通过设计深度神经网络回归器（DNNR），提出了一种新颖的 DNNR 模型，用于解决天气和土壤变量之间的非线性相互作用问题，同时引入了平均绝对平方根误差（ARSE）指标以综合评估预测准确性，在与随机森林回归器（RFR）和极端梯度提升回归器（XGBR）进行比较后，DNNR 在处理突发的气候和土壤变化数据时表现最佳，进一步的分析揭示了天气和土壤变量之间存在着强烈的相互作用。

Jan, 2024

本研究提出了一种新的快速傅里叶卷积神经网络（FFDNN）及其特征编码器，用于在不同的时间尺度上对植物胁迫进行快速准确的检测和解释，包括小麦黄锈和氮缺乏等相似症状的胁迫。

Jun, 2023

利用 6 种回归模型（线性回归、决策树、梯度下降、梯度提升、K 最近邻和随机森林）预测 196 个国家的农作物产量，并通过农药、降雨量、温度和产量 4 个参数，发现随机森林回归模型的决定系数（r^2）为 0.94，误差（ME）为 0.03。研究使用联合国粮食农业组织的数据和世界银行的气候变化数据训练和测试模型，并分析各个参数对农作物产量的影响。通过使用非传统的模型以及最近收集的数据，实现了独特的研究方法，旨在为农业研究找到最优模型，并利用联合国的数据进行研究。

Dec, 2023

该研究提出了一种使用深度学习框架的 CNN-RNN 模型，基于环境数据和管理实践来进行作物产量预测，能够有效地捕捉时间依存性，泛化性和预测精度，具有广泛的应用前景。

Nov, 2019

在全球化金融市场中，商业银行面临不断升级的信贷风险，从而对银行资产安全和金融稳定性提出更高要求。本研究利用先进的神经网络技术，特别是反向传播神经网络，开创了一种新的模型来预测商业银行的信贷风险。通过比较分析，阐明了神经网络模型在预测商业银行信贷风险方面的优越性。实验结果表明，该模型有效提高了信贷风险管理的远见性和准确性。

May, 2024

通过人工神经网络方法进行风力发电和风速预测的广泛综述，并考虑了不同印度站点的特征选择、级联人工神经网络模型和预测准确性评估，以解决风速预测中最相关输入参数的选择问题。

Jan, 2024

采用贝叶斯正则化人工神经网络的数据驱动模型精确预测铣削刀具磨损，并在实验研究中表明其在准确性和可靠性方面优于现有的现有模型。

Nov, 2023

使用人工神经网络（ANN）模型，研究开发了一种强大的机器学习工具，用于高精度预测锌生产中压力过滤工艺的蛋糕湿度。

Aug, 2023

利用深度神经网络预测作物产量，结果表明环境因素对作物产量的影响大于基因型而且该模型的精确度优于流行的其他预测方法。

Feb, 2019

为了解决孟加拉国农业领域中作物选择和疾病预测的问题，本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集，该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据，为用户推荐作物列表并预测可能的疾病，并通过决策树回归模型预测作物产量，帮助农民选择高产作物和预防作物疾病，提高孟加拉国的农业实践水平。

Mar, 2024