白条猪价格预测模型构建

【目的】增强农产品价格预测准确度,为农产品价格的有效预测提供参考。【方法】以河南省白条猪每周平均批发价格为研究对象,提出一种基于序列分解、主成分分析和神经网络(CEEMDAN-PCA-CNN-LSTM)的白条猪价格预测方法。首先,使用自适应白噪声完全集合模态分解方法(CEEMDAN)对白条猪价格序列进行分解;其次,选用皮尔逊相关系数筛选影响价格波动的相关因素;再次,利用主成分分析(PCA)对影响因素及分解得到的子序列降维处理并作为原始价格序列的特征值,并行输入到作为编码器的卷积神经网络(CNN)中进行特征提取;最后,引入长短期记忆网络(LSTM)作为解码器输出得到预测结果。将该方法应用于河南省白条猪每周平均价格数据,与LSTM、门控循环单元(GRU)、CNN、基于卷积的长短期记忆网络(ConvLSTM)模型进行比较。【结果】CEEMDAN-PCA-CNN-LSTM组合模型预测方法得到的平均绝对误差分别降低了44.95%、27.30%、28.13%、43.17%。【结论】CEEMDAN-PCA-CNN-LSTM模型对于河南省白条猪市场价格的预测性能更优,有助于相关部门针对河南省白条猪价格波动做出科学决策。

基于深度字词融合的小麦种质信息实体关系联合抽取

为获得结构化的小麦品种表型和遗传描述,针对非结构化小麦种质数据中存在的实体边界模糊以及关系重叠问题,提出一种基于深度字词融合的小麦种质信息实体关系联合抽取模型WGIE-DCWF(wheat germplasm information extraction model based on deep character and word fusion)。模型编码层通过深度字词融合和上下文语义特征融合,提高密集实体特征识别能力;模型三元组抽取层建立层叠指针网络,提高重叠关系的提取能力。在小麦种质数据集和公开数据集上的一系列对比实验结果表明,WGIE-DCWF模型能够有效提高小麦种质数据实体关系联合抽取效果,同时拥有较好的泛化性,可以为小麦种质信息知识库构建提供技术支撑。

基于分解集成方法的小宗农产品价格预测研究

针对小宗农产品价格序列波动特征中呈现出的非平稳、非线性等问题,提出了一种基于“分解与集成”的WOA-VMD-LSTM组合预测模型。首先利用样本熵作为鲸鱼优化算法(WOA)的适应度函数,对变分模态分解方法(VMD)的两个自由参数进行全局寻优;再使用优化后的变分模态分解方法对价格序列进行分解;最后将得到的多模态分量及残差作为输入特征集成到长短期记忆网络(LSTM)中,构建组合模型。将该方法应用于马铃薯、莲藕、白萝卜、大白菜、西兰花、卷心菜的日均价格数据进行预测,实验结果表明,WOA-VMD-LSTM组合模型的均方根误差分别为0.292,0.381,0.129,0.125,0.782和0.142,且与EMD-LSTM组合模型以及ARIMA模型进行对比,WOA-VMD-LSTM组合模型在多种农产品价格的预测上具有更明显的优势。本研究提出的组合预测模型有助于相关产业对市场进行合理配置。

基于融合影响因素PSO-Prophet模型的农产品价格预测

为了提高价格预测的准确度,在Prophet模型中融入了消费者物价指数(CPI)和经济政策不确定性指数(EPU)等影响因素,并使用粒子群算法优化参数。利用国际大蒜贸易网中的日价格数据,将该方法应用于山东省大蒜的价格预测。结果表明,融合影响因素的PSO-Prophet模型大蒜价格预测结果的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和均方根误差(RMSE)比Prophet模型分别降低了82.88%、82.86%和77.49%。融合影响因素的PSO-Prophet模型可以有效提高预测精度。

