面向对虾养殖领域的知识图谱系统设计与实现
这是一篇关于知识图谱,命名实体识别,对虾养殖,BiLSTM-CRF模型的论文, 主要内容为随着人工智能与互联网技术在对虾领域的普及,对虾领域数据逐渐增多且结构复杂化,“智慧对虾养殖”将成为未来对虾养殖业发展的趋势,为大众提供海量对虾领域信息。由于对虾领域资源共享程度低,使养殖人员难以高效便捷的搜索所需信息,而知识图谱技术能够有效的集成对虾领域知识并且将其进行图谱可视化。因此,本文以构建对虾养殖领域知识图谱为研究目标,针对对虾养殖知识图谱服务系统实现技术进行深入研究,具体工作包括以下四点:(1)构建对虾领域语料库。本文基于Web Magic爬虫框架,以百度百科和对虾领域资讯网站作为对虾语料库数据来源,爬取命名实体识别实验所需对虾领域相关数据,分析了对虾养殖领域文本的特点,采用BIOES标注法设计了相应的对虾实体标注规则。使用Hanlp工具对获取的对虾领域数据进行中文分词,以及词性标注等处理,经过词向量训练后生成后续研究所需对虾领域语料库。(2)对虾领域命名实体识别模型的研究。本文利用基于Bi LSTM-CRF的对虾领域命名实体识别模型从对虾文本中识别出44类对虾养殖领域实体,并分别采用HMM、CRF以及Bi LSTM三种模型与该模型作对比实验。结果表明,该模型在人工标注的对虾测试集语料上的F1值达到90.50%,实体识别效果优于另外三种传统模型,能够有效识别对虾领域的命名实体。(3)对虾养殖领域知识图谱构建。目前还尚未有涉及对虾领域的开源知识图谱,因此,本文利用知识图谱构建技术,为能够提取出构建知识图谱所需的实体以及关系,通过网络爬虫技术从互联网以及对虾领域专家专著中抽取出异构化对虾领域知识,然后利用知识抽取技术将其转化成结构化数据,最后使用Neo4j图数据库作为对虾领域知识图谱的知识存储工具,初步实现对虾领域知识图谱可视化。(4)设计并实现了对虾养殖知识图谱服务系统。综合应用上述研究成果,构建了基于Spring-Boot框架的对虾养殖领域知识图谱服务系统,能够支持对虾基本信息查询、对虾知识图谱可视化、对虾实体查询、对虾文本命名实体识别、对虾资讯智能搜索等功能。构建的对虾养殖领域知识图谱服务系统旨在为用户提供更专业、系统、直观智能的对虾健康养殖知识图谱信息共享服务,对促进了对虾养殖业智能信息化发展具有一定的研究价值。
基于智能计算的对虾养殖水质预测模型研究及系统实现
这是一篇关于对虾养殖,水质预测,智能计算,支持向量机的论文, 主要内容为随着对虾养殖规模持续扩张与物联网技术的发展和普及,由以经验为主的传统养殖方式正在向以技术为依托的现代养殖方式转变,而养殖环境的精准预测是对虾养殖信息化的重要环节,促进对虾养殖行业向智能化方向发展有重要作用。因此,本文以对虾养殖水质参数为研究对象,结合信号分析处理、群智能优化算法、机器学习等技术,提出基于智能计算的对虾养殖水质组合预测模型,其主要工作如下:(1)提出基于小波阈值降噪(wavelet threshold noising,WTD)和支持向量回归机(Support Vector Regression,SVR)的溶解氧预测模型。通过对比降噪效果选择了Coiflets小波函数,对水质数据进行降噪处理,然后建立SVR模型,对溶解氧进行预测。将本文构建的WTD-SVR预测模型与标准BPNN预测模型对比,评价指标RMSE、MAE降低了33.2%、31.4%,R2提高了8.9%,对比标准GRU模型,RMSE、MAE降低了28.7%、25.1%,R2提高了4.7%,对比SVR标准模型,RMSE、MAE降低了33.2%、31%,R2提高了8.6%。(2)构建基于LightGBM、麻雀搜索优化算法和支持向量回归机的水质预测模型。该模型采用具有全局最优、结构简单和泛化能力强等特点的支持向量回归机对水质进行预测,首先对所有水质数据进行预处理和降噪,利用麻雀搜索算法进行参数寻优,选取最佳的参数值,提高模型预测性能。采用LightGBM分析各水质参数对预测模型的相关性,选取合适的特征组合,降低模型复杂度,提升模型预测能力。对比其他预测模型,试验得出,本文提出的组合预测模型RMSE、MAE、R2值分别为0.022、0.015和0.976,均优于对比模型,且精度较高,适用于对虾养殖水质预测。