中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
四千年農夫 中國、朝鮮和日本的永續農業
-
>
(精)中華古樹名木(全2冊)
-
>
線辣椒優質高產栽培
-
>
生命的藝術:動物解剖學的神秘歷史之旅
-
>
正確使用農藥知識問答
-
>
龍眼譜:外二種
-
>
迷你花園:打造你的玻璃生態瓶
呼倫貝爾智慧草原關鍵技術及應用 版權信息
- ISBN：9787109293144
- 條形碼：9787109293144 ; 978-7-109-29314-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
呼倫貝爾智慧草原關鍵技術及應用 內容簡介
本書以動態草畜平衡系統為例，通過對衛星傳感器獲取的歸一化植被指數（NDVI）數據與地面氣象傳感器產生的降水量數據進行協同處理與分析，預測未來年份NDVI的時空數據，進而對研究區域的草產量與理論載畜量進行時空預測，實現未來年份牲畜種類、數量的時空優化配置，*終實現一種基于物聯網的動態草畜平衡系統功能，即實現智慧草原。本書基于多種神經網絡方法的多源異構數據協同理論和方法研究，具有重要的理論和應用意義。
呼倫貝爾智慧草原關鍵技術及應用 目錄
前言
1 緒論
1.1 研究背景
1.2 研究需求和意義
1.3 國內外研究現狀
1.3.1 多源異構數據協同研究
1.3.2 草畜平衡研究
1.4 研究內容及主要貢獻
1.5 本書結構安排
1.6 小結
2 基于物聯網的動態草畜平衡系統及其關鍵技術
2.1 研究區域概況
2.2 多源異構數據介紹
2.2.1 氣象傳感數據
2.2.2 衛星遙感數據NDVI
2.2.3 關鍵氣象傳感數據的確定
2.3 草畜平衡概述
2.4 草畜平衡系統
2.5 動態草畜平衡系統及其關鍵技術
2.5.1 動態草畜平衡系統
2.5.2 動態草畜平衡系統的關鍵技術
2.6 小結
3 基于神經網絡的降水量時間數據自回歸預測模型
3.1 人工神經網絡模型概述
3.1.1 人工神經網絡的定義
3.1.2 人工神經網絡的發展概述
3.1.3 人工神經網絡結構
3.1.4 人工神經網絡學習方式
3.1.5 靜態與動態神經網絡
3.2 基于BPNN的降水量自回歸預測模型
3.2.1 BPNN的建模方法
3.2.2 基于BPNN的降水量自回歸預測建模及結果分析
3.3 基于TDNN的降水量自回歸預測模型
3.3.1 TDNN的建模方法
3.3.2 基于TDNN的降水量自回歸預測建模及結果分析
3.4 基于NARX的降水量自回歸預測模型
3.4.1 NARX的建模方法
3.4.2 基于NARX的降水量自回歸預測建模及結果分析
3.5 三種用于降水量自回歸預測的神經網絡模型比較
3.6 小結
4 基于神經網絡的多源異構時間數據協同模型
4.1 基于神經網絡的多源異構數據協同方法
4.2 基于BPNN的多源異構數據協同模型
4.2.1 基于BPNN的多源異構數據協同模型結構
4.2.2 基于BPNN的多源異構數據協同結果分析
4.3 基于TDNN的多源異構數據協同模型
4.3.1 基于TDNN的多源異構數據協同模型結構
4.3.2 基于TDNN的多源異構數據協同結果分析
4.4 基于NARX的多源異構數據協同模型
4.4.1 基于NARX的多源異構數據協同模型結構
4.4.2 基于NARX的多源異構數據協同結果分析
4.5 三種神經網絡數據協同模型的比較
4.6 基于神經網絡捕捉多源異構數據中的延遲效應
4.7 小結
5 基于混合神經網絡的多源異構時空數據協同方法
5.1 基于混合神經網絡的多源異構數據協同方法
5.1.1 基于混合神經網絡的多源異構數據協同模型的設計流程
5.1.2 基于混合神經網絡的多源異構數據協同模型構成
5.1.3 數據準備
5.2 基于NARX的時間數據自回歸預測模型
5.2.1 基于NARX的多站點降水量時間數據自回歸預測模型結構
5.2.2 基于NARX的多站點降水量時間數據預測結果分析
5.3 基于BPNN的降水量時間-空間數據協同轉換模型
5.3.1 基于BPNN的降水量時間-空間協同轉換模型結構
5.3.2 基于BPNN的降水量時間-空間數據協同結果分析
5.4 基于混合神經網絡的NDVI時空預測模型
5.4.1 基于混合神經網絡的NDVI時空預測模型的數據實現過程
5.4.2 基于混合神經網絡的NDVI時空預測模型驗證及結果分析
5.5 小結
6 基于多源異構數據協同的動態草畜平衡系統
6.1 基于多源異構數據協同的動態草畜平衡系統實現方法
6.2 基于多源異構數據協同的未來年份NDVI時空數據預測
6.2.1 降水量時間預測數據
