面向织物疵点检测的图像重构方法研究

这是一篇关于疵点检测,图像重构,自注意力机制,Transformer模型,损失函数的论文, 主要内容为提升织物疵点检测精度和效率对完善疵点检测方法和提高纺织品质量具有重要学术和工程应用价值。针对复杂图案织物疵点检测精度不足的问题,提出面向织物疵点检测的图像重构方法。其核心思想是将疵点视为对织物纹理的破坏,利用条件生成对抗神经网络对图像疵点区域进行重构,使其恢复成正常织物纹理,然后将重构图像与缺陷图像进行求异计算,对求异结果进行图像分割,达到疵点检测目的。针对生成器中卷积神经网络建立图像远程依赖关系能力弱,导致疵点图像重构精度差的问题,将自注意力机制引入Pix2pix神经网络,提出改进的Pix2pix神经网络模型,解决疵点图像重构精度差的问题。针对Pix2pix神经网络损失函数处理图像细节弱的问题,引入L1损失函数和改进的结构损失函数构造面向疵点图像重构的损失函数,解决网络处理图像细节能力弱的问题。本文将Re Net-D模型、SDDM-PS模型和改进的Pix2pix模型进行对比实验研究,研究中分别对5种不同复杂图案织物疵点进行疵点检测,结果表明:与Re Net-D模型和SDDM-PS模型相比,改进的Pix2pix方法对疵点的检测精度更高。针对自注意力机制无法捕捉位置信息导致重构图像精度不足的问题,将Transformer模块引入到pix2pix神经网络,探索Transformer模块对图像重构精度的影响,阐明图像全局特征对图像重构精度的影响途径,提出Trans Pix2pix模型。针对Trans Pix2pix模型中Transformer模块处理图像细节能力弱的问题,引入L1损失函数和多尺度结构性损失函数,探讨L1损失函数和多尺度结构性损失函数与图案细节重构精度的相互联系,提出面向Trans Pix2pix模型的损失函数。最后,将Trans Pix2pix模型和改进的Pix2pix模型进行了实验对比研究,结果表明:Trans Pix2pix模型在检测精度上有一定的提升,但在检测效率上略有下降。

改进的Transformer模型在关系抽取任务中的研究与应用

这是一篇关于关系抽取任务,Transformer模型,实体全局位置,预训练语言模型,实体关系抽取应用系统的论文, 主要内容为互联网上产生大量的非结构化文本数据,如何有效的从这些非结构化的文本数据中挖掘并抽取实体和关系信息就要涉及到实体关系抽取研究;这对知识图谱和自动问答等下游应用的构建具有较强的理论意义和实用价值。本文主要以Transformer特征提取模型为基础,通过对现有实体关系抽取模型的改进,提高实体关系抽取的性能。主要研究内容如下:(1)针对Transformer模型在实体关系抽取任务中性能不佳的问题,本文抛弃模型原始的位置编码方式,加入基于实体全局位置的编码,提取实体在文本序列中相对其它单词的距离和方向信息,可以较好融合自注意力机制且是可学习的;在模型输入向量生成阶段,把词性和命名实体特征融入到词向量中,使模型能够学习文本序列的主要特征;在数据预处理阶段将主副实体进行标签替换处理,有效防止过拟合问题。该模型在数据集上进行验证,结果表明改进的Transformer编码模型在评测指标上优于先前模型。(2)在基于跨度的实体关系联合抽取模型(SpERT)中,虽然把实体识别和关系抽取两者结合起来,但损失部分实体特征信息。本文在SpERT模型的输入阶段使用双向Transformer编码模型预训练的词向量来提高模型的泛化能力,并在输入向量中融入置信度较高的词性标注和句法依存关系特征;在模型的关系抽取层中重用输入信息为关系抽取任务提供更多的特征;在优化模型的损失函数中加入可训练的参数来自主学习两个子任务的损失占比权重。在三个公共的数据集上进行实验,结果表明改进的SpERT模型性能提升明显。(3)本文在实体关系抽取模型研究的基础上开发基于Web端的实体关系抽取应用管理平台和一个实体关系抽取移动平台。在Web端将论文中研究的模型和现有的通用模型经过模块化处理移植到系统平台上,并通过Web Service技术封装成接口供Web服务端调用。在移动端结合实体关系抽取模型完成文本序列的实体识别和关系抽取,并结合ECharts插件对得到的实体关系数据构建知识图谱。综上,本文以Transformer模型为基础,研究其在不同方式下的实体关系抽取任务中的应用。最后根据所研究的实体关系抽取模型,建立一套完整的实体关系抽取应用系统,为知识图谱的构建提供有效支撑。