针对海量数据下单机模式存储资源不足、算法模型计算速度慢的问题,本文引入了Spark分布式计算框架,采用SMO并行算法思想,实现SVR在Spark环境下的并行化计算。试验结果证明,在大数据样本下SVR预测模型在Spark并行模式下比单机环境具有更快的运行速度与更强的实用性。(3)设计并实现了对虾养殖水质监测及预测系统。综合应用上述研究成果,并结合Hadoop、Spring Boot、Mybatis等相关开发技术进行平台开发,采用物联网、人工智能、机器学习等技术进行数据采集,依据数据特点,结合使用关系型和非关系型数据库进行数据存储。平台为用户提供对虾养殖信息管理和高效的水质预测等功能,对促进对虾养殖业向智能化、信息化数字化等方向发展具有一定的研究价值。
基于智能计算的对虾养殖水质预测模型研究及系统实现
这是一篇关于对虾养殖,水质预测,智能计算,支持向量机的论文, 主要内容为随着对虾养殖规模持续扩张与物联网技术的发展和普及,由以经验为主的传统养殖方式正在向以技术为依托的现代养殖方式转变,而养殖环境的精准预测是对虾养殖信息化的重要环节,促进对虾养殖行业向智能化方向发展有重要作用。因此,本文以对虾养殖水质参数为研究对象,结合信号分析处理、群智能优化算法、机器学习等技术,提出基于智能计算的对虾养殖水质组合预测模型,其主要工作如下:(1)提出基于小波阈值降噪(wavelet threshold noising,WTD)和支持向量回归机(Support Vector Regression,SVR)的溶解氧预测模型。通过对比降噪效果选择了Coiflets小波函数,对水质数据进行降噪处理,然后建立SVR模型,对溶解氧进行预测。将本文构建的WTD-SVR预测模型与标准BPNN预测模型对比,评价指标RMSE、MAE降低了33.2%、31.4%,R2提高了8.9%,对比标准GRU模型,RMSE、MAE降低了28.7%、25.1%,R2提高了4.7%,对比SVR标准模型,RMSE、MAE降低了33.2%、31%,R2提高了8.6%。(2)构建基于LightGBM、麻雀搜索优化算法和支持向量回归机的水质预测模型。该模型采用具有全局最优、结构简单和泛化能力强等特点的支持向量回归机对水质进行预测,首先对所有水质数据进行预处理和降噪,利用麻雀搜索算法进行参数寻优,选取最佳的参数值,提高模型预测性能。采用LightGBM分析各水质参数对预测模型的相关性,选取合适的特征组合,降低模型复杂度,提升模型预测能力。对比其他预测模型,试验得出,本文提出的组合预测模型RMSE、MAE、R2值分别为0.022、0.015和0.976,均优于对比模型,且精度较高,适用于对虾养殖水质预测。针对海量数据下单机模式存储资源不足、算法模型计算速度慢的问题,本文引入了Spark分布式计算框架,采用SMO并行算法思想,实现SVR在Spark环境下的并行化计算。试验结果证明,在大数据样本下SVR预测模型在Spark并行模式下比单机环境具有更快的运行速度与更强的实用性。(3)设计并实现了对虾养殖水质监测及预测系统。综合应用上述研究成果,并结合Hadoop、Spring Boot、Mybatis等相关开发技术进行平台开发,采用物联网、人工智能、机器学习等技术进行数据采集,依据数据特点,结合使用关系型和非关系型数据库进行数据存储。平台为用户提供对虾养殖信息管理和高效的水质预测等功能,对促进对虾养殖业向智能化、信息化数字化等方向发展具有一定的研究价值。
面向对虾养殖领域的知识图谱系统设计与实现
这是一篇关于知识图谱,命名实体识别,对虾养殖,BiLSTM-CRF模型的论文, 主要内容为随着人工智能与互联网技术在对虾领域的普及,对虾领域数据逐渐增多且结构复杂化,“智慧对虾养殖”将成为未来对虾养殖业发展的趋势,为大众提供海量对虾领域信息。由于对虾领域资源共享程度低,使养殖人员难以高效便捷的搜索所需信息,而知识图谱技术能够有效的集成对虾领域知识并且将其进行图谱可视化。因此,本文以构建对虾养殖领域知识图谱为研究目标,针对对虾养殖知识图谱服务系统实现技术进行深入研究,具体工作包括以下四点:(1)构建对虾领域语料库。本文基于Web Magic爬虫框架,以百度百科和对虾领域资讯网站作为对虾语料库数据来源,爬取命名实体识别实验所需对虾领域相关数据,分析了对虾养殖领域文本的特点,采用BIOES标注法设计了相应的对虾实体标注规则。