The main objective of this thesis i

The main objective of this thesis is to investigate and tackle urgent practical problems involving Vietnamese agriculture. In Vietnam, agriculture is one of the major industries and contributes signicantly to the national Gross Domestic Product (GDP). Thus it is necessary to drastically improve Vietnamese agriculture in many aspects, such as national policies, advanced agriculture technologies, applications of computer science and so on. Two problems that are investigated in this thesis are river runo prediction and boiler eciency optimization. Since neural networks have proven to be eective methods for modeling, characterizing and predicting several types of sophisticated data, they are chosen as key methods in this thesis. For the rst problem, we investigate some appropriate methods for predicting river runo. The Srepok River is chosen as a case study. The task of prediction is divided into two cases: long-term and short-term prediction. To deal with the task of long-term prediction, three methods are utilized, such as recurrent fuzzy neural networks (RFNN), a hybrid of RFNN and genetic algorithms, and a physical-based method called SWAT. The experimental results show that the hybrid of RFNN and genetic algorithm is the most eective method. To predict short-term river runo, we propose a hybrid of chaotic expressions, RFNN and clustering algorithms consisting of K-means and DBSCAN. Chaotic expressions are used to transform the river runo data into new data, called phase space, containing much temporal information. Whereas the combination of RFNN and clustering algorithms, which is based on the principle of mixture of experts, is trained and tested with the phase space. The experimental results are conducted with many combinations of RFNN, K-means, DBSCAN, Eulid distance, and Dynamic Time Warping (DTW). The experimental results indicate that the combination of RFNN, DBSCAN and DTW is superior to others. For the second problem, RFNN and clustering algorithms are used to simulate boiler eciency. The module of boiler simulation is an important component of a sophisticated soft sensor, namely BEO, which has been deployed at Phu My Fertilizer Plant since 2013. Then the boiler eciency is forecasted multi-step-ahead and real-time. This task is tackled by using three methods including RFNN, a hybrid of RFNN and stochastic exploration, and RFNN improved by a reinforcement learning algorithm. The experimental results show that BEO is eective and can bring increased benets to the plant.

Kết quả (Việt) 1:

Mục tiêu chính của luận án này là để điều tra và giải quyết các vấn đề thực tế khẩn cấp liên quan đến nông nghiệp Việt Nam. Ở Việt Nam, nông nghiệp là một trong những ngành công nghiệp lớn và góp phần vào signi cantly để các quốc gia tổng nội địa sản phẩm (GDP). Vì vậy, nó là cần thiết để cải thiện đáng kể các nông nghiệp Việt Nam trong nhiều khía cạnh, chẳng hạn như chính sách quốc gia, nâng cao công nghệ nông nghiệp, ứng dụng khoa học máy tính và vv.. Hai vấn đề được nghiên cứu trong luận án này là sông runo dự đoán và nồi hơi e ciency tối ưu hóa. Kể từ khi mạng nơ-ron đã chứng minh là e ective phương pháp để mô hình hóa, characterizing và dự đoán một số loại dữ liệu phức tạp, họ được chọn là phương pháp chính trong luận án này. Đối với vấn đề rst, chúng tôi điều tra một số phương pháp thích hợp cho dự đoán sông runo. Sông Srepok được chọn làm một nghiên cứu trường hợp. Nhiệm vụ dự đoán được chia làm hai trường hợp: dự báo dài hạn và ngắn hạn. Để đối phó với các nhiệm vụ lâu dài dự báo, ba phương pháp được sử dụng, chẳng hạn như tái phát mờ mạng nơ-ron (RFNN), một lai của RFNN và các thuật toán di truyền, và một phương pháp dựa trên vật lý gọi SWAT. Các kết quả thử nghiệm cho thấy rằng hybrid của RFNN và thuật toán di truyền là phương thức hầu hết ective e. Để dự đoán ngắn hạn sông runo, chúng tôi đề xuất một lai của biểu thức hỗn loạn, RFNN và bao gồm K-phương tiện và DBSCAN các thuật toán clustering. Hỗn loạn biểu thức được sử dụng để biến đổi dữ liệu runo sông vào dữ liệu mới, được gọi là giai đoạn không gian, có chứa nhiều thông tin thời gian. Trong khi sự kết hợp của RFNN và clustering thuật toán, mà là dựa trên các nguyên tắc của hỗn hợp của các chuyên gia, huấn luyện và thử nghiệm với các không gian giai đoạn. Các kết quả thử nghiệm được tiến hành với nhiều các kết hợp của RFNN, K-có nghĩa là, DBSCAN, khoảng cách Eulid, và cong vênh thời gian năng động (DTW). Kết quả thử nghiệm cho thấy rằng sự kết hợp của RFNN, DBSCAN và DTW là vượt trội so với những người khác. Đối với vấn đề thứ hai, RFNN và cụm các thuật toán được sử dụng để mô phỏng các nồi hơi e ciency. Các mô-đun của nồi hơi mô phỏng là một thành phần quan trọng của một bộ cảm biến mềm phức tạp, cụ thể là BEO, mà đã được triển khai tại Phú nhà máy phân bón của tôi kể từ năm 2013. Sau đó các lò hơi e ciency dự đoán đa-bước-trước và thời gian thực. Nhiệm vụ này được giải quyết bằng cách sử dụng ba phương pháp bao gồm cả RFNN, một kết hợp của RFNN và thăm dò ngẫu nhiên, và RFNN được cải thiện bởi một tăng cường việc học thuật toán. Các kết quả thử nghiệm cho thấy BEO là e ective và có thể mang lại tăng bene ts với cây trồng.

