人工智能与神经网络课程论文.doc

1. 引言 2 2. 在农业生产管理与决策中的应用 2 2.1. 在农业机械化中的应用 2 2.2. 在智能农业专家系统中的应用 2 3. 在预测和估产中的应用 3 3.1. 在农作物虫情预测中的应用 3 3.2. 在作物水分和营养胁迫诊断及产量估测中的应用 3 4. 在分类鉴别与图像处理中的应用 4 5. 结束语 5  BP 神经网络的研究与应用 摘要: 本文概述了BP 神经网络在农机总动力预测、农业专家系统信息决策、虫情测报、农作物水分和养分胁迫、土壤墒情、变量施肥、分类鉴别和图像处理等领域的应用情况，总结了人工神经网络模型的优点，指出其在精准农业和智能农业中的重要理论技术支撑作用。 关键词: BP神经网络; 农业工程; 农业专家系统; 变量施肥; 土壤墒情 Research and Application of BP Neural Network Abstract: Application of BP neural network in prediction of total power in agriculture machinery，information decision-making by agricultural experts system，pest forecast，crops to water stress and nutrient stress，soil moisture condition，variable rate fertilization，identification and image processing were overviewed． Characteristics of artificial neural network model were summed．Supporting role for important theory and technology in precision agriculture and intelligent agriculture were pointed． Key words: BP neural network，Agricultural engineering，Agricultural experts system，Variable rate fertilization，Soil moisture condition BP 神经网络是研究最为成熟的一种，被广泛用于函数拟合、预测、图像识别和自动控制等学科和领域中。BP 神经网络是一种单向传播的多层前向神经网络，分为输入层、中间层和输出层，其显著特点是具有自学习、自组织和自适应能力，能够通过训练达到预期的效果。BP 神经网络学习过程由信号正向传播和误差反向传播两个过程组成。输入样本从输入层神经元传入，经隐层神经元逐层处理后传向输出层神经元，若实际输出与期望输出不符，则转向误差反向传播过程。网络学习训练过程即为信号正向传播与误差反向传播的各层神经元权值调整过程，这种反复训练学习过程直到网络输出误差减少到可以接受的程度，或者达到预先设定的学习次数为止。 在农业生产管理与决策中的应用 在农业机械化中的应用 农机总动力反映一个地区农机装备的总体水平，是农机化发展规划的主要指标。影响农机总动力变化的因素主要有农业政策、农民年收入、农业人口数和农机技术发展水平等，目前已有的预测方法包括人工神经网络、线性回归模型等，人工神经网络只靠过去的经验就可进行学习，相对于传统的数据处理方法，它更适合进行农机总动力的预测。勾国华[1]在灰色GM(1,1)模型基础上,利用BP神经网络修正残差,建立灰色BP神经网络组合预测模型,对农业机械总动力进行预测。此组合模型既克服了数据的非线性关系及随机波动大对预测精度的影响,也增强了预测的自适应性。以郑州市农业机械总动力作为实例进行预测,结果证明了该组合模型的优势,为参考依据。BP 20 世纪90 年代，我国农业专家系统的研究蓬勃发展起来。余华等用微机技术和人工智能技术开发出的小麦高产栽培技术专家系统; 刘禾等研究的水果果形判别人工神经网络专家系统; 李道亮等设计的农业资源高效利用技术集成专家系统;李旭等设计的小麦管理智能决策系统等。农业专家系统( Agriculture Expert System，AES) 大多是由各学科专家在各自专业领域知识基础上建立的，主要采用产生式规则表达，缺乏自学习功能，无法及时获取并更新各学科专家知识，且受地域、环境和季节影响较大，而人工神经网络信息具有分布存储、并行处理和自学习的功能，可有效解决智能专家系统的局限性。谭宗琨[2]提出了基于互联网环境下的BP 神经网络玉米智能农业专家系统的模拟模型，将玉米分为播种、出苗、幼苗、拔节、抽雄、吐丝、灌浆、乳熟和