基于深度学习的森林火灾检测识别系统的研究及实现

这是一篇关于目标检测,森林火灾,Transformer模型,蒸馏学习,循环对抗生成网络的论文, 主要内容为森林火灾对地球的生态资源和人类的生存发展造成了巨大的危害。传统的人工巡检、传感器检测和遥感检测等技术已经应用于森林火灾的检测中,但存在着可靠性低和造价过高等问题,且难以实现对火灾的实时准确监测和预警。因此,本文旨在利用计算机视觉技术,开发一种高效精准的森林火灾识别和检测方法,以提高对森林火灾的监管能力。本文的具体研究工作如下:为了及时发现火源并避免火势扩大以及消除可能的山火隐患,本文提出了两种适用于高空巡检的森林火灾检测模型,分别为YOLO＿MC和YOLO＿MCLite。其中,YOLO＿MC模型可以有效检测标准图像中的明火和烟雾,而基于此模型进行轻量化设计的YOLO＿MCLite模型则适用于热图像中的高温区域检测。本文介绍了一种基于CSPDark Net网络结构的目标检测模型YOLO＿MC,该模型融合了Transformer和Rep模块,旨在兼顾轻量化特征提取和模块硬件感知力。具体地,设计了轻量化的Transformer模块,应用于主干网络中,以提高模型在轻量化设备上的适用性。在Neck网络中采用Rep模块,同时加入多尺度特征融合能力,以提升模块的硬件感知力和检测性能。最后,采用解耦分支检测器完成对目标的检测任务。此外,还应用蒸馏学习的方法从YOLO＿MC网络中提取出参数更少、轻量化程度更高的网络YOLO＿MCLite,并应用于热图像中高温区域的检测,以实现对森林火灾的预警。在高空遥感拍摄时,烟雾的弥漫会导致火源点难以被准确检测,同时复杂背景、低对比度、光照变化等情况也会对火焰检测造成干扰。为了克服这些问题,本文改进了一种循环对抗生成网络来提高森林火灾的检测准确性。在生成器模块中将轻量化Transformer模块与卷积模块结合以提升对目标细节的感知能力,并设计了多级判别器来提高对生成样本真伪的判别精度。此外,加入了背景损失与边缘损失的计算以优化循环一致性损失函数。实验结果表明,所设计的循环对抗生成网络生成的图片质量比其他网络更好,能够更准确地检测火焰的位置和形状。最后介绍了基于所提算法的林火检测系统的设计。为满足实际需求,该系统采用了B/S架构和面向对象的软件设计方法,实现了视频图像实时浏览、火情识别和火场信息采集等功能。通过详细的系统整体架构和数据库结构设计,该系统能够为林火检测提供有效的支持和帮助,以保护森林资源和人类生命财产安全。