使用Hanlp工具对获取的对虾领域数据进行中文分词,以及词性标注等处理,经过词向量训练后生成后续研究所需对虾领域语料库。(2)对虾领域命名实体识别模型的研究。本文利用基于Bi LSTM-CRF的对虾领域命名实体识别模型从对虾文本中识别出44类对虾养殖领域实体,并分别采用HMM、CRF以及Bi LSTM三种模型与该模型作对比实验。结果表明,该模型在人工标注的对虾测试集语料上的F1值达到90.50%,实体识别效果优于另外三种传统模型,能够有效识别对虾领域的命名实体。(3)对虾养殖领域知识图谱构建。目前还尚未有涉及对虾领域的开源知识图谱,因此,本文利用知识图谱构建技术,为能够提取出构建知识图谱所需的实体以及关系,通过网络爬虫技术从互联网以及对虾领域专家专著中抽取出异构化对虾领域知识,然后利用知识抽取技术将其转化成结构化数据,最后使用Neo4j图数据库作为对虾领域知识图谱的知识存储工具,初步实现对虾领域知识图谱可视化。(4)设计并实现了对虾养殖知识图谱服务系统。综合应用上述研究成果,构建了基于Spring-Boot框架的对虾养殖领域知识图谱服务系统,能够支持对虾基本信息查询、对虾知识图谱可视化、对虾实体查询、对虾文本命名实体识别、对虾资讯智能搜索等功能。构建的对虾养殖领域知识图谱服务系统旨在为用户提供更专业、系统、直观智能的对虾健康养殖知识图谱信息共享服务,对促进了对虾养殖业智能信息化发展具有一定的研究价值。
基于智能计算的对虾养殖水质预测模型研究及系统实现
这是一篇关于对虾养殖,水质预测,智能计算,支持向量机的论文, 主要内容为随着对虾养殖规模持续扩张与物联网技术的发展和普及,由以经验为主的传统养殖方式正在向以技术为依托的现代养殖方式转变,而养殖环境的精准预测是对虾养殖信息化的重要环节,促进对虾养殖行业向智能化方向发展有重要作用。因此,本文以对虾养殖水质参数为研究对象,结合信号分析处理、群智能优化算法、机器学习等技术,提出基于智能计算的对虾养殖水质组合预测模型,其主要工作如下:(1)提出基于小波阈值降噪(wavelet threshold noising,WTD)和支持向量回归机(Support Vector Regression,SVR)的溶解氧预测模型。通过对比降噪效果选择了Coiflets小波函数,对水质数据进行降噪处理,然后建立SVR模型,对溶解氧进行预测。将本文构建的WTD-SVR预测模型与标准BPNN预测模型对比,评价指标RMSE、MAE降低了33.2%、31.4%,R2提高了8.9%,对比标准GRU模型,RMSE、MAE降低了28.7%、25.1%,R2提高了4.7%,对比SVR标准模型,RMSE、MAE降低了33.2%、31%,R2提高了8.6%。(2)构建基于LightGBM、麻雀搜索优化算法和支持向量回归机的水质预测模型。该模型采用具有全局最优、结构简单和泛化能力强等特点的支持向量回归机对水质进行预测,首先对所有水质数据进行预处理和降噪,利用麻雀搜索算法进行参数寻优,选取最佳的参数值,提高模型预测性能。采用LightGBM分析各水质参数对预测模型的相关性,选取合适的特征组合,降低模型复杂度,提升模型预测能力。对比其他预测模型,试验得出,本文提出的组合预测模型RMSE、MAE、R2值分别为0.022、0.015和0.976,均优于对比模型,且精度较高,适用于对虾养殖水质预测。针对海量数据下单机模式存储资源不足、算法模型计算速度慢的问题,本文引入了Spark分布式计算框架,采用SMO并行算法思想,实现SVR在Spark环境下的并行化计算。试验结果证明,在大数据样本下SVR预测模型在Spark并行模式下比单机环境具有更快的运行速度与更强的实用性。(3)设计并实现了对虾养殖水质监测及预测系统。综合应用上述研究成果,并结合Hadoop、Spring Boot、Mybatis等相关开发技术进行平台开发,采用物联网、人工智能、机器学习等技术进行数据采集,依据数据特点,结合使用关系型和非关系型数据库进行数据存储。平台为用户提供对虾养殖信息管理和高效的水质预测等功能,对促进对虾养殖业向智能化、信息化数字化等方向发展具有一定的研究价值。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码码头网 ，原文地址：https://m.bishedaima.com/lunwen/50352.html
