向基神经网络及其模型32
• 4.7.2 径向基神经网络学习32
• 4.7.3 径向基神经网络与BP神经网络的区别32
• 4.7.4 MATLAB工具箱的径向基神经网络函数32-33
• 4.7.5 径向基神经网络分类预测结果33-35
• 4.8 使用Elman神经网络预测35-37
• 4.8.1 Elman神经网络及其模型35
• 4.8.2 Elman神经网络学习35
• 4.8.3 MATLAB工具箱中的Elman神经网络函数35-36
• 4.8.4 Elman神经网络分类预测结果36-37
• 4.8.5 利用Elman神经网络分类预测简析37
• 4.9 讨论37-40
• 4.9.1 不同神经网络模型对分类预测结果的影响37-38
• 4.9.2 学习时间38
• 4.9.3 选择最佳神经网络38-39
• 4.9.4 预测模型通用性分析39-40
• 5 结论40-41
• 参考文献41-45
• 附录45-54
• 个人简介54-55
• 致谢55

【相似文献】

中国期刊全文数据库 前10条

1 李聪超;周铁军;;人工神经网络在农业中的应用[J];农业网络信息;2008年01期

2 金星姬;贾炜玮;;人工神经网络研究概述[J];林业科技情报;2008年01期

3 蔡煜东;李伟;许伟杰;;用自组织人工神经网络鉴定小麦品种抗病性[J];北京农业科学;1993年06期

4 周志立,周学建,贾鸿社;人工神经网络及其在车辆工程中的应用[J];拖拉机与农用运输车;2000年05期

5 郑金土,李丽,顾晨刚;人工神经网络在现代农业园区机械化程度综合评估中的应用[J];浙江大学学报(农业与生命科学版);2000年04期

6 张树义,王立新;人工神经网络在蝙蝠回声定位叫声识别方面的应用[J];动物学杂志;2001年04期

7 陈联诚,唐献全,郭建华;人工神经网络模型在温室种植环境自动检测中的应用[J];华南农业大学学报;2001年03期

8 蔡昆争;人工神经网络在农业中的应用[J];农业系统科学与综合研究;2001年01期

9 韦新,边秀房,孙英明,吴晓玲;人工神经网络在生物化学中的应用[J];山东省农业管理干部学院学报;2002年03期

10 苑韶峰,吕军;人工神经网络在我国水科学中的应用与展望[J];农机化研究;2003年04期

中国重要会议论文全文数据库 前10条

1 吴兵;;一种具有语义分布的自构造的新人工神经网络系统及其应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

2 刘R，

本文编号：393763