改进的Transformer模型在关系抽取任务中的研究与应用

这是一篇关于关系抽取任务,Transformer模型,实体全局位置,预训练语言模型,实体关系抽取应用系统的论文, 主要内容为互联网上产生大量的非结构化文本数据,如何有效的从这些非结构化的文本数据中挖掘并抽取实体和关系信息就要涉及到实体关系抽取研究;这对知识图谱和自动问答等下游应用的构建具有较强的理论意义和实用价值。本文主要以Transformer特征提取模型为基础,通过对现有实体关系抽取模型的改进,提高实体关系抽取的性能。主要研究内容如下:(1)针对Transformer模型在实体关系抽取任务中性能不佳的问题,本文抛弃模型原始的位置编码方式,加入基于实体全局位置的编码,提取实体在文本序列中相对其它单词的距离和方向信息,可以较好融合自注意力机制且是可学习的;在模型输入向量生成阶段,把词性和命名实体特征融入到词向量中,使模型能够学习文本序列的主要特征;在数据预处理阶段将主副实体进行标签替换处理,有效防止过拟合问题。该模型在数据集上进行验证,结果表明改进的Transformer编码模型在评测指标上优于先前模型。(2)在基于跨度的实体关系联合抽取模型(SpERT)中,虽然把实体识别和关系抽取两者结合起来,但损失部分实体特征信息。本文在SpERT模型的输入阶段使用双向Transformer编码模型预训练的词向量来提高模型的泛化能力,并在输入向量中融入置信度较高的词性标注和句法依存关系特征;在模型的关系抽取层中重用输入信息为关系抽取任务提供更多的特征;在优化模型的损失函数中加入可训练的参数来自主学习两个子任务的损失占比权重。在三个公共的数据集上进行实验,结果表明改进的SpERT模型性能提升明显。(3)本文在实体关系抽取模型研究的基础上开发基于Web端的实体关系抽取应用管理平台和一个实体关系抽取移动平台。在Web端将论文中研究的模型和现有的通用模型经过模块化处理移植到系统平台上,并通过Web Service技术封装成接口供Web服务端调用。在移动端结合实体关系抽取模型完成文本序列的实体识别和关系抽取,并结合ECharts插件对得到的实体关系数据构建知识图谱。综上,本文以Transformer模型为基础,研究其在不同方式下的实体关系抽取任务中的应用。最后根据所研究的实体关系抽取模型,建立一套完整的实体关系抽取应用系统,为知识图谱的构建提供有效支撑。

基于轨迹预测的船舶监管系统的设计与实现

这是一篇关于轨迹预测,Transformer模型,三维可视化的论文, 主要内容为海运是最主要的国际贸易运输方式,随着海运船舶密度的不断增加,船舶航行环境愈发复杂。目前,船员主要依靠个人经验驾驶船舶,缺乏及时、有效、直观的信息辅助,这对船舶航行效率的提高及安全性的增强造成巨大阻碍。为应对该问题,本文对船舶轨迹预测技术展开研究、进行改进,并基于此设计了完备的船舶监管系统。本文主要贡献如下:针对海洋环境干扰下的船舶航行轨迹预测问题,提出了基于DWFormer的轨迹预测方法。该方法在Transformer结构的基础上,将船舶自动识别系统(Automatic Identification System,AIS)数据与海洋环境因素结合,并通过分层数据嵌入的方式引入海洋环境因素,增强了模型的表达能力。基于多头自注意力机制提出了考虑海洋环境因素的动态感知自注意力机制,提高了模型的训练效率。此外,结合误差绝对值与误差平衡两方面的考量,提出了一种新颖的混合损失函数。实验结果表明,本文提出的轨迹预测方法具有较高的预测准确度。为提高船舶驾驶中船员从海量异构数据中提取有效信息的便捷性,设计并实现了基于轨迹预测的船舶监管系统。该系统利用远程字典服务(Remote Dictionary Server,Redis)及My SQL数据库存储数据,兼顾了数据的实时性及持久性,并设计数据调度模块以实现多种数据的统一调度及各模块间的协同合作。接着,引入本文提出的DWFormer模型,通过多线程的方式对船舶轨迹进行实时预测。此外,考虑船舶监管系统的平台兼容性及易操作性,本文基于React框架及Web3D技术开发了以用户船舶为视角的可视化平台。该平台针对船舶数据,以雷达俯视图、三维渲染图等不同形式提供了多艘船舶同台呈现的可视化方案。其中,基于3D绘图协议(Web Graphics Library,Web GL)实现的三维渲染图以贴近真实世界的立体效果呈现,使用户能够直观地观察海上交通状况与各船舶未来轨迹。此外,平台还提供了包括船舶过滤、视角转换等多种交互方式,满足船员不同航行情境下的需求。综上所述,本文构建了一个完整的基于轨迹预测的船舶监管系统,并进行了全方位的功能测试,证实了本系统的功能有效性。

