一种带有可控阈值参数的分簇路由优化算法

针对传感网中大量冗余数据导致通信频繁中断的问题,提出一种带有可控阈值参数的分簇路由优化算法。引入蚁群算法中的适应度函数和启发式函数,使得下一跳簇首节点的选择更具针对性,实现网络路由树的建立与事件域节点的分布式成簇。利用可控阈值参数和变异系数对网络路由所选最短路径进行优化,保证节点能量消耗较低的同时全网延时最小,并通过全局信息素的更新策略抑制长链路的产生,以均衡全网能量并延长网络生存周期。实验结果表明,该算法与DMOA和MTTA算法在抑制网络能量消耗和延长网络生存周期方面进行对比,其性能指标平均提升了13.72%和12.06%。

基于特征选择和CNN+Bi-RNN模型的小麦抗寒性识别方法

针对当前小麦抗寒性识别方法受限、资源消耗严重等问题,以国审小麦品种的文本数据为研究对象,利用特征选择算法和深度学习方法实现小麦抗寒性识别研究。首先,使用集成学习中的自适应增强(adaptive boosting,简称AdaBoost)算法和极端梯度提升(extreme gradient boosting,简称XGBoost)算法进行特征选择;然后,将卷积神经网络(convolutional neural networks,简称CNN)抽取的局部特征和双向循环神经网络(Bi-direction recurrent neural network,简称Bi-RNN)抽取的上下文特征融合,构建基于CNN+Bi-RNN的小麦抗寒性识别模型,通过试验表明选择15个特征时CNN+Bi-RNN方法的准确率、F1值和Kappa系数最高,分别为0.789 8、0.810 2和0.602 7。最后,使用合成少数类过采样技术(synthetic minority over-sampling technique,简称SMOTE)对样本均衡化处理,处理后训练模型的准确率均有所提高,其中CNN+Bi-RNN模型的准确率达到0.829 2。该方法能够较好地识别小麦抗寒性,提高育种效率。

传感网中带有可控阈值的优化协同覆盖算法

传统型的无线传感器网络(WSNs)覆盖受限于节点能量和数据冗余,迫使WSNs异常中断。为此,提出一种带有可控阈值的优化协同覆盖算法(OCC-CT)。该算法首先确定关注目标节点(FTNs)的位置信息,利用遗传算法(GA)给出了节点路径规划;其次,通过可控阈值参数和变异参数等特性对事件域节点成簇进行优化,使之节点成簇更为均匀,以减少节点能量的消耗,提升对全局目标节点的搜索能力;再次,利用适应函数对所覆盖目标位置及节点监测范围所形成的覆盖连续性进行优化,达到了提高网络覆盖率和延长网络生存周期的目的。最后,仿真实验结果表明,OCC-CT算法与其他三种算法相比在网络覆盖率、网络生存周期等方面平均提升了0.11、0.16,在网络能量开销方面提升了0.14,从而进一步验证了OCC-CT算法具有较强的稳定性和有效性。

基于BP神经网络的小麦抗寒性模型构建

利用爬虫技术从中国种业大数据平台获取小麦特征信息数据集,采用手工结合计算机程序的方式处理数据.对处理后的数据使用传统机器学习中的支持向量机、朴素贝叶斯和深度学习中的BP神经网络方法,分别构建小麦抗寒性模型.实验结果表明,与传统机器学习的模型相比,BP神经网络在小麦抗寒性分类效果预测上表现的效果优、预测准确率高.

基于贴吧的高校网络舆情预警和引导系统研究

随着移动互联网的发展和大数据、云计算、网络爬虫等技术的成熟,高校师生可以方便地从网上获取和发布信息.将大学生通过互联网表达出来的情绪和思想动态综合起来可以构成高校网络舆情.本文主要是对高校贴吧的帖子和评论进行采集,提出了一种基于B/S模式的网络舆情预警和引导系统构建的方法,用来监督高校网络舆情的状态,实现了对贴吧舆情信息的预警和引导,为高校网络舆情危机事件提供决策支持.

