烟叶中曲霉菌含量的荧光定量PCR检测方法的建立及应用

为快速准确地对仓储烟叶中的曲霉菌含量进行测定，通过对几种曲霉菌的ITS区基因序列比对找出曲霉菌属遗传保守序列，以此为靶序列设计特异性引物及Taqman探针，构建烟曲霉基因序列重组质粒为阳性标准品，并绘制标准曲线，建立了烟叶中曲霉菌含量荧光定量PCR检测方法并验证该方法具有较好的特异性、灵敏度及重复性.利用此方法对模拟霉变烟叶进行跟踪检测，结果表明：当烟叶中曲霉菌基因拷贝数在10⁹～10¹¹copies·g^-1之间时，烟叶处于临近霉变的状态；大于10¹¹copies·g^-1时烟叶为霉变状态；小于10⁹copies·g^-1时烟叶则为未霉变状态.该研究以期为仓储烟叶的霉变情况监控提供了一种更为高效灵敏的检测方法.     

基于NB-IoT的烟叶仓储环境监测系统

烟叶在仓储醇化过程中易产生霉变现象,为了减少损失,需要对其仓储环境进行监测.传统的烟叶仓储环境监测系统存在效率低、成本高、部署难等问题,而且基本上只监测温、湿度信息,没有对烟叶霉变相关的气体浓度进行监测,存在一定的局限性.针对这些问题设计了一套基于NB-IoT的烟叶仓储监测系统.该系统选用NB-IoT (窄带物联网)新型无线技术结合多种气体传感器以及STM32微控制器组成数据采集终端,选用B/S架构搭建烟叶仓储环境监测平台,可对烟叶仓储环境的温、湿度以及二氧化碳、乙醇、硫化氢等气体的浓度进行监测.该系统功能实用、操作简单、可大规模部署,为烟叶仓储环境监测提供了新的思路.经实测,该系统满足烟叶仓储环境监测的要求,运行稳定可靠.     

清香型优质烟叶物理特性指标预测分析

探究清香型优质烟叶物理特性指标与生态因子间的定量关系,构建物理特性指标预测模型。选择云南省玉溪市2019-2020年优质烟叶的物理特性指标数据与生态数据（气象、土壤和海拔）,建立多元线性统计预测模型与BP神经网络预测模型,并分析各生态因子对烟叶物理特性指标的相对贡献率;利用均方根误差（Root Mean Square Error,RMSE）与归一化均方根误差（Normalized Root Mean Square Error,NRMSE）对两种预测模型模拟效果进行检验分析。结果显示,气象因子平均相对贡献率明显高于土壤、海拔的相对贡献率,气象因子对清香型优质烟叶物理特性指标尤为重要;统计预测模型的RMSE、NRMSE值均高于神经网络预测模型,神经网络预测模型预测准确性更高。利用统计方法与神经网络构建物理特性指标预测模型,可以为不同生态条件下提升烟叶品质、促进烟叶品质评价智能精准化提供一定的科学理论依据。     

基于概率神经网络的烤烟烟叶质量的相关性分析

根据烟叶样本的近红外光谱定量分析得出3种烟叶成分:烟碱、还原糖和蛋白质的含量,加入8种烟叶外观特征,然后使用因子分析方法对概率神经网络输入进行压缩和特征提取,在简化样本的同时对概率神经网络进行优化.应用概率神经网络根据外观质量因素对降维后的烟叶样本建立内在质量的数学预测模型并获得较理想的预测效果.     

基于差值灰色RBF网络模型股票价格预测研究

针对RBF神经网络的预测精度受样本数据随机性影响较大,而灰色理论能弱化数据随机性的特点,提出了差值结合法将灰色GM(1,1)模型和RBF神经网络模型有效地结合起来,构建了差值灰色RBF网络预测模型。并利用此模型进行股票价格预测,实证结果表明:该模型预测稳定性较好,预测精度高,平均预测误差为0.68%,与BP神经网络和RBF神经网络相比具有更好的泛化能力和更高的预测精度,在股票预测中具有一定的实用价值。     

