基于半监督BP_Adaboost的农机作业效益评估

S126; 为提升农机管理水平和用户收益,该研究利用影响作业效益的因素,以每台农机一天的作业信息作为一条数据评估农机当天作业效益.作业信息包括农机作业效率、油耗、作业质量、重复作业率、遗漏作业率、有效作业时间占比等.使用半监督BP_Adaboost方法对农机作业效益进行评估,对部分数据进行人工评分,根据评分结果标记农机每天作业效益的好坏,其中一部分作为训练样本,另一部分作为测试样本,再利用BP_Adaboost方法训练模型后对剩余未评分数据预测,以减少训练样本的人工标记工作量和提高模型准确性.从 32 000条深松作业数据中选取 1 000条样本进行标记,其中 500条作为训练样本,500条作...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 39; no. 23; pp. 67 - 74
Main Authors 李亚硕, 赵博, 徐名汉, 伟利国, 周利明
Format Journal Article
LanguageChinese
Published 中国农业机械化科学研究院集团有限公司,北京100083 01.12.2023
农业装备技术全国重点实验室,北京100083
Subjects
agricultural machinery
operation benefit
作业效益
半监督学习
神经网络
semi-supervised learning
neural network
农业机械
BP_Adaboost
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202302039

Cover

More Information
Summary:S126; 为提升农机管理水平和用户收益,该研究利用影响作业效益的因素,以每台农机一天的作业信息作为一条数据评估农机当天作业效益.作业信息包括农机作业效率、油耗、作业质量、重复作业率、遗漏作业率、有效作业时间占比等.使用半监督BP_Adaboost方法对农机作业效益进行评估,对部分数据进行人工评分,根据评分结果标记农机每天作业效益的好坏,其中一部分作为训练样本,另一部分作为测试样本,再利用BP_Adaboost方法训练模型后对剩余未评分数据预测,以减少训练样本的人工标记工作量和提高模型准确性.从 32 000条深松作业数据中选取 1 000条样本进行标记,其中 500条作为训练样本,500条作为测试样本,使用BP_Adaboost方法得到的模型预测准确率为 93.36%,使用半监督BP_Adaboost方法增加训练样本得到的模型预测准确率为 97.03%.根据作业效益推荐最优农机机具组合,增强作业能力,提高效益.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202302039