杉木林自疏过程密度调节规律的研究

提出了森林自然稀疏过程中密度调节规律新模型,应用收缩扩张算法以山杨、云南松等树种森林自疏过程中密度资料对新模型进行了验证。验证结果表明：所提出的森林自疏规律模型能很好拟合实际的观测资料,具有良好的使用价值;所采用的非线性方程最优拟合方法是科学的,从而丰富了该领域的研究方法。交提出的森林自然稀疏过程密度调节规律模型应用于杉木林自疏过程密度变化规律研究,效果很理想,可为杉木林经营管理提供参考。     

同龄纯林自然稀疏过程的经验模型研究

应用-3/2法则及广义Schumacher生长方程导出同龄纯林自然稀疏过程中密度随时间变化规律新模型,采用遗传算法对非线性模型参数进行最优估计.以山杨、云南松、杉木等树种同龄纯林自疏过程中密度随时间变化资料对新模型进行了验证,并与前人提出的主要森林自疏过程密度随时间变化规律模型进行了对比.结果表明,所提出的同龄纯林自疏规律模型能很好地拟合实际观测资料,具有良好的使用价值;新模型拟合效果较前人提出的自疏规律模型效果均更佳,说明新模型是一个描述同龄纯林自疏过程密度随时间变化规律的理想经验模型,可在森林自疏规律研究中应用.杉木林自疏过程密度变化规律的研究可为南方林区杉木林经营管理提供参考.     

马尾松自疏规律的人工神经网络模型研究

森林自然稀疏规律的研究已经有了很大发展,并提出了许多经验的或理论的表达式。本研究介绍了人工神经网络方法,首次建立了马尾松人工林自然稀疏规律的三层前馈反向传播神经网络模型。仿真结果表明,人工神经网络模型能很好地符合实际的观测资料,具有良好的使用价值,从而丰富了该领域的研究方法。     

基于MODIS混合像元分解的湖南省森林碳密度反演

随着遥感技术的快速发展,基于遥感影像和地面样地的方法成为目前森林碳密度估算的常用手段.然而由于混合像元的存在严重制约了区域森林碳密度反演精度的提高,特别是MODIS这种低空间分辨率影像.本研究以MODIS影像和固定样地为数据源,开展森林碳密度的反演研究.首先利用不带约束、带约束的线性分解和非线性分解3种方法进行混合像元分解,导出不同土地利用/覆盖类型的丰度图;然后采用结合和未结合丰度图的序列高斯协同模拟算法对湖南省森林碳密度进行反演.结果表明： 3种混合像元分解模型中,带约束线性分解估计的地物丰度精度最高（平均均方根误差0.002）,明显优于不带约束线性分解和非线性分解模型;通过将混合像元分解模型和序列高斯协同模拟算法结合,森林碳密度反演精度从74.1%提高到81.5%,均方根误差从7.26减小到5.18;2009年湖南省森林碳密度的平均值为30.06 t·hm^-2,变化范围介于0.00～67.35 t·hm^-2之间.这表明混合像元分解在提高区域和全球尺度森林碳密度反演精度方面显示出巨大的潜力.     

桤柏混交林密度变化规律的人工神经网络模型研究

本文应用人工神经网络方法建立了桤柏混交林密度变化的神经网络模型,并与传统模型进行了比较,仿真结果表明,人工神经网络模型可适用于桤柏混交林密度变化规律描述,且优于传统模型,从而丰富和发展了森林稀疏规律理论。     

软计算在生态模型中的应用

由于生态系统的高度复杂性和非线性以及空间数据采集技术的快速发展,近年来越来越多的软计算方法开始应用到生态模拟中来。软计算是个非常广泛的领域,在模式上主要包括元胞自动机、基于个体和盒式模式等;在方法上代表性的有人工神经网络、模糊数学、遗传算法、混沌理论等。重点介绍元胞自动机和规律方法在生态模型中的应用,具体实例包括种群动态模拟、水华预警和生境栖息地模拟。     

上海市景观格局的人工神经网络(ANN)模型

定量分析城市景观的空间格局,深入研究景观格局的形成机制,将有助于理解城市景观的格局与过程,分析城市化的社会、经济和生态学后果以及制定更有效的景观管理策略。研究以城市景观生态学途径,应用基于GIS的景观格局分析与人工神经网络(ANN)相结合的方法定量分析上海市城市景观格局(1994年)及其变化规律,建立了能够较好地模拟上海市景观格局对居住区用地、道路密度、人口密度、城市发展历史与黄浦江等自然、社会、经济因素响应的人工神经网络。结果表明,人工神经网络方法适于研究城市化驱动因素与城市景观格局的非线性对应关系,为景观格局形成机制和景观空间结构与生态学过程相互关系的深入研究提供了一条有效、实用的研究途径。     