6.2.2 降水量時空預測數據
6.2.3 NDVI時空預測數據
6.3 未來年份的載畜量時空預測
6.4 小結
7 總結和展望
7.1 工作總結
7.2 未來工作的展望
參考文獻
1 緒論
1.1 研究背景
1.2 研究需求和意義
1.3 國內外研究現狀
1.3.1 多源異構數據協同研究
1.3.2 草畜平衡研究
1.4 研究內容及主要貢獻
1.5 本書結構安排
1.6 小結
2 基于物聯網的動態草畜平衡系統及其關鍵技術
2.1 研究區域概況
2.2 多源異構數據介紹
2.2.1 氣象傳感數據
2.2.2 衛星遙感數據NDVI
2.2.3 關鍵氣象傳感數據的確定
2.3 草畜平衡概述
2.4 草畜平衡系統
2.5 動態草畜平衡系統及其關鍵技術
2.5.1 動態草畜平衡系統
2.5.2 動態草畜平衡系統的關鍵技術
2.6 小結
3 基于神經網絡的降水量時間數據自回歸預測模型
3.1 人工神經網絡模型概述
3.1.1 人工神經網絡的定義
3.1.2 人工神經網絡的發展概述
3.1.3 人工神經網絡結構
3.1.4 人工神經網絡學習方式
3.1.5 靜態與動態神經網絡
3.2 基于BPNN的降水量自回歸預測模型
3.2.1 BPNN的建模方法
3.2.2 基于BPNN的降水量自回歸預測建模及結果分析
3.3 基于TDNN的降水量自回歸預測模型
3.3.1 TDNN的建模方法
3.3.2 基于TDNN的降水量自回歸預測建模及結果分析
3.4 基于NARX的降水量自回歸預測模型
3.4.1 NARX的建模方法
3.4.2 基于NARX的降水量自回歸預測建模及結果分析
3.5 三種用于降水量自回歸預測的神經網絡模型比較
3.6 小結
4 基于神經網絡的多源異構時間數據協同模型
4.1 基于神經網絡的多源異構數據協同方法
4.2 基于BPNN的多源異構數據協同模型
4.2.1 基于BPNN的多源異構數據協同模型結構
4.2.2 基于BPNN的多源異構數據協同結果分析
4.3 基于TDNN的多源異構數據協同模型
4.3.1 基于TDNN的多源異構數據協同模型結構
4.3.2 基于TDNN的多源異構數據協同結果分析
4.4 基于NARX的多源異構數據協同模型
4.4.1 基于NARX的多源異構數據協同模型結構
4.4.2 基于NARX的多源異構數據協同結果分析
4.5 三種神經網絡數據協同模型的比較
4.6 基于神經網絡捕捉多源異構數據中的延遲效應
4.7 小結
5 基于混合神經網絡的多源異構時空數據協同方法
5.1 基于混合神經網絡的多源異構數據協同方法
5.1.1 基于混合神經網絡的多源異構數據協同模型的設計流程
5.1.2 基于混合神經網絡的多源異構數據協同模型構成
5.1.3 數據準備
5.2 基于NARX的時間數據自回歸預測模型
5.2.1 基于NARX的多站點降水量時間數據自回歸預測模型結構
5.2.2 基于NARX的多站點降水量時間數據預測結果分析
5.3 基于BPNN的降水量時間-空間數據協同轉換模型
5.3.1 基于BPNN的降水量時間-空間協同轉換模型結構
5.3.2 基于BPNN的降水量時間-空間數據協同結果分析
5.4 基于混合神經網絡的NDVI時空預測模型
5.4.1 基于混合神經網絡的NDVI時空預測模型的數據實現過程
5.4.2 基于混合神經網絡的NDVI時空預測模型驗證及結果分析
5.5 小結
6 基于多源異構數據協同的動態草畜平衡系統
6.1 基于多源異構數據協同的動態草畜平衡系統實現方法
6.2 基于多源異構數據協同的未來年份NDVI時空數據預測
6.2.1 降水量時間預測數據
6.2.2 降水量時空預測數據
6.2.3 NDVI時空預測數據
6.3 未來年份的載畜量時空預測
6.4 小結
7 總結和展望
7.1 工作總結
7.2 未來工作的展望
參考文獻
展開全部
呼倫貝爾智慧草原關鍵技術及應用 作者簡介
吳淘鎖，1984年生，呼倫貝爾學院副教授，呼倫貝爾市級創新工作室負責人，博士畢業于天津大學，現為中國農業科學院在站博士后，多次獲得呼倫貝爾學院優秀共產黨員、優秀教師、優秀班主任、科技工作先進個人等榮譽稱號。近三年，在草地遙感、深度學習領域共計發表SCI論文9篇，主持內蒙古自治區科技計劃項目1項、自治區自然科學基金項目1項、自治區教育廳哲學社會科學研究專項1項，呼倫貝爾學院博士基金項目1項。
書友推薦
- >
名家帶你讀魯迅:朝花夕拾
- >
月亮虎
- >
唐代進士錄
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
我從未如此眷戀人間
- >
月亮與六便士
- >
莉莉和章魚
- >
名家帶你讀魯迅:故事新編
本類暢銷
