害蟲預測預報方法ppt課件(參考版)
2025-01-17 14:55本頁面
【正文】 謝謝大家 。 三、寫一篇蟲害預測設(shè)計 ? 三、根據(jù)自己的本課程知識和相關(guān)學科知識，設(shè)計一個校園周圍農(nóng)田或校內(nèi)花卉的蟲害發(fā)生預測方案。解釋文獻的輸入因子、輸出因子、數(shù)據(jù)處理方法。 二、檢索一篇其他模型文獻 ? 二、檢索一篇模糊回歸模型、灰色系統(tǒng)預測模型、 BP— 神經(jīng)網(wǎng)絡(luò)模型、時間序列模型、支持向量機模型或其他預測模型的蟲害發(fā)生文獻。然后列出自變量與因變量內(nèi)容、回歸方程及相關(guān)系數(shù)。期末考查試卷紙封面見下： 昆蟲生態(tài)測報期末考查試卷 ? 姓名： ? 班級： 植保 （阿拉伯數(shù)字）班 ? 學號： 考查內(nèi)容分三個題： ? 一、利用圖書館中文文獻資源或 highwile免費數(shù)據(jù)庫、學術(shù) Google等搜索引擎檢索一篇蟲害發(fā)生的多元線性回歸模型有關(guān)的文獻。 20222022學年第二學期 《 昆蟲生態(tài)測報 》 期末考查方案 適用班級植保 0912， 0836 ? 根據(jù) 《 昆蟲研究法 》 課程的教學大綱和實踐性較強的課程特點特制定如下成績考查方案： ? 平時成績占期末總成績 30%，平時成績打分依據(jù)為考勤記錄和實驗報告成績。 支持向量機算法研究 ? 訓練 SVM的絕大多數(shù)算法都是針對分類問題 ,只有一小部分算法考慮了回歸函數(shù)的估計問題。 支持向量機算法研究 ? 支持向量機的本質(zhì)是解一個 二次規(guī)劃問題 ,雖然有一些經(jīng)典（如對偶方法、內(nèi)點算法等） ,但當訓練集規(guī)模很大時 ,這些算法面臨著維數(shù)災難問題?！? —— by R. Feynman from The Feynman Lectures on Physics, AddisonWesley 同理，與 SVM相比， NN不像一門科學，更像一門工程技巧，但并不意味著它就一定不好！ 主要應(yīng)用領(lǐng)域 ? 手寫數(shù)字識別 ? 語音識別 ? 人臉識別 ? 文本分類 支持向量機研究 ? 如何針對不同的問題選擇不同的核函數(shù)仍然是一個懸而未決的問題。比如說，愛情就不是科學。 ?NN設(shè)計者用高超的工程技巧彌補了數(shù)學上的缺陷 ——設(shè)計特殊的結(jié)構(gòu)，利用啟發(fā)式算法，有時能得到出人意料的好結(jié)果。其核心內(nèi)容是在1995 年左右 ,由 Vapnik和 Chervonenkis提出的，目前仍處在不斷發(fā)展階段。 BP網(wǎng)絡(luò)的標準學習算法 算法思想 ?學習的類型：有導師學習 ?核心思想： ? 將輸出誤差 以某種形式 通過隱層向輸入層逐層反傳 ?學習的過程： ? 信號的正向傳播 誤差的反向傳播 將誤差分攤給各層的所有單元－－－各層單元的誤差信號 修正各單元權(quán)值 BP網(wǎng)絡(luò)的標準學習算法 學習過程 ? 正向傳播： ? 輸入樣本－－－輸入層－－－各隱層－－－輸出層 ? 判斷是否轉(zhuǎn)入反向傳播階段： ? 若輸出層的實際輸出與期望的輸出（教師信號）不符 ? 誤差反傳 ? 誤差以某種形式在各層表示－－－－修正各層單元的權(quán)值 ?網(wǎng)絡(luò)輸出的誤差減少到可接受的程度 進行到預先設(shè)定的學習次數(shù)為止 附：支持向量機及應(yīng)用簡介 機器學習的基本問題和方法 從給定的函數(shù)集 Ω中選擇出能夠最好地逼近系統(tǒng)響應(yīng)的函數(shù) ω 系統(tǒng)（ S） 學習機器（ LM） 輸入 x 輸出 y ( , )F x y( , ),fx ?? ??有指導機器學習的目的是根據(jù)給定的訓練樣本，求出對某系統(tǒng)輸入輸出之間依賴關(guān)系的估計，使它能夠?qū)ξ粗斎胱鞒霰M可能準確的預測。 ( ) ( 1 )1 e ( 1 e )n et n etn et y y?? ? ? ???? 根據(jù) S型激活函數(shù)的圖形可知 ,對神經(jīng)網(wǎng)絡(luò)進行訓練，應(yīng)該將 的值盡量控制在收斂比較快的范圍內(nèi) BP網(wǎng)絡(luò)的標準學習算法 ?學習的過程： ? 神經(jīng)網(wǎng)絡(luò)在外界輸入樣本的刺激下不斷改變網(wǎng)絡(luò)的連接權(quán)值 ,以使網(wǎng)絡(luò)的輸出不斷地接近期望的輸出。 ? 時間： tn 狀態(tài)： xn 即為過程 X(tn)的所有可能取值 狀態(tài)空間： I={x1 ,x2 ,…… xn1 ,xn } ? 馬爾可夫過程具有如下屬性（馬爾可夫性） n+ 1 n+ 1 n n n 1 n 1 1 1n+ 1 n+ 1 n n1 2 n 1 n n+ 1P {X ( t ) = x | X ( t
教學課件相關(guān)推薦
鄂ICP備17016276號-1