Kết quả (Việt) 2:

Mục tiêu chính của luận án này là để điều tra và giải quyết các vấn đề thực tiễn cấp bách liên quan đến nông nghiệp Việt Nam. Ở Việt Nam, nông nghiệp là một trong những ngành công nghiệp lớn và góp phần trọng yếu? Đáng để các sản phẩm quốc nội Gross quốc gia (GDP). Vì vậy, nó là cần thiết để cải thiện mạnh mẽ nông nghiệp Việt Nam trong nhiều lĩnh vực, chẳng hạn như chính sách quốc gia, các công nghệ nông nghiệp tiên tiến, ứng dụng khoa học máy tính và như vậy. Hai vấn đề được nghiên cứu trong luận văn này là sông Runo? dự báo và nồi hơi e? tối ưu hóa tính hiệu. Do các mạng thần kinh đã chứng minh được e? Phương pháp ective cho mô hình, đặc trưng và dự đoán một số loại dữ liệu phức tạp, họ được chọn là phương pháp chính trong luận án này. Đối với? Vấn đề đầu tiên, chúng tôi điều tra một số phương pháp thích hợp để dự đoán Runo sông ?. Sông Srêpôk được chọn là một nghiên cứu trường hợp. Nhiệm vụ của dự đoán được chia thành hai trường hợp: dài hạn và dự báo ngắn hạn. Để đối phó với nhiệm vụ dự báo dài hạn, ba phương pháp được sử dụng, chẳng hạn như các mạng tái phát mờ thần kinh (RFNN), một lai của RFNN và thuật toán di truyền, và một phương pháp vật lý dựa trên gọi là SWAT. Các kết quả thực nghiệm cho thấy rằng lai của RFNN và thuật toán di truyền là hầu hết các e? Phương pháp ective. Để dự đoán Runo sông ngắn hạn ?, chúng tôi đề xuất một lai của biểu thức hỗn loạn, RFNN và các thuật toán phân nhóm bao gồm K-means và DBSCAN. biểu thức hỗn độn được sử dụng để chuyển đổi các Runo sông? dữ liệu vào dữ liệu mới, được gọi là không gian pha, có chứa nhiều thông tin thời gian. Trong khi đó, sự kết hợp của RFNN và clustering thuật toán, mà là dựa trên nguyên tắc của hỗn hợp của các chuyên gia, được đào tạo và thử nghiệm với các không gian pha. Các kết quả thử nghiệm được tiến hành với nhiều kết hợp của RFNN, K-means, DBSCAN, khoảng cách Eulid, và Dynamic Time Warping (DTW). Kết quả thực nghiệm cho thấy rằng sự kết hợp của RFNN, DBSCAN và DTW là vượt trội so với những người khác. Đối với vấn đề thứ hai, RFNN và các thuật toán phân nhóm được sử dụng để mô phỏng nồi hơi e tính hiệu?. Các mô-đun mô phỏng lò hơi là một thành phần quan trọng của một bộ cảm biến mềm tinh vi, cụ thể là BEO, mà đã được triển khai tại nhà máy Đạm Phú Mỹ từ năm 2013. Sau đó, lò hơi e? Tính hiệu được dự báo nhiều bước trước và thời gian thực. Nhiệm vụ này được giải quyết bằng cách sử dụng ba phương pháp bao gồm RFNN, một lai của RFNN và thăm dò ngẫu nhiên, và RFNN cải thiện bằng một thuật toán tăng cường học tập. Các kết quả thực nghiệm cho thấy rằng BEO là e? Ective và có thể mang lại lợi ích tăng? Ts cho cây.