灰色模型结合神经网络预测高速公路路基沉降

为了提高高速公路路基沉降的预测精度,考虑到神经网络强大的非线性映射功能,提出了"灰色模型+神经网络"对高速公路路基沉降进行预测分析的组合方法。以湖南省某高速公路路基沉降多个断面实测数据构建灰色GM(1,1)预测模型,在采用构建的灰色模型预测出相应结果的基础上,运用神经网络对预测结果做误差补偿。研究结果表明,采用实测数据拟合的灰色模型预测值的最大相对误差与运用神经网络对预测结果做误差补偿之后的优化预测值的最大相对误差分别为19.193%和0.865%,用神经网络对灰色模型预测结果做误差补偿之后的优化预测值与实测值更接近。     

W-RBF神经网络模型在中药材价格预测中的应用

中药材作为一种特殊的农产品,其价格态变化过程呈现出高度复杂的非线性特征,增加了中药材价格预测的难度.通过研究影响中药材价格的主要因素,并在分析传统价格预测方法的基础上,针对中药材价格变化具有随机性、突变性和非线性的特点,通过小波和RBF神经网络结合构建一个中药材价格预测模型(W-RBF).采用W-RBF神经网络模型对白芍价格进行预测,并将预测结果与RBF神经网络模型预测结果做了比较.实验结果说明,W-RBF神经网络模型预测准确率明显提高,比RBF神经网络模型更具优越性.     

基于RBF神经网络的建筑逐时空调负荷预测模型

分别用径向基函数(RBF)神经网络模型和BP神经网络模型对广州市一栋办公楼和一栋图书馆在夏季不同月份的逐时冷负荷进行训练和预测,发现RBF神经网络模型预测的均方根误差和平均相对误差都仅是BP神经网络方法的64%左右.仿真结果表明,RBF神经网络具有更高的预测精度及更好的泛化能力,是建筑空调负荷预测的一种有效方法.在此基础上,构建了基于RBF神经网络的建筑逐时空调负荷智能预测软件系统.     

基于SVM的人才资源对陕西经济增长影响的预测模型研究

在构建陕西省人才资源指标体系的基础上,运用SVM方法构建了陕西省人才资源与经济增长的关系模型,并与基于BP神经网络的模型进行了对比分析。结论表明:采用结构风险最小化准则的SVM回归方法比BP神经网络模型具有更高的预测精度,是经济增长预测研究中的一种新型、有效的方法。     

大规模MIMO组网场景中的网络时延预测

针对5G网络规划与优化存在的问题,提出一种融合系统仿真和深度神经网络模型的网络时延预测方法.基于射线追踪模型、高清地图、工程参数等构建时延仿真模型,利用时延仿真模型获取大量时延数据.基于无线通信理论提出三视图特征模型,此模型用于输入特征提取.通过深度神经网络学习时延数据特征,训练神经网络模型,利用神经网络模型预测网络时延.实验结果表明该方法具有可行性和有效性.     

基于GRNN模型的城市道路短期交通流预测研究

采用剔出了城市道路短期交通流的周周期性特征的周差分数据作为广义回归神经网络（GRNN）模型的预测对象,这样既能避免合理选择交通流影响因素作为神经网络输入变量的困难,又能迅速获得实时短期交通流预测结果。研究结果表明,构建的神经网络模型能够很精确地实时预测城市道路短期交通流。     

乙炔羰基化合成丙烯酸甲酯催化性能的人工神经网络模拟

通过神经网络技术可找出催化工艺与催化性能之间的关联性,从而对催化性能进行预测,达到提高研究效率的目的.本文针对训练样本中奇异样本对神经网络模型预测能力和泛化能力的影响,将遗传算法思想引入神经网络,构建神经网络模型动态训练集,建立了遗传算法-神经网络模型(GARBF);利用GARBF模型对乙炔羰基化合成丙烯酸甲酯催化性能进行预测模拟.结果表明:与RBF相比,GARBF的预测精度明显提高,对于六组测试集,平均相对误差从2.94％降低到1.18％,体现了更强的泛化能力.     

指数趋势预测的BP-LSTM模型

本文根据股指、股价等数据的时序特征将人工神经网络(ANN)与深度学习中的循环神经网络(RNN)引入股指预测,基于BP神经网络模型与长短期记忆(LSTM)神经网络模型构建了BP-LSTM模型.基于上证指数,本文进行了进行数值实验.结果表明BP-LSTM预测模型的准确率相比传统机器学习模型有明显提升,与普通LSTM模型相比也有较大提升.     