基于知识的问答系统的设计与实现

这是一篇关于问答系统,知识检索,自然语言处理,Transformer模型的论文, 主要内容为随着计算机技术的快速发展和互联网的日渐普及,问答系统凭借其回复简洁精确、实用度高的特性,受到人们的广泛认可,在实际生活中的使用越来越频繁。传统的问答系统忽略了借助知识对问题本身进行深入的语义理解,而且对于具有明确指令的专业领域缺乏针对性回复,整体的交互能力有限,回复的丰富性欠佳。基于以上现状,本文设计实现了基于知识的问答系统,依靠相关知识对问题进行深度语义理解,根据用户问题、用户属性、所属知识领域及相关候选知识集生成回复。系统包括协调模块、指令模板回复模块、深度学习回复模块、默认回复模块、问答交互模块共五部分。协调模块负责合理调用指令模板回复模块、深度学习回复模块、默认回复模块,以响应不同情况下的用户问题,返回系统回复。指令模板回复模块用于具有明确指令的领域,通过检索获取回复模板集,填充模板生成系统回复。深度学习回复模块包括以下六部分:(1)通过规则化处理从用户问题中提取出对应实体;(2)采用Pylucene搜索引擎对标注数据集和百科知识数据集构建知识索引库,根据规则化后的用户问题和所属知识领域检索出对应知识集;(3)知识筛选单元对检索出的知识集进行筛选,将筛选合格的知识集作为基于知识的回复生成模型的候选知识集;(4)依据Transformer结构设计基于知识的回复生成模型,将规则化后的用户问题、用户年龄属性、所属知识领域以及通过筛选的候选知识集作为模型输入,使用模型生成回复语句;(5)回复质量检测单元负责评测模型生成回复的合理性和困惑度,将检测合格的回复作为深度学习回复模块的回复语句输出;(6)使用MySQL数据库建立缓存单元,初始化时预存储由模型生成且质量检测合格的回复。在获取到规则化后的用户问题后,先在缓存中查询该实体是否已有对应的回复集,如果有则从回复集中随机选择一条作为系统回复,提高回复效率;若没有对应的缓存回复集,再根据前述五部分的流程生成回复并更新缓存。默认回复模块随机选取默认语句作为系统回复,保障在指令模板回复和深度学习回复都没有生成合格回复时系统的及时响应。问答交互模块采用B/S架构和前后端分离模式,使用Vue.js框架和Python-Flask框架搭建问答交互平台,通过交互界面获取用户问题、年龄属性、所属知识领域,访问服务器以获取对应的系统回复等数据,实现问答交互。