基于深度学习的小麦抗寒性识别系统设计

小麦抗寒性识别是一个耗时长、复杂度高的工作,从自然语言处理的角度,利用Python爬虫爬取小麦文本数据,对文本做预处理和分词,利用Word2vec对分词后的特征词训练词向量.使用深度学习中的卷积神经网络和双向长短期记忆网络,融合注意力机制构建小麦抗寒性识别模型,实验结果表明:深度学习方法构建的模型正确率达到了90.48%.使用Qt开发工具设计系统界面,实现人机交互.系统设计能有效降低小麦抗寒性识别的时间消耗和工作复杂度.

小麦种质资源库构建及分析

针对目前小麦种质资源库存在品种缺失、标准不一以及操作不便等问题,使用Python编写爬虫获取了小麦种质数据,经过数据清洗、数据标准化、数据转换等预处理操作,完成小麦种质资源基础数据整理.基于此数据设计并实现了小麦种质资源管理,实现小麦种质信息的查询、新增及缺失反馈等功能.对所建的资源进行总体分析,通过小麦特征信息量化分析各个特征之间的相关性,以抗寒性为例分析了株高和幼苗特性在小麦不同抗寒等级上的分布概况.构建的资源库可以实现小麦种质资源的信息化管理,为后续基于机器学习的小麦种质信息处理提供基础资源.

面向农业领域的问答系统问句分类研究

针对目前农业问答系统领域缺少语料库的问题,使用Python爬虫获取了5类共计28 608条问答句对文本数据,并对获取的文本数据进行了数据清洗、分词等预处理,构建了一个可用于问答系统研究的农业文本语料库.对获取问句进行分析,发现问句文本长度集中在30个字符以内,列出了各种文本的主题分布情况.采用Text CNN模型对问句进行分类,最好的宏平均F1值为88.762,结果证明本文所建语料的可用性,带标注的语料库构建对农业问答领域的研究具有重要意义.

基于随机森林的无线信号弱覆盖识别率预测

为建立一种高效精准的无线信号传播模型,预测目标区域内无线信号覆盖强度,对各个特征与预测标签平均RSRP(参考信号接收功率)进行相关性分析。选取相关性程度较高的特征,使用决策树、极端随机提升树、随机森林等机器学习方法训练回归模型。实验结果表明,随机森林回归模型在无线信号覆盖强度预测上表现效果好,弱覆盖识别率准确度高,可以达到36.35%。

汉英篇章衔接对齐语料库构建研究

篇章衔接性分析是理解篇章的基础,汉语和英语在指代、连接和省略等主要衔接方式上存在差异。该文分别给出子句、连接词、指代和省略的汉英篇章衔接对齐标注策略,创建了规模为200个对齐文档的语料库资源,对标注语料进行质量评估并讨论了标注中的难点问题及解决方法。语料库中的子句、连接词和指代标注一致率分别为0.909、0.876和0.920。在该文构建的语料库上分别进行子句切分和连接词识别实验,结果表明,该文语料标注策略切实可行,标注质量满足实际需要。

基于CNN-RNN的小麦抗寒性分类模型

为提升小麦抗寒性分类的准确度,进而为杂交组合选择提供参考。本研究以3049个国审小麦品种文本为试验数据,采用卷积神经网络结合循环神经网络(CNN-RNN)的方法对小麦抗寒性分类进行预测。结果表明,该方法具有较好的表现,准确率可达73.28%,Kappa系数为0.5956。为降低试验样本不均衡对本研究准确性的干扰,进而采用SMOTE技术,以实现样本均衡。过采样后,CNN-RNN的准确率和Kappa系数分别提升7.67%和0.02。说明上述方法组合能够有效提高小麦抗寒预测的准确性以及一致性检验系数,可应用于小麦抗寒分类预测,以达到缩短育种周期的目的。