基于EMD-PSO-ARIMA模型的农产品价格预测

针对农产品价格数据的非线性特点,提出基于EMD-PSO-ARIMA模型的农产品价格预测模型。首先利用EMD算法消除价格数据的不平稳性,其次应用PSO算法优化ARIMA模型的滞后参数,并对原始数据分解后的序列进行预测,最后对多个预测值进行累加得到最终结果。以河南省某农贸市场2004年1月至2021年12月鳞茎类作物(以大蒜为例)、根茎类作物(以马铃薯为例)及叶菜类作物(以白菜为例)的价格数据为研究对象进行实证研究。对大蒜、马铃薯、白菜价格进行预测,EMD-PSO-ARIMA模型的RMSE分别为0.0295、0.0168、0.0669,MAE分别为0.0274、0.0189、0.0598,MAPE分别为0.32%、0.64%、2.54%;与ARIAM、PSO-ARIMA、EMD-ARIMA模型相比,EMD-PSO-ARIMA模型的3个评价指标均有不同程度的降低,模型预测精度最高。EMD-PSO-ARIMA模型能够有效对3种农产品的价格做出精准预测,在一定程度上提高了模型预测性能,能够为农业生产者、经营者、政府提供决策支持,维护农业市场的稳定。

基于深度学习的农产品期货价格预测研究

提高农产品期货价格的预测能力可为投资者的投资交易和政府宏观调控提供一定借鉴.在对LSTM、GRU、BiLSTM三种深度学习模型进行对比研究的基础上,通过添加随机种子稳定预测结果、使用一阶差分降低价格预测滞后性、用正则化、回调函数等方法解决过拟合问题,对LSTM模型进行优化.利用大连商品交易所农产品期货数据,将优化后的模型应用于玉米、黄大豆1号、鸡蛋三种农产品期货的价格预测.预测结果评价指标表明,优化LSTM模型的均方根误差为17.04,平均绝对误差为13.94,误差分别降低了38.6%和33.6%.优化的深度学习模型能够用于预测农产品期货价格,为投资交易提供借鉴.

河南省生猪价格波动及影响因素分析

近年来受非洲猪瘟及新冠肺炎疫情影响,生猪价格发生了剧烈波动,生猪相关产业的发展受到了巨大冲击.首先,对河南省2018年9月—2023年3月生猪月度价格波动特征进行探究,定性分析选取影响生猪价格的8个因素;其次,建立多元线性回归模型,对8个主要因素展开分析,得出影响生猪价格最主要的因素是仔猪、鸡肉、小麦麸和育肥猪配合饲料价格;第三,构建VAR模型实证分析4个主要因素对河南省生猪价格波动的影响程度.结果表明,影响生猪价格最主要的两大因素是仔猪价格和鸡肉价格,小麦麸和育肥猪配合饲料价格次之.最后,结合研究结论与现实情况,给出稳定生猪价格保持在合理范围的相关建议.

融合ALBERT与规则的小麦病虫害命名实体识别

小麦病虫害中文命名实体识别是构建该领域知识图谱的关键步骤,针对小麦病虫害领域训练数据匮乏、实体结构复杂、实体类型多样及实体分布不均匀等问题,在充分挖掘隐含知识的前提下,采用了两种数据增广方法扩充句子语义信息,构建了小麦病虫害实体识别语料库WpdCNER及其领域词典WpdDict,并在领域专家的指导下定义了16类实体;同时提出了一种基于规则修正的中文命名实体识别模型WPD-RA,该模型基于轻量级BERT+双向长短期记忆网络+条件随机场(ALBERT+BiLSTM+CRF)进行实体识别,并在识别后定义具体规则校准实体边界。融合规则后的ALBERT+BiLSTM+CRF模型取得了最好的识别结果,准确率为94.72%,召回率为95.23%,[F1]值为94.97%,相比不加规则的识别结果,其准确率、召回率、[F1]值分别增加了1.71个百分点、0.34个百分点、1.03个百分点。实验结果表明,该方法能有效识别小麦病虫害领域命名实体,识别性能优于其他模型,为食品安全、生物等其他领域命名实体识别提供了一种可借鉴的思路。