基于Transformer模型的粮食产量预测研究与可视化分析平台设计

这是一篇关于粮食产量,机器学习技术,Transformer模型,预测可视化平台的论文, 主要内容为我国是一个农业大国,粮食的稳定生产是农业发展的关键驱动力,关系到社会的稳定和国家经济的增长。粮食产量的精准预测可为农民和企业提供决策参考,为政府制定相应政策提供建议,对农产品收获管理及农业市场规划具有重要意义。受农业、气象、自然灾害等多种因素影响,粮食产量相关数据随时间变化呈现出波动性、随机性、不确定性等特点,属于复杂时间序列范畴。因此,掌握我国粮食产量的影响因素及发展动态,采用合理的数据处理方法和模型预测粮食产量变化趋势,可有效预防及规避粮食生产过程出现的问题。本研究利用机器学习模型实现了粮食产量的精准预测,为农业工作者提供了决策意见和建议,具有重要的现实意义。对我国13个粮食主产区1978-2020年粮食产量及相关数据进行统计和汇总,通过阅读相关权威资料和参考文献,筛选出与粮食产量相关的22个影响因素。利用临近点均值填补缺失值和数据归一化方法对数据进行预处理,降低因数据缺失或量纲不同对预测结果造成的误差。为进一步提高预测准确率,利用皮尔逊相关性分析方法和灰色关联分析方法剔除变量间的多重共线性,筛选出与粮食产量相关性较强的因素,为粮食产量的精准预测提供了较有利的数据基础。本文运用机器学习算法中与时间序列相关的GRNN模型、ARIMA-GRNN组合模型、RNN模型、LSTM模型和Transformer模型对粮食产量进行预测。根据1978-2020年河北省粮食产量相关数据,运用上述5种模型进行试验,分析各模型在粮食产量预测中的可行性和预测效果。结果表明Transformer模型预测效果最优,其测试集的R2、RMSE和MAE分别为0.91、124.53和109.35,平均相对误差为3.02%、训练时间为80 s。而GRNN模型测试集的R2、RMSE和MAE分别为0.81、208.98和181.87,平均相对误差为4.96%、训练时间为132 s。ARIMA-GRNN组合模型测试集的R2、RMSE和MAE分别为0.81、195.18和178.36,平均相对误差为4.98%、训练时间为160 s。RNN模型测试集的R2、RMSE和MAE分别为0.83、172.37和152.26,平均相对误差为4.17%、训练时间为130 s。LSTM模型测试集的R2、RMSE和MAE分别为0.85、166.08和132.86,平均相对误差为3.73%、训练时间为155 s。为测试模型的泛化能力,另选取我国除河北省外其余12个粮食主产区的相关数据进行测试,结果表明Transformer模型在多数省份中预测效果较佳。因此,本文将Transformer模型作为粮食产量精准预测核心算法。便捷的农业数据分析可视化系统可作为农业用户数据记录、决策支持、智慧服务的有效载体。因此,本文设计开发了具有数据预测及可视化功能的粮食产量预测可视化平台。平台以Transformer模型为预测核心算法,实现粮食产量的精准预测,并对预测结果进行可视化展示,方便用户查询与粮食产量相关的更多数据,提供了更加科学可靠的粮食产量预测结果。本平台对农业信息化大数据平台的开发及建设,具有重要的参考价值和推动作用。

改进的Transformer模型在关系抽取任务中的研究与应用

这是一篇关于关系抽取任务,Transformer模型,实体全局位置,预训练语言模型,实体关系抽取应用系统的论文, 主要内容为互联网上产生大量的非结构化文本数据,如何有效的从这些非结构化的文本数据中挖掘并抽取实体和关系信息就要涉及到实体关系抽取研究;这对知识图谱和自动问答等下游应用的构建具有较强的理论意义和实用价值。本文主要以Transformer特征提取模型为基础,通过对现有实体关系抽取模型的改进,提高实体关系抽取的性能。主要研究内容如下:(1)针对Transformer模型在实体关系抽取任务中性能不佳的问题,本文抛弃模型原始的位置编码方式,加入基于实体全局位置的编码,提取实体在文本序列中相对其它单词的距离和方向信息,可以较好融合自注意力机制且是可学习的;在模型输入向量生成阶段,把词性和命名实体特征融入到词向量中,使模型能够学习文本序列的主要特征;在数据预处理阶段将主副实体进行标签替换处理,有效防止过拟合问题。该模型在数据集上进行验证,结果表明改进的Transformer编码模型在评测指标上优于先前模型。(2)在基于跨度的实体关系联合抽取模型(SpERT)中,虽然把实体识别和关系抽取两者结合起来,但损失部分实体特征信息。本文在SpERT模型的输入阶段使用双向Transformer编码模型预训练的词向量来提高模型的泛化能力,并在输入向量中融入置信度较高的词性标注和句法依存关系特征;在模型的关系抽取层中重用输入信息为关系抽取任务提供更多的特征;在优化模型的损失函数中加入可训练的参数来自主学习两个子任务的损失占比权重。在三个公共的数据集上进行实验,结果表明改进的SpERT模型性能提升明显。(3)本文在实体关系抽取模型研究的基础上开发基于Web端的实体关系抽取应用管理平台和一个实体关系抽取移动平台。在Web端将论文中研究的模型和现有的通用模型经过模块化处理移植到系统平台上,并通过Web Service技术封装成接口供Web服务端调用。在移动端结合实体关系抽取模型完成文本序列的实体识别和关系抽取,并结合ECharts插件对得到的实体关系数据构建知识图谱。综上,本文以Transformer模型为基础,研究其在不同方式下的实体关系抽取任务中的应用。最后根据所研究的实体关系抽取模型,建立一套完整的实体关系抽取应用系统,为知识图谱的构建提供有效支撑。

