基于深度學(xué)習(xí)技術(shù)的水稻環(huán)境因素產(chǎn)量預(yù)測(cè)[模擬設(shè)計(jì)][其他]

水稻作為全球重要的糧食作物，準(zhǔn)確預(yù)測(cè)水稻產(chǎn)量在農(nóng)業(yè)發(fā)展中起著重要作用。由于水稻在環(huán)境因子與其生長(zhǎng)機(jī)理的作用下往往呈現(xiàn)出非線(xiàn)性的特點(diǎn)，難以對(duì)其做出較為準(zhǔn)確的預(yù)測(cè)，因此，提出CE-CGRU水稻產(chǎn)量預(yù)測(cè)模型，對(duì)非線(xiàn)性環(huán)境因子Copula熵（CE）方法進(jìn)行提取特征并與CNN和GRU技術(shù)結(jié)合在一起。其目的是在水稻品種確定的條件下，識(shí)別產(chǎn)量預(yù)測(cè)的重要特征。根據(jù)使用浙江省臨安區(qū)真實(shí)數(shù)據(jù)分析和比較所提出的模型的性能，構(gòu)建了其他5個(gè)產(chǎn)量預(yù)測(cè)模型進(jìn)行對(duì)比，分別是MLR、RF、LSTM、GRU和CNN-LSTM。結(jié)果顯示，CE-CGRU模型的MAE、MSE和MAPE分別為0.677、0.87和5.029％，表明CE-CGRU模型具有更好的能力來(lái)捕捉水稻產(chǎn)量與環(huán)境因素之間的復(fù)雜非線(xiàn)性關(guān)系。此外，還對(duì)不同的特征選擇方法以及不同時(shí)間步長(zhǎng)進(jìn)行了比較和分析。

發(fā)表于：4/29/2024 1:10:00 PM

基于偽觸發(fā)詞的并行預(yù)測(cè)篇章級(jí)事件抽取方法[人工智能][消費(fèi)電子]

篇章級(jí)事件抽取一般將事件抽取任務(wù)分為候選實(shí)體識(shí)別、事件檢測(cè)和論元識(shí)別3個(gè)子任務(wù)，然后采用級(jí)聯(lián)的方式依次進(jìn)行，這樣的方式會(huì)造成誤差傳遞；另外，現(xiàn)有的大多數(shù)模型在解碼事件時(shí)，對(duì)事件數(shù)量的預(yù)測(cè)隱含在解碼過(guò)程中，且只能按照預(yù)定義的事件順序及預(yù)定義的角色順序預(yù)測(cè)事件論元，使得先抽取的事件并沒(méi)有考慮到后面抽取的事件。針對(duì)以上問(wèn)題提出一種多任務(wù)聯(lián)合的并行預(yù)測(cè)事件抽取框架。首先，使用預(yù)訓(xùn)練語(yǔ)言模型作為文檔句子的編碼器，檢測(cè)文檔中存在的事件類(lèi)型，并使用結(jié)構(gòu)化自注意力機(jī)制獲取偽觸發(fā)詞特征，預(yù)測(cè)每種事件類(lèi)型的事件數(shù)量；然后將偽觸發(fā)詞特征與候選論元特征進(jìn)行交互，并行預(yù)測(cè)每個(gè)事件對(duì)應(yīng)的事件論元，在大幅縮減模型訓(xùn)練時(shí)間的同時(shí)獲得與基線(xiàn)模型相比更好的性能。最終事件抽取結(jié)果F1值為78%，事件類(lèi)型檢測(cè)子任務(wù)F1值為98.7%，事件數(shù)量預(yù)測(cè)子任務(wù)F1值為90.1%，實(shí)體識(shí)別子任務(wù)F1值為90.3%。

發(fā)表于：4/29/2024 1:10:00 PM