基于PSO-SVR模型的河南省小麦产量预测方法

小麦生产是河南省农业生产中的重要环节,在维持粮食供应和安全方面发挥着重要作用。对小麦产量进行准确预测可以为农业经济调控、政策制定提供重要性信息。为提高小麦产量预测精度,综合考虑影响小麦产量的相关因素,基于皮尔逊相关系数分析特征变量与产量之间的相关性。选取支持向量回归(support vector regression, SVR)模型解决小麦估产中的复杂性、非线性及小样本等问题。引入粒子群算法(particle swarm optimization, PSO)对SVR模型的惩罚因子(c)和核参数(g)进行优化,提高SVR模型的预测精度。以河南省1978—2019年小麦产量数据及其特征变量数据构建数据集,并与BP、Elman等神经网络模型及优化模型进行对比仿真试验。结果表明,PSO对SVR模型的优化效果明显高于传统的神经网络,PSO-SVR模型预测结果的4项评价指标均优于其他模型。其中,PSO-SVR模型的平均绝对百分比误差MAPE为0.87%,与SVR模型相比误差降低了57.4%、与PSO-BP模型相比误差降低了64.8%。PSO-SVR模型能够提高小麦产量预测精度,稳定性好,可为小麦产量预测提供新的思路与方法,具有较好的应用推广价值。

基于对分课堂的程序设计基础课程教学实践

对分课堂教学模式是中国高校课堂教学改革的一种新探索。文章在研究分析其核心理念、关键创新的基础上,开展了程序设计基础课程的混合式教学设计,对时间分配、师生责任明确及评价体系设计进行了思考,并开展了教学实践。结果表明,对分课堂教学模式能有效提升学生的课堂参与度,提高学生学习的主动性,对提高教学效果、教学质量有明显的促进作用。

基于MobileNetV2和迁移学习的玉米病害识别研究

【目的】解决玉米叶部病害识别效率低、精度低的问题,探究新的玉米病害识别方法。【方法】将卷积神经网络MobileNetV2和迁移学习相结合,分别采用迁移学习中特征提取、全部迁移和微调3种训练方式获得3种模型,并与全新训练的MobileNetV2模型进行对比。【结果】微调模型经历较少的epoch便可取得较好的识别效果,模型准确率达99.25%,比全新训练的MobileNetV2模型提高了3.09%。在上述研究基础上,设计并实现了基于移动端的玉米病害识别系统,玉米叶部病害的平均识别准确率为84%,用时仅为1.16 s。【结论】本研究提出的玉米病害识别方法能更好应用于日常检测玉米病害,为相关病害防治提供参考。

基于多尺度特征融合的蔬菜价格预测模型研究

【目的】对蔬菜价格进行波动特征分析和预测研究,为经营者提供前瞻性信息,调整生产销售思路,促进相关部门提升市场风险规避的能力。【方法】根据农产品价格的波动特征,提出一种多尺度特征融合的价格预测模型,采用经验模态分解(EMD)将价格序列分解为若干个本征模态函数(IMF)和余项。为降低IMF1分量的不规则性对预测的影响,将IMF1进行小波变换分解为近似序列和细节序列,分解得到的多尺度分量分别用极限学习机构建预测模型,最后把各个分量的预测结果进行累加融合得到预测值。【结果】利用河南省农产品信息监测系统数据,将该方法应用于河南省马铃薯、莲藕、番茄、黄瓜、大白菜、油麦菜的月均价格进行预测。预测精度评价指标表明马铃薯、莲藕、番茄、黄瓜、大白菜、油麦菜的平均绝对误差分别为0.06、0.25、0.14、0.19、0.04、0.17元·kg^(-1),平均百分比误差为2.70%、4.58%、4.71%、4.76%、3.90%、3.84%,均方根误差为0.08、0.37、0.17、0.26、0.05、0.21。且评价指标与经验模态分解和极限学习机的组合模型进行对比,结果表现较好。【结论】该预测模型可以有效地提高预测精度,具有较好的预测性能,能够适用于多种类蔬菜价格的预测。

基于距离和密度的聚类和孤立点检测算法

提出了一种基于距离和密度的聚类和孤立点检测算法.该算法根据距离和密度阈值对数据进行聚类,同时发现数据中的孤立点.实验结果表明,该算法能够识别任意形状的聚类,对高维数据有效,能够很好的识别出孤立点.

