粮情监测预警技术研究进展

粮情监测预警对保证粮食安全至关重要,本文从粮食储藏过程中温湿水检测、虫霉监测和温度预测预警等方面总结粮情监测预警技术的研究现状,着重突出新一代信息技术与粮情监测技术的融合发展,旨在为粮情监测预警的未来发展提供新的思路,为行业信息化、智能化建设提供参考。     

神经网络在粮食储藏领域中的应用概述

粮食储藏安全是保障粮食安全的重要环节,近年来随着科技的快速发展,信息技术成为粮食储藏领域重要的科技支撑技术之一。面对粮食储藏数据的数据量大、多维度等特点,构建数据模型和建立适用的算法是研究的重点,神经网络凭借其自适应性、快速寻优、自学习功能和适合处理复杂数据等特点逐步应用到本领域。本文重点总结神经网络在粮食储藏领域中的应用现状,分析存在问题,并对未来应用研究趋势和前景作出展望。     

基于SVM的粮食霉变预测分类方法研究

霉变是导致粮食储藏过程中数量减少、质量降低的重要因素,若能早期预测粮食是否会发生霉变,提前采取处置措施,对保障粮食储藏安全,降低粮食损失具有重要的意义。本文采用支持向量机算法,并通过网格搜索优化参数,分别建立了稻谷和小麦霉变的预测分类模型,以判定在给定水分、温度和储藏时间的条件下是否会发生霉变。实验结果表示,稻谷平均准确率可达96%以上,小麦平均准确率可达92%以上。同时本研究采取不同规模的小样本训练建模,并与BP神经网络模型进行对比,训练结果表明,基于SVM的模型准确率高且表现稳定,明显优于BP神经网络模型。     

用于网络入侵检测的多尺度卷积CNN模型

鉴于卷积神经网络在计算机视觉等诸多领域取得的巨大成就,提出一种将多尺度卷积神经网络应用到网络入侵检测领域的方法。该方法将IDS中的网络数据转化成卷积神经网络能够输入的数据,利用不同尺度卷积核对大量高维无标签原始数据进行不同层次特征提取,再采用BN方法优化网络结构学习率,从而获得原始数据的最优特征表示。实验采用 KDDcup99数据集进行实验测试,与经典的模型相比,结果表明MSCNN模型不仅收敛速度快,而且误检率平均降低4.02%,准确率平均提高4.38%。因此MSCNN方法是一种可行且高效的方法,为网络入侵检测系统领域提供一种全新的思路。