發(fā)布時間：2020-11-05 00:31

　　 糧食安全是我國經(jīng)濟與民生的重要工作,而糧食害蟲(產(chǎn)后)是造成糧食損失的一個重要原因。所以,如何在害蟲大量發(fā)生之前預知并且對害蟲發(fā)生位置進行精確定位已經(jīng)成為安全儲糧工作中的一項重要且亟待解決的問題。精確獲取倉儲害蟲蟲口密度,可以有效判斷出害蟲在糧倉內的生長趨勢,提前做防護措施,保障糧食安全。本文闡述了誘捕技術的發(fā)展歷程、原理分析、布點規(guī)則和應用現(xiàn)狀以及深度學習算法中的算法思想、玻爾茲曼機、受限玻爾茲曼機和深度置信網(wǎng)絡的理論;分析了糧堆生態(tài)系統(tǒng)中的環(huán)境因子與誘捕數(shù)量的相關性,提出基于深度置信網(wǎng)絡的蟲口密度預測模型。本文主要的研究內容及創(chuàng)新點如下:(1)采集基礎數(shù)據(jù)。結合糧食行業(yè)標準LST1203-2002對取樣點的要求,在糧倉內布置誘捕器和溫濕度集成傳感器,得出每個誘捕點的溫度、濕度及蟲口密度。對3類數(shù)據(jù)集合進行初步處理,為后期進行相關性分析和密度預測作鋪墊。(2)分析溫濕度與誘捕數(shù)量的相關性。首先利用溫濕度集成傳感器獲得糧堆溫度、濕度數(shù)據(jù),繼而通過誘捕技術得到害蟲的種類與數(shù)量,進一步研究蟲口密度與糧堆生態(tài)系統(tǒng)內關鍵因子(溫度、濕度)的相關性,并用線性回歸的方法分析了溫濕度與害蟲誘捕數(shù)量的關系。(3)研究了基于深度置信網(wǎng)絡的儲糧害蟲生長趨勢預測模型。建立了含有7個隱含層的深度置信網(wǎng)絡預測模型,并在MATLAB環(huán)境下進行模擬分析,對蟲口密度的預測結果表明模型預測精確度較高,可以表示為害蟲生長趨勢,證明了利用深度置信網(wǎng)絡模型預測蟲口密度是一個科學、有效、快捷的害蟲生長趨勢預測新方法。
【學位單位】：河南工業(yè)大學
【學位級別】：碩士
【學位年份】：2016
【中圖分類】：S379.5
【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景與意義
    1.2 儲糧害蟲蟲口密度研究意義
    1.3 國內外研究現(xiàn)狀
    1.4 研究內容與研究思路
    1.5 本文的組織架構
第二章 相關技術與理論基礎
    2.1 誘捕技術的基礎與應用
        2.1.1 誘捕技術的發(fā)展歷程
        2.1.2 誘捕器的原理分析
        2.1.3 誘捕器的布點規(guī)則
        2.1.4 誘捕器的應用
    2.2 害蟲檢測與預測的基礎應用與理論
        2.2.1 害蟲檢測的基礎應用與理論
        2.2.2 害蟲預測的基礎理論
    2.3 本章小結
第三章 糧堆生態(tài)系統(tǒng)與誘捕數(shù)量的相關性分析
    3.1 糧堆生態(tài)系統(tǒng)概述
        3.1.1 儲糧生態(tài)系統(tǒng)的特點
        3.1.2 糧堆生態(tài)系統(tǒng)的主要因子
        3.1.3 糧堆內害蟲的發(fā)生規(guī)律
    3.2 實驗方案
        3.2.1 溫濕度集成傳感器的布點方案
        3.2.2 誘捕器的布點方案
    3.3 實驗結果
        3.3.1 害蟲的發(fā)生情況
        3.3.2 溫度因子與誘捕數(shù)量的相關性
        3.3.3 濕度因子與誘捕數(shù)量的相關性
    3.4 本章小結
第四章 儲糧害蟲生長趨勢模型研究
    4.1 深度學習算法分析
        4.1.1 問題引入
        4.1.2 算法的基本思想
        4.1.3 算法的基本模型
    4.2 基于DBN的蟲口密度預測模型研究
        4.2.1 建模方法
        4.2.2 數(shù)據(jù)歸一化處理
        4.2.3 隱含層數(shù)與神經(jīng)元個數(shù)的確定
        4.2.4 模型訓練過程
    4.3 實驗結果分析
    4.4 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
個人簡介