谷氨酸发酵过程的神经网络模拟预测模型

人工神经网络是八十年代迅速兴起的一门非线性科学．它力图模拟人脑的一些基本特性。如自组织性、自适应性和容错性能等,已在模式识别、数据处理和自动化控制等方面得到了初步应用,取得了很好的效果〔1〕。 本文根据上海某味精厂某发酵罐的一批批报数据,利用人工神经网络的一典型模型－“反向传播”模型,初步尝试了神经网络模拟预测方法的效果,有关这方面的研究工作尚未见报道．     

非线性再生散度随机效应模型的极大似然估计及随机逼近算法

非线性再生散度随机效应模型包括了非线性随机效应模型和指数族非线性随机效应模型等．通过视模型中的随机效应为假想的缺失数据和应用Metropolis-Hastings(简称MH) 算法,提出了模型参数极大似然估计的随机逼近算法．模拟研究和实例分析表明了该算法的可行性．     

非线性再生散度随机效应模型的极大似然估计及EM算法

非线性再生散度随机效应模型是指数族非线性随机效应模型和非线性再生散度模型的推广和发展．通过视模型中的随机效应为假想的缺失数据和应用Metropolis-Hastings（MH）算法,提出了模型参数极大似然估计的Monte-Carlo EM（MCEM）算法,并用模拟研究和实例分析说明了该算法的可行性．     

基于人工神经网络的天然林生物量遥感估测

基于Landsat TM遥感图像, 以吉林省汪清天然林区为例, 应用B-P神经网络建立了森林生物量非线性遥感模型系统. 除采用遥感数据外, 该系统还引入了地形因子(海拔、坡度、坡向、立地类型等)作为模型自变量. 通过压缩输入数据和增强网络训练学习算法等措施, 对标准B-P神经网络进行了增强. 模型仿真结果表明：增强型B-P神经网络具有收敛速度快和自学习、自适应功能强的特点, 能最大限度地利用样本集的先验知识, 自动提取合理的模型, 模型预测结果能真实合理地反映实际情况. 针叶林、阔叶林和针阔混交林的生物量遥感模型系统仿真结果的平均相对误差分别为-1.47%、2.38%和3.56%, 平均相对误差绝对值分别为6.33%、8.46%和8.91%, 预估效果较理想. 应用该模型系统生成了研究区的森林生物量定量分布图, 其总体精度为88.04%.     

基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类

高效而精确的湿地遥感分类是大范围湿地资源动态监测与管理的必要保障。本研究使用ETM 遥感数据,借助Matlab神经网络工具箱,构建了基于BP神经网络的滨海湿地覆被分类模型,并将其应用于江苏盐城沿海湿地珍禽国家级自然保护区的核心区的自然湿地覆被分类研究中。本研究选择3、4、7、8波段作为输入层变量,单隐藏层设为10个节点,输出层变量对应待划分的8种覆被类型,构建三层式BP神经网络滨海湿地覆被分类模型。结果显示,BP分类总精度为85.91%,Kappa系数为0.8328,与最小距离法和极大似然法的分类总精度相比,分别提高了7.99%和6.08%,Kappa系数也相比提高。研究结果表明,BP神经网络分类法是一种较为有效的湿地遥感影像分类技术,能够提高分类精度。     

BP网络模型和LOGIT模型在森林害虫测报上的应用初报——以安徽省潜山县马尾松毛虫为例

以安徽省潜山县马尾松毛虫测报为例,在潜山县全县设置102个诱捕点,诱集越冬代成虫,并同时记录环境因子数据,例如树高、树龄、坡向、植被等。以这些环境因子为测报因子,以性外激素诱集到的雄蛾数代表田间实际发生情况,构建了森林重要害虫-马尾松毛虫的分类测报模型-BP人工神经网络和概率测报模型。BP网络模型的拟合率为100%,预留样检验报准率为100%。LOGIT模型的一致对率为74%。两类模型的拟合结果和预测结果基本吻合。BP网络的测报能力优于LOGIT模型。     