GA优化灰色神经网络的煤矿瓦斯浓度预测

针对神经网络在煤矿瓦斯浓度预测中存在缺少大量实时数据和难以精确建模的问题,建立一种遗传算法优化灰色神经网络模型。采用灰色预测少数据模型理论和神经网络的自学习能力构建改进的瓦斯浓度预测模型,并利用遗传算法对该模型的初始权值和阈值进行优化。结果表明,遗传算法优化灰色神经网络模型较传统模型提高了瓦斯浓度的预测精度和速度。该研究为预防瓦斯事故的发生提供了有益参考。     

基于BP神经网络的病毒性肝炎发病率预测

构建BP神经网络模型，对我国病毒性肝炎发病趋势进行预测.收集1990-2019年全国病毒性肝炎发病率的数据，分别构建ARIMA模型、支持向量回归、BP神经网络、ARIMA-SVR、ARIMA-BPANN模型，对病毒性肝炎发病率进行预测.实验结果表明，BP神经网络模型预测的效果最佳，得到测试集的拟合值和真实值的RMSE（平均残差平方和的平方根）和MAPE（平均绝对百分误差）分别只有0.427 3和0.385 8，远小于其他预测模型.     

人工神经网络在潮汐短期预测中的研究

本文介绍了运用Matlab神经网络工具箱进行BP神经网络设计的基本方法与过程,并将BP网络模型引入到海洋潮汐预测领域,根据黄海海域某短期验潮站观测数值,构建并选用合适的BP神经网络建立了海洋潮汐短期预测的神经网络预报模型。计算结果表明,BP模型应用于潮汐预报具有较高的预测精度和良好的泛化能力,它为海洋潮汐预报工作提供了一种全新的思路和方法。     

基于GA-BP神经网络算法的马铃薯晚疫病预测模型

应用基于遗传算法的BP神经网络构建马铃薯晚疫病预测模型,对原始样本进行归一化处理,应用遗传算法优化BP神经网络的结构、初始权值、阀值,通过BP神经网络训练构建马铃薯晚疫病预测模型,利用遗传算法来改善BP神经网络算法本身的缺陷,提高学习精度,预测准确度.仿真结果表明,GA-BP神经网络模型预测准确度较高,误差率较低,稳定性较好.实践证明,将GA-BP神经网络算法应用于马铃薯晚疫病预测模型中是可行的,能够实现晚疫病流行程度的快速预测.     

调控密集烤房内气流运动防控烟叶霉变

以云烟85为试验材料,采用四层气流上升式密集烤房进行烘烤,运用自主设计智能化调控烤房内气流方向运动的设备,改善烤房内的温差、温度、相对湿度和冷凝水含量,进而减少烟叶霉变发生率,并与常规烘烤进行对比。在烘烤过程中的12～48h之间,调控密集烤房内气流运动的设备运行之后,烤房内温差快速下降,并在1.5℃以下的范围进行波动,始终小于对照组;处理组的低温层温度升高,相对湿度下降,顶部冷凝水含量减少;处理组的烟叶霉变发生率低于对照组,于48h时,处理组和对照组的烟叶霉变发生率分别为14.7%和31.6%左右,且处理组的烤后霉变烟叶明显少于对照组。通过合理调控烤房内气流运动的方式,具有明显防控烤中烟叶霉变的效果。     

基于PaddlePaddle的股票预测深度学习模型

利用上证指数股票历史数据中的开盘价、收盘价、最低价、最高价、交易量、交易额、跌涨幅等数据,通过对股票数据进行归一化等预处理操作后,使用Python语言和PaddlePaddle库编写算法程序,构建股票预测的LSTM神经网络模型,对上证指数的股票下一日的最高价股票价格进行分析预测,预测结果显示本文所构建的基于PaddlePaddle的LSTM神经网络模型能够取得较好的预测效果,可见基于PaddlePaddle的股票预测深度学习模型有很好的应用前景.     

烟叶霉变及防治

分析了烟叶霉变的原因,介绍了污染烟叶的常见生物类群,并就烟叶霉挛防治措施提出几点建议。