【參考文獻】

相關期刊論文 前10條

1 靳然;李生才;;基于小波神經(jīng)網(wǎng)絡的麥蚜發(fā)生程度預測模型[J];昆蟲學報;2015年08期

2 胡侯立;魏維;胡蒙娜;;深度學習算法的原理及應用[J];信息技術;2015年02期

3 夏春江;王培良;張媛;;基于深度學習的木材含水率預測[J];杭州電子科技大學學報(自然科學版);2015年01期

4 翦福記;Digvir S.Jayas;張強;Jitendra Paliwal;孫科;;儲糧生態(tài)系統(tǒng)的跨學科和多學科研究——加拿大曼尼托巴大學在糧食儲藏研究上的最新進展[J];糧食儲藏;2014年03期

5 王貴財;張德賢;李保利;孫宜貴;;糧蟲視覺檢測技術的現(xiàn)狀與展望[J];中國糧油學報;2014年04期

6 張紅濤;李芳;胡玉霞;張恒源;;倉儲害蟲局部形態(tài)學特征提取方法研究[J];河南農業(yè)科學;2014年02期

7 吳子丹;趙會義;曹陽;李福君;魏雷;;糧食儲藏生態(tài)系統(tǒng)的仿真技術應用研究進展[J];糧油食品科技;2014年01期

8 史衛(wèi)亞;焦珂珂;王艷娜;宋紅霞;梁義濤;;基于生物光子學的小麥蟲害識別模型[J];河南工業(yè)大學學報(自然科學版);2013年06期

9 郭敏;張麗娜;;基于聲信號的儲糧害蟲檢測方法的研究與發(fā)展[J];中國糧油學報;2011年12期

10 林明江;安玉興;管楚雄;許漢亮;;害蟲誘捕器的研究與應用進展[J];廣東農業(yè)科學;2011年09期

相關博士學位論文 前2條

1 李燦;中藥材儲藏期主要害蟲種群生態(tài)及氣調毒理研究[D];貴州大學;2008年

2 張蕾;粘蟲遷飛型轉為居留型的關鍵時期和調控基礎[D];中國農業(yè)科學院;2006年

相關碩士學位論文 前9條

1 李衛(wèi);深度學習在圖像識別中的研究及應用[D];武漢理工大學;2014年

2 田萬銀;基于小波神經(jīng)網(wǎng)絡的海防林蟲害預測方法研究[D];浙江農林大學;2013年

3 牛波;糧倉中蟲害分布預測模型的研究[D];河南工業(yè)大學;2013年

4 秦昕;儲糧害蟲活動聲信號特征研究[D];陜西師范大學;2012年

5 王明明;磁場和LED光照對小菜蛾生物學特性的影響[D];揚州大學;2010年

6 張衛(wèi)芳;基于圖像處理的儲糧害蟲檢測方法研究[D];陜西師范大學;2010年

7 王劍;基于神經(jīng)網(wǎng)絡的水稻三化螟識別系統(tǒng)的設計與實現(xiàn)[D];中國農業(yè)科學院;2006年

8 崔晉波;高大平房倉主要儲糧害蟲種群生態(tài)學研究[D];西南大學;2006年

9 張成花;基于圖像識別的儲糧害蟲分類的研究[D];鄭州大學;2002年

本文編號：2870837