-
公开(公告)号：CN112352523B
公开(公告)日：2022-10-04
申请号：CN202010941855.X
申请日：2020-09-09
Applicant: 安徽农业大学
IPC: A01C23/04 , A01C21/00 , G06K9/62 , G06F16/2458
Abstract: 本发明公开了一种基于智能决策的茶园水肥灌溉控制方法和系统，该方法包括：构建茶园灌溉及施肥的决策模型，所述决策模型以与茶园灌溉、施肥需求相关的多种属性数据为输入，以灌溉、施肥的决策需求为输出；采集茶园的多种属性数据，将其输入至茶园灌溉及施肥的决策模型中，输出灌溉和/或施肥的决策需求；以及根据灌溉需求和/或施肥的决策需求，结合预先设置的水量和施肥量对茶园进行水肥一体灌溉。与传统方法相比，使用数据挖掘算法对茶园水肥灌溉进行决策，避免了人为凭经验进行灌溉的弊端。由于输入了多种影响灌溉及施肥的属性，使得决策能够更加准确。
-
公开(公告)号：CN113992718A
公开(公告)日：2022-01-28
申请号：CN202111264946.5
申请日：2021-10-28
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于动态宽度图神经网络的群体传感器异常数据检测方法和系统，属于计算机技术领域。该方法通过实时采集待检测的传感器网络的数据，基于传感器网络拓扑结构构建传感器网络的邻接矩阵，基于采样参数确定滑动窗口尺寸；再将历史和实时传感器网络的数据进行归一化、极坐标编码处理后再重构为二维矩阵并设定滑动窗口；接着将二维矩阵深度叠加为三维矩阵，将三维矩阵喂入传感器异常数据检测模型，判断待检测的实时传感器网络的数据是否存在异常。其中，异常数据检测模型可根据目标传感器网络节点数量和拓扑结构的变化动态更新。本发明对传感器网络规模和拓扑结构具有良好的适应性、且异常数据实时检测准确率高。
-
公开(公告)号：CN109921952B
公开(公告)日：2021-11-23
申请号：CN201910256665.1
申请日：2019-04-01
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于压缩感知和模型驱动的数据收集方法，属于信息技术领域。它包括关键数据使用模型驱动模式进行采集，非关键数据使用压缩感知模式进行采集，数据收集模式在模型驱动模式与压缩感知模式之间进行动态切换；在模型驱动模式的阶段，根据传感器的连续采样数据判断切换为压缩感知模式的时刻；在压缩感知模式的阶段，通过稀疏采样的数据点建模判断切换为模型驱动模式的时刻。本发明能够实现两种数据收集模式间的可靠、及时地动态切换，能够有效避免数据收集模式切换抖动，保障数据的获取精度和关键数据获取的时效性。
-
公开(公告)号：CN113418888A
公开(公告)日：2021-09-21
申请号：CN202110683544.2
申请日：2021-06-21
Applicant: 安徽农业大学
IPC: G01N21/3504 , G01K13/00 , G01N33/00 , G01L19/00
Abstract: 本发明公开了一种模块化植物光合检测仪，具体涉及光合检测领域，包括控制机箱和测定仪主体，所述控制机箱设置在所述测定仪主体的一端，所述控制机箱的内部设置有触控一体屏，所述触控一体屏的内部依次设置有Dams数据采集分析程序、现场息载网络、无线空中接口NBIot、嵌入式计算机IotGW、传感器接口模块IotNode和mariaDB数据库，所述控制机箱的外部一侧设置有叶室本体。本发明通过嵌入式计算机IotGW上传至Dams数据采集分析程序内部，经过Dams数据采集分析程序的分析计算，然后将实验数据上传至mariaDB数据库中，所述Dams数据采集分析程序可以随时调出mariaDB数据库内部保存的实验数据，与现有技术进行比对分析，以便于更加完善实验。
-
公开(公告)号：CN112115984A
公开(公告)日：2020-12-22
申请号：CN202010887051.6
申请日：2020-08-28
Applicant: 安徽农业大学
Abstract: 本发明公开了一种基于深度学习的茶园异常数据校正方法、系统和存储介质，该校正方法包括：采集目标茶园的环境数据并对此预处理，将预处理后的目标茶园的环境数据作为输入数据输入到卷积神经网络‑支持向量机CNN‑SVM中，对数据进行异常检测，同时还输入到长短期记忆神经网络LSTM中，对环境数据进行预测；当CNN‑SVM模型检测数据为异常数据时，提取出由CNN‑SVM模型检测出异常数据的时间特征，并在LSTM模型预测的数据中选取具有相同时间特征的数据进行校正，然后输出到茶园数据集中。本发明不仅能够校正异常数据，还能根据异常数据判断传感器故障具体地点，具有较高的校正准确率、特异度和泛化能力。