基于深度学习的虚假评论检测研究与实现

这是一篇关于虚假评论,语义相似性,图卷积网络,情感特征,Transformer模型的论文, 主要内容为电商平台中真实可信的用户评论可以帮助消费者做出正确的消费决策。然而,受不同动因驱使,电商平台中也充斥着大量虚假评论。虚假评论不仅会误导用户的消费决策,同时也会对商家及电商平台造成消极的影响。在此背景下,虚假评论的检测与治理对监督网站运营、净化网络环境具有重要的意义。本文基于深度学习技术对虚假评论检测方法展开研究。为实现对虚假评论的准确、高效检测,从评论间相似性与评论文本情感两种角度出发,提出两种虚假评论检测方法。在此基础上,利用上述两种方法中提取的蕴含评论间相似性和评论情感强度的特征,提出了一种基于多线索的虚假评论检测方法,并设计实现了一个可对评论进行自动采集及虚假评论检测的系统。主要内容如下:(1)提出一种基于图卷积网络的虚假评论检测方法。虚假评论间通常会有高度相似的内容,但是现有的基于深度学习的虚假评论检测方法,通常对每条评论单独提取文本特征而未充分考虑评论间的相似性。本文利用不同评论中词汇的语义相似性间接衡量评论间相似性,并基于图卷积网络进行虚假评论检测。首先,基于词汇语义相似性构建评论文本图,将虚假评论检测问题转化为节点分类问题。其次,利用图卷积网络聚合相邻节点的邻域信息,深入挖掘评论间的相似性关系,获取包含评论间相似性的特征向量进行虚假评论检测。在虚假评论检测通用数据集上,与CNN、LSTM、Text＿GCN等模型相比,该方法将准确率分别提升了7%、4.8%与1.3%。(2)提出一种融合情感特征的虚假评论检测方法。为了达到鼓吹宣传的效果,虚假评论表现的情感通常比较强烈,但是现有的基于情感特征的虚假评论检测方法大多仅对评论中的情感词进行简单的统计计数,忽略了不同情感词有程度差别的重要属性。为此,提出一种新的融合情感特征的虚假评论检测方法。该方法首先基于评论文本构建情感词典,综合考虑情感词的不同形式及情感词与程度副词的依赖关系,对评论文本表达的情感更加准确地量化描述;然后,将情感特征与文本内容特征融合,结合Transformer模型实现虚假评论检测。在Amazon数据集上,与LSTM模型相比,该方法在提高检测效率的同时,将准确率提升了0.59%。(3)考虑到一条虚假评论可能同时具有上述两方面特征,将上述两种方法中提取到的蕴含评论间相似性与评论情感强度的特征进行融合,设计了基于多线索的虚假评论检测方法,并基于该方法设计并实现虚假评论在线检测系统。系统分为服务端与客户端两个模块。服务端主要实现评论数据的采集、基于多线索的虚假评论检测模型训练以及评论的在线检测等核心功能;客户端主要实现评论检测任务管理及评论检测结果的展示。在Amazon数据集上,基于多线索的检测准确率与单独使用上述两种方法相比分别提升3.24%与1.14%。实验结果表明融合评论间相似性和情感强度两方面特征具有有效性。同时,利用大众点评网站的评论数据验证了该系统可以实现评论的自动采集和虚假评论的在线检测。