基于信息素质教育的“数据结构”课程教学研究与实践

在"数据结构"课程的课前、课中、课后引入信息素质教育,引导学生检索图书馆、网上课程、论坛等信息资源并利用它们进行拓展学习。实践证明,基于信息素质教育的课程教学模式培养了学生的信息素质、学习能力和创新能力,有效提高了教学质量。

基于计算机课程的成人信息素质教育

分析目前成人学生的信息素质现状,探讨基于计算机基础课程对成人学生开展信息素质教育的途径,以指导成人学生利用各种网络资源进行课程学习和解决实际问题。

数据结构课程第一堂课设计

数据结构课程是计算机类专业的核心必修课程,在整个专业教学体系中占有重要地位。以上好数据结构课程第一堂课为切入点,通过教师自我介绍、课程内容介绍和学习方法指导等几个方面来激发学生的学习兴趣,能调动学生的学习主动性,培养学生的创新思维和自主探究能力。讲好第一堂课对建立师生良好关系、增强课堂教学管理和提高教育教学质量有着深刻的意义。

基于EMD-ELM模型的农产品价格预测研究

【目的】农产品价格变动关乎国计民生,农产品市场价格波动频率快,波动幅度大,受多方面因素共同影响,并呈现出非平稳、非线性等不规律波动特征,这给农产品市场带来极大的挑战。只有充分地分析农产品价格的变化趋势,提高价格预测精度,才能更好地指引农产品产业健康发展。【方法】文章以马铃薯为研究对象,基于2014年1月至2019年12月共72组月度价格数据,提出一种经验模态分解(EMD)和极限学习机(ELM)的农产品价格组合预测模型。该组合预测模型充分利用了经验模态分解的自主分解能力和极限学习机设置较少的参数的优势。首先利用经验模态分解将原始价格序列分解为若干个本征模态函数(IMF)和余项,然后将这些分量分别用极限学习机进行预测,最后把各个分量的预测结果进行组合得到原始序列的预测值。【结果】将该方法实际应用于马铃薯价格进行预测并对其预测结果进行评价分析,结果表明其平均绝对误差为0.093元/kg,平均百分比误差为4.265%,均方根误差为0.148,并与单独的极限学习机、BP神经网络和ARIMA方法进行比较,结果表明EMD-ELM组合预测模型具有较好的农产品价格预测性能,能够为预测农产品价格波动提供一种思路,为行业和政府主管部门保障农产品供应决策提供参考依据。

在Visual FoxPro教学中值得注意的几个问题

从格式和语法入手,以具体的实例分析和讨论了在Visual FoxPro程序设计语言教学和实习中学生容易出错的问题,如字符比较、str()函数调用、NULL值以及宏代换函数(&)等问题,并给出了解决方法.

面向赋能教育的程序设计类课程群教学改革与实践

本研究从程序设计类课程群的特点及目前教学过程中存在的问题入手,秉持赋能教育理念,探索程序设计类课程群教育教学改革,从教学团队课程思政意识和能力培养、课程群知识体系构建、教学内容设计、教学资源建设、教学模式改革等方面开展教学改革与实践,构建基于能力培养的赋能教育生态体系,以期为程序设计类课程群教学提供参考与借鉴。

基于Big6模式的计算机语言课程综合作业教学设计

信息化社会的发展使得大学计算机语言课程的教学内容和教学目标有了很大的变化。Big6教学模式是一种用来培养学生信息获取能力和问题解决能力的主题探究模式,本文以Big6教学模式在计算机语言(VFP)课程教学中的应用为例进行分析,并给出具体实施步骤。