-
Patent Agency Ranking
公开(公告)号：CN105792253B
公开(公告)日：2019-03-29
申请号：CN201610103875.3
申请日：2016-02-25
Applicant: 安徽农业大学
Abstract: 本发明公开一种无线传感网介质访问控制优化方法，在网络形成期，传感器节点建立邻居表对邻居节点的调度信息进行记录。在进入竞争时期后，本发明根据邻居表中已有的参与竞争节点个数、邻居表中节点总数和预测上次参加竞争节点个数对参与下次竞争的节点个数进行精确的判断。为了使传感器节点能够适应网络负载的变化，本发明使用动态的竞争窗口策略。该策略根据网络中节点数目的变化自适应地调整本节点的竞争窗口大小，有效减少冲突发生概率和空闲侦听时间，避免由于冲突和长时间的空闲侦听造成的能量消耗，具有网络生存时间长、时延小、数据包时延抖动小的特点，适用于负载变化频繁的大规模无线传感器网络和时延敏感的传感器网络应用。
-
公开(公告)号：CN108596907A
公开(公告)日：2018-09-28
申请号：CN201810444195.7
申请日：2018-05-10
Applicant: 安徽农业大学
Abstract: 本发明公开一种小麦条锈病演化规律可视化表现方法，其特征是包括监测区域划分；采集小麦叶片图像，分离及处理具有条锈病特征的图片，计算病害程度；建立三层数学模型，分别展示小麦条锈病在叶片、植株和区域中的病害分布情况、受害程度以及病害演化规律；设计窗口展示条锈病病斑图像、原始条锈病叶片图像、三层病害程度螺旋线模型、病害分布投影图形和病害发展的拼接图像，实现小麦条锈病演化规律可视化。本发明从三个尺度空间展示小麦条锈病发生、发展过程，对小麦条锈病的研究、预防和识别具有重要意义。
-
公开(公告)号：CN105912887B
公开(公告)日：2018-07-10
申请号：CN201610206166.8
申请日：2016-03-31
Applicant: 安徽农业大学
IPC: G06F19/24
Abstract: 本发明公开了一种改进型基因表达式编程‑模糊C均值作物数据分类方法，使用自定义的相似度衡量计算公式并结合信息熵，计算作物数据属性的权值向量；使用加权的距离计算公式替代传统的欧式距离，并将基因表达式编程与模糊C均值算法相结合求出最佳的聚类中心对作物数据进行分类。本发明一方面能够更好地对作物数据间的距离进行衡量，大大提高分类结果的准确率；另一方面，能够以更少的迭代次数获得最佳的分类结果。
-
公开(公告)号：CN114386534B
公开(公告)日：2025-03-14
申请号：CN202210111331.7
申请日：2022-01-29
Applicant: 安徽农业大学
IPC: G06V10/764 , G06N3/0455 , G06N3/0475 , G06N3/094 , G06N3/09 , G06V10/774 , G06V10/80 , G06V10/82
Abstract: 本发明公开了一种基于变分自编码器和对抗生成网络的图像增广模型训练方法及图像分类方法，该方法将可见类训练图像的视觉特征和语义特征分别输入视觉模态和语义模态变分自编码器中对应生成第一伪视觉特征和伪语义特征，并将其输入生成器网络中生成第二伪视觉特征，再利用判别器网络判别真实特征和生成的特征，利用可见类训练图像数据集对变分自编码器对抗生成网络模型进行训练。对于零样本图像分类，在可见类上训练完成的模型生成未见类训练图像的伪视觉特征并结合类别标签训练分类器对未见类图像进行分类；能够有效融合图像的视觉信息和语义信息，生成更接近于真实数据分布且高质量的可见类和未见类图像，提高零样本图像分类准确率。
-
公开(公告)号：CN118172682A
公开(公告)日：2024-06-11
申请号：CN202410395020.7
申请日：2024-04-02
Applicant: 安徽农业大学
IPC: G06V20/13 , G06V20/10 , G06V10/20 , G06V10/774 , G06N5/01
Abstract: 本发明公开了一种面向日光诱导叶绿素荧光SIF重构的云干扰削弱方法，包括：1)构建日光诱导叶绿素荧光SIF产品数据、卫星微波植被指数数据、植被数据和气象数据集；2)对数据集进行预处理3)构建基于微波植被指数的SIF重构模型；4)训练模型并进一步调整参数，以得到最优的SIF重构模型。本发明利用卫星微波观测数据，植被和气象数据，以及光合有效辐射数据实现了对每日的日光诱导叶绿素荧光SIF的重构，从而能直接应用于晴空和云天条件，有利于卫星微波对有云区域的植被日光诱导叶绿素荧光SIF的重构。
-
-
-
-
-
-
-
-
-
Search Results
91
records
(took 0.023 seconds)
