模糊粗糙集在碳通量属性约简应用研究

寻找碳通量的主要影响因素是摸清碳循环规律的关键环节。由于与碳通量密切相关的生态因素众多且具有不确定性,存在大量冗余信息,致使特征选择面临极大的困难。提出利用模糊粗糙集理论约简碳通量数据属性的方法,不仅能有效处理复杂不确定问题,而且善于处理连续属性。实验结果表明,用模糊粗糙集约简的属性建立BP网络的碳通量预测模型具有较高的预测精度,这充分验证了该方法能够在有效保留信息量的同时,大幅度提高约简效率。     

融合监督学习与凝聚层次聚类的土地评价方法

由于专家能够对土地资源标定类别的数量是非常有限的,提出利用少量已知类别的训练样本抽取其中的关联规则作为监督信息,结合非监督方法中的变色龙算法,以互连性和相似度作为评价标准进行分类的方法。该算法充分利用监督学习分类准确率高和非监督学习无需标定学习样本的优点,只需利用少量带标签的学习样本,即可得到较高的分类准确率。通过对广东省土地资源的评价实验,表明仅随机选取300组训练样本即可得到较高的土地评价准确率94.418 4%,比同样条件下聚类分析的准确率高4.904 1%。     

支持向量机回归的碳通量预测

如何根据影响因素较好地预测碳通量是许多环境监测者非常关注的问题。但至今尚无一种非常有效的预测模型,为此研究ε-支持向量回归机在碳通量预测中的具体应用,并与BP神经网络模型的预测结果做了比较,分析了两种方法在核函数及相关参数、网络结构、神经元数目选择方面各自不同的特点。实验结果表明,基于ε-支持向量回归机和BP神经网络模型的碳通量预测结果与碳通量实测值之间存在显著相关性。但ε-支持向量回归机方法的预测过程更易掌控,整体预测精度高于BP神经网络的精度。     

基于C4.5算法的无线传感器网络农业环境部署节点故障诊断方法

通过采集农业环境下无线传感器网络节点所采集的数据,基于C4.5算法挖掘故障诊断关联规则,建立了农业环境部署节点故障诊断模型.结果表明,该模型能够比较好地对故障无线传感器网络节点进行识别.     

半监督学习算法在农用地分等中的应用

为了提高了土地评价模型的简易性、可解释性和准确性,以及克服传统土地评价模型中认为因素多的影响,提出利用关联规则挖掘算法从已知类别的训练样本提取其中的分类关联规则作为监督信息,结合非监督学习方法中的K-mean聚类算法,对大量未标定样本进行分类的半监督学习方法.该方法实现过程简单,分类准确率高,可推广性较强.对广东省土地资源的评价实验表明,利用半监督学习算法可得到较高的土地评价准确率94.0622%.