Tableau 9.3为数据分析、分享和协作提速

最新版本提供＂始终保持连接＂的Tableau Desktop、更快捷的数据准备方法、更多的管控和更轻松的管理、Snowflake Computing连接器西雅图2016年3月24日电/--Tableau Software今日宣布全面推出可通过新方法提高数据分析和发现分享速度的Tableau 9.3。强大的功能包括＂始终保持连接＂的新Tableau Desktop、更高的全球地图覆盖率、更快的分析数据准备方法、更多的管控功能和更轻松的管理,以及与Snowflake Elastic数据仓库的直接连接。

基于自适应判别深度置信网络的棉花病虫害预测

作物病虫害预测是病虫害防治的前提,利用深度学习预测作物病虫害是一个有效且具有挑战性的研究课题。该文针对深度置信网络(deep belief network,DBN)在作物病虫害预测中的训练耗时长和容易收敛于局部最优解等问题,将自适应DBN和判别限制玻尔兹曼机(restricted boltzmann machine,RBM)相结合,利用棉花生长的环境信息,提出一种基于自适应判别DBN的棉花病虫害预测模型。该模型由3层RBM网络和一个判别RBM(discriminative restricted boltzmann machine,DRBM)网络组成,通过3层RBM网络将棉花生长的环境信息数据转换到与病虫害发生相关的特征空间,通过自动学习得到层次化的特征表示,再由DRBM预测棉花病虫害的发生概率。该模型将自适应学习率引入到对比差度算法中,通过自动调整学习步长,解决了在传统DBN模型训练时学习率选择难的问题;在学习过程中通过在DRBM中引入样本的类别信息,使得训练具有类别针对性,弱化传统RBM无监督训练时易出现特征同质化问题,提高了模型的预测准确率。对实际棉花的"棉铃虫、棉蚜虫、红蜘蛛"虫害和"黄萎病、枯萎病"病害的平均预测准确率为82.840%,与传统BP神经网络模型(BPNN)、强模糊支持向量机模型(SFSVM)和RBF神经网络模型(RBFNN)分别提高19.248%,24.916%和27.774%。

一种改进的深度置信网络在棉花病虫害预测中的应用

【目的】棉花病虫害发生和发展主要与环境信息相关,由于环境信息多且复杂多变,使得棉花病虫害预测方法研究具有一定的挑战性。本文旨在探索及时、准确地预测棉花病虫害的方法。【方法】提出1种基于环境信息和深度信念网络的棉花病虫害预测模型。该模型由3层限制玻尔兹曼机网络(Restricted Boltzmann machines,RBM)和1个监督反向传播(Back-propagation,BP)网络组成,利用RBM将环境信息数据转换到与病虫害发生相关的新的特征空间,利用BP网络对最后1层输出的特征向量进行分类预测,利用动态学习率和对比分散准则加快RBM的训练过程,并利用该模型对近6年棉花的棉铃虫、棉蚜虫、红蜘蛛和黄萎病、枯萎病进行预测试验。【结果】与传统棉花病虫害预测模型相比,提出的预测模型能够深度挖掘棉花病虫害发生与环境信息之间的深层次相关关系,具有更高的预测精度,预测平均正确率在83%以上。【结论】该方法是1种有效的农作物病虫害预测方法,为棉花病虫害防治提供了有效的技术支持。

基于性能改善深度信念网络的棉花病虫害预测方法

针对与棉花病虫害发生相关的环境信息数据具有大容量、多样性的特点,提出一种基于环境信息和改进深度信念网络(MDBN)相结合的棉花病虫害预测模型。该模型由3层限制玻尔兹曼机(RBM)网络和1个BP网络组成。利用MDBN提取与病虫害发生相关的特征变量,并利用BP神经网络进行病虫害预测。该方法的特点是将自适应学习率引入到DBN的无监督预训练阶段,并从训练数据批次的选择、参数调优的迭代周期以及在线学习训练等多个方面对MDBN的性能进行优化和改善,从而能够利用MDBN充分挖掘数据集中病虫害预测的特征向量,提高网络的预测精度。对实际棉花病虫害的预测结果表明,MDBN比传统预测模型具有更高的预测精度,是一种有效的农作物病虫害预测方法。