基于Transformer模型的粮食产量预测研究与可视化分析平台设计

这是一篇关于粮食产量,机器学习技术,Transformer模型,预测可视化平台的论文, 主要内容为我国是一个农业大国,粮食的稳定生产是农业发展的关键驱动力,关系到社会的稳定和国家经济的增长。粮食产量的精准预测可为农民和企业提供决策参考,为政府制定相应政策提供建议,对农产品收获管理及农业市场规划具有重要意义。受农业、气象、自然灾害等多种因素影响,粮食产量相关数据随时间变化呈现出波动性、随机性、不确定性等特点,属于复杂时间序列范畴。因此,掌握我国粮食产量的影响因素及发展动态,采用合理的数据处理方法和模型预测粮食产量变化趋势,可有效预防及规避粮食生产过程出现的问题。本研究利用机器学习模型实现了粮食产量的精准预测,为农业工作者提供了决策意见和建议,具有重要的现实意义。对我国13个粮食主产区1978-2020年粮食产量及相关数据进行统计和汇总,通过阅读相关权威资料和参考文献,筛选出与粮食产量相关的22个影响因素。利用临近点均值填补缺失值和数据归一化方法对数据进行预处理,降低因数据缺失或量纲不同对预测结果造成的误差。为进一步提高预测准确率,利用皮尔逊相关性分析方法和灰色关联分析方法剔除变量间的多重共线性,筛选出与粮食产量相关性较强的因素,为粮食产量的精准预测提供了较有利的数据基础。本文运用机器学习算法中与时间序列相关的GRNN模型、ARIMA-GRNN组合模型、RNN模型、LSTM模型和Transformer模型对粮食产量进行预测。根据1978-2020年河北省粮食产量相关数据,运用上述5种模型进行试验,分析各模型在粮食产量预测中的可行性和预测效果。结果表明Transformer模型预测效果最优,其测试集的R2、RMSE和MAE分别为0.91、124.53和109.35,平均相对误差为3.02%、训练时间为80 s。而GRNN模型测试集的R2、RMSE和MAE分别为0.81、208.98和181.87,平均相对误差为4.96%、训练时间为132 s。ARIMA-GRNN组合模型测试集的R2、RMSE和MAE分别为0.81、195.18和178.36,平均相对误差为4.98%、训练时间为160 s。RNN模型测试集的R2、RMSE和MAE分别为0.83、172.37和152.26,平均相对误差为4.17%、训练时间为130 s。LSTM模型测试集的R2、RMSE和MAE分别为0.85、166.08和132.86,平均相对误差为3.73%、训练时间为155 s。为测试模型的泛化能力,另选取我国除河北省外其余12个粮食主产区的相关数据进行测试,结果表明Transformer模型在多数省份中预测效果较佳。因此,本文将Transformer模型作为粮食产量精准预测核心算法。便捷的农业数据分析可视化系统可作为农业用户数据记录、决策支持、智慧服务的有效载体。因此,本文设计开发了具有数据预测及可视化功能的粮食产量预测可视化平台。平台以Transformer模型为预测核心算法,实现粮食产量的精准预测,并对预测结果进行可视化展示,方便用户查询与粮食产量相关的更多数据,提供了更加科学可靠的粮食产量预测结果。本平台对农业信息化大数据平台的开发及建设,具有重要的参考价值和推动作用。