基于MODIS时间序列反射率数据的雷竹林LAI反演

本文以雷竹林为研究对象,基于MODIS地表反射率数据构建了归一化植被指数(NDVI)、比值植被指数(SR)、Gitelson绿色植被指数(GI)、增强型植被指数(EVI)和土壤调整植被指数(SAVI)5种植被指数,并将其与MODIS 7个波段原始反射率数据作为遥感变量,采用逐步回归和相关分析两种方法进行变量筛选,结合LAI实测数据构建了逐步回归和BP神经网络两种模型,对雷竹林生态系统观测站点2014年1月-2017年3月LAI时间系列数据进行反演,并将反演结果与同时期MOD15A2 LAI产品进行对比分析.结果表明: SR为唯一入选逐步回归模型的变量;b₁、b₂、b₃和b₇以及5种植被指数与LAI之间的相关性均达到显著水平,可作为BP神经网络模型的输入变量.使用BP神经网络反演得到的LAI与实测LAI之间的相关性显著,R²为0.71,RMSE为0.34,RMSE_r为13.6%,其R²比逐步回归模型提高了10.9%,RMSE降低了5.6%,RMSE_r降低了12.3%,与MODIS LAI相比,其R²提高了54.5%,RMSE降低了79.3%,RMSE_r降低了79.1%.结合MODIS时间序列反射率和BP神经网络模型能够精确地反演雷竹林LAI,为实现基于遥感技术快速监测区域雷竹林LAI提供可行的方法.     

人工神经网络在发酵工业中的应用

人工神经网络技术具有很强的非线性映射能力,用于系统的非线性建模,具有无可比拟的优势,广泛应用于发酵过程中培养基的优化和系统建模与控制方面,本主要介绍了人工神经网络的基本原理与使用方法,以及BP神经网络在非线性函数逼近的优点,详细介绍了其在发酵培养基优化,连续搅拌反应器神经网络估计,分批发酵及补料分批发酵过程建模与控制优化中的应用实例。     

An artificial maximum neural network: a winner-take-all neuron model forcing the state of the system in a solution domain

A maximum neuron model is proposed in order to force the state of the system to converge to the solution in neural dynamics. The state of the system is always forced in a solution domain. The artificial maximum neural network is used for the module orientation problem and the bipartite subgraph problem. The usefulness of the maximum neural network is empirically demonstrated by simulating randomly generated massive nstances (examples) in both problems. In randomly generated more than one thousand instances our system always converges to the solution within one hundred iteration steps regardless of the problem size. Our simulation results show the effectiveness of our algorithms and support our claim that one class of NP-complete problems may be solvable in a polynomial time.     

BP神经网络在沙棘生态功能评价中的应用

BP人工神经网络技术在环境评价领域中已经得到越来越广泛的运用,将该法引入到陕蒙砒砂岩区沙棘生态功能综合评价的研究中,以沙棘生态功能评价指标标准值作为样本输入,综合评价级别作为网络输出,建立了一个含有4个输入神经元节点、6个隐含神经元节点和1个输出神经元节点的BP人工神经网络等级模型。将目标年(2008年)各评价指标实际数据作为输入,得到输出值是0.44,大于Ⅱ级标准,研究结果表明:砒砂岩区种植十年沙棘后,其生态效益很好,对砒砂岩地区的生态环境改善作用显著。BP神经网络的评价结果与较成熟的AHP-模糊综合评价结果一致,证明将BP人工神经网络模型用于沙棘生态功能评价是可行的,且评价结论客观。     

Optimization of auto-induction medium for G-CSF production by Escherichia coli using artificial neural networks coupled with genetic algorithm

Granulocyte colony-stimulating factor (G-CSF) is a cytokine widely used in cancer patients receiving high doses of chemotherapeutic drugs to prevent the chemotherapy-induced suppression of white blood cells. The production of recombinant G-CSF should be increased to meet the increasing market demand. This study aims to model and optimize the carbon source of auto-induction medium to enhance G-CSF production using artificial neural networks coupled with genetic algorithm. In this approach, artificial neural networks served as bioprocess modeling tools, and genetic algorithm (GA) was applied to optimize the established artificial neural network models. Two artificial neural network models were constructed: the back-propagation (BP) network and the radial basis function (RBF) network. The root mean square error, coefficient of determination, and standard error of prediction of the BP model were 0.0375, 0.959, and 8.49 %, respectively, whereas those of the RBF model were 0.0257, 0.980, and 5.82 %, respectively. These values indicated that the RBF model possessed higher fitness and prediction accuracy than the BP model. Under the optimized auto-induction medium, the predicted maximum G-CSF yield by the BP-GA approach was 71.66 %, whereas that by the RBF-GA approach was 75.17 %. These predicted values are in agreement with the experimental results, with 72.4 and 76.014 % for the BP-GA and RBF-GA models, respectively. These results suggest that RBF-GA is superior to BP-GA. The developed approach in this study may be helpful in modeling and optimizing other multivariable, non-linear, and time-variant bioprocesses.