本文一共涵盖3篇精选的论文范文,关于《农业专家系统问题探讨论文(精选3篇)》相关资料，欢迎阅读！摘
农业专家系统问题探讨论文 篇1：
基于知识图谱的专家系统发展综述
〔摘 要〕专家系统是人工智能中最重要的也是最活跃的一个应用领域，它实现了人工智能从理论研究走向实际应用，从一般推理策略探讨转向运用专门知识的重大突破。本文按照时间顺序，将专家系统划分为20世纪80年代以前、20世纪80年代、20世纪90年代、2000年后4个阶段。文章利用文献计量学的方法，分析了专家系统发展的历程、发展方向和趋势，指出当前正是专家系统的发展期，多种专家系统投入商业化运行，需要解决知识获取瓶颈、匹配冲突等问题，为了解和掌握专家系统的学科结构、演化过程、发展方向等提供了独特的视角和知识。
〔关键词〕知识图谱；专家系统；发展轨迹
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００８－０８２１．２０１２．０２．０４０
〔
Knowledge-based Expert System Development Overview MapLiao Yi
（Political Department，National University of Defense Technology，Changsha 410073，China）
〔Ａｂｓｔｒａｃｔ〕Artificial intelligence expert system is the most important and most active areas of an application,which implements the artificial intelligence research from theory to practice,turning from the general reasoning strategies of a major breakthrough in the use of expertise.This chronological order,the expert system into the 1980s before the 1980s,1990s,2000,after four stages.Articles using bibliometric methods,analysis of the expert system development process,development and trends,pointing out that the current phase is the development of expert systems,expert systems into a variety of commercial operation,need to address the knowledge acquisition bottleneck,matching conflicts and other issues for expert systems to understand and master the subject structure,evolution,development and so provide an unique perspective and knowledge.
〔Ｋｅｙ ｗｏｒｄｓ〕knowledge maps;expert systems;the development trajectory
专家系统作为人工智能的一个重要分支，发展已经超过50年，在很多应用领域都获得了广泛使用，取得了丰硕成果。本文运用文献计量这一独特视角对专家系统进行了再回顾和再分析，将智能科技划分为初创期、成长期、低谷期、发展期，利用词频分析、共引分析、作者共现分析等方法揭示专家系统的学科结构、影响程度、关键节点与时间点等重要而独特的知识，为了解和掌握专家系统的发展与演化过程提供了独特视角。
１ 数据来源
SCI（Science Citation Index）是美国科学情报研究所ISI（Institute for Science Information）出版的期刊文献检索工具，所收录的文献覆盖了全世界最重要和最有影响力的研究成果，成为世界公认的自然科学领域最为重要的评价工具。本文以Web of Science中的SCI数据库为数据来源，选用高级检索方式，以“Expert System/Experts System”作为主题词，于2011年5月在Web of Secience中进行检索，一共检索到14 500篇相关文献记录。获得的论文发表年度分布如图１。所示。虽然，专家系统研究从20世纪五六十年代就开始了，但是从图１可以看出直到1982年才有主题词与专家系统相关的论文出现。图１表明1991年左右，专家系统相关论文达到了峰值，但随后呈逐年下降的趋势。到1999年，只有494篇论文发表。但21世纪开始，专家系统相关论文又出现了增加的趋势，并维持在一个稳定的水平中。图１ 专家系统在SCI数据库文献发表年度变化情况
２０１２年２月第３２卷第２期基于知识图谱的专家系统发展综述Ｆｅｂ.，２０１２Ｖｏｌ.３２ Ｎｏ.２２ 专家系统前40年的发展
本文利用基于JAVA平台的引文分析可视化软件Citespace，首先设定时间跨度为1950-1991年，时间切片长度为1年，聚类方式为共被引聚类（Cited Reference），阈值选择为（2，2，20）、（3，3，20）、（3，3，20）。Citespace得出这些引文的时间跨度为1950－1990年，可以绘制出该时间段的专家系统论文时区分布图，如图２所示。我们以年代先后为序，将20世纪80年代以前作为第一阶段，80年代至90年代作为第二阶段。图２ 1950-1991年各年度专家系统论文之间的时区分布图
２.１ 专家系统起源时期
根据图２显示，这段时期有7个突出节点，既有7位代表人物。第一个节点代表的是“人工智能之父”——英国著名科学家阿兰·麦席森·图灵（Alan Mathison Turing），他于1950年在《心灵》杂志上发表论文《计算机器与智能》，提出了著名的“图灵测试”，探讨了机器智能的可能性，为后来的人工智能科学提供了开创性的构思［１］。
第二个节点代表的是美国工程院院士、加州大学扎德（LA.Zadeh）教授，他于1965年在《信息与控制》杂志第8期上发表题为《模糊集》的论文，提出模糊集合理论，给出了模糊性现象定量描述和分析运算的方法，从而诞生了模糊数学。1978年，扎德教授提出了“可能性理论”，将不确定性理解为可能性，为模糊集理论建立了一个实际应用上的理论框架，这也被认为是模糊数学发展的第二个里程碑。同年，国际性期刊《International Journal of Fuzzy Sets and System》诞生，这使得模糊理论得到普遍承认，理论研究高速发展，实际应用迅速推广。
第三个节点代表的美国两院院士、卡内基-梅隆大学教授艾伦·纽厄尔（Allen Newell），1972年，他出版了《人怎样解题》（Human Problem Solving)一书，书中描述了他和西蒙试图建立一个计算机化的“通用问题求解器”的历程：20世纪50年代，他们发现，人类的问题解决，在一定知识领域内可以通过计算机实现，所以他们开始用计算机编程来解决问题，1956年，他们研发出了逻辑理论家和通用问题求解器（General Problem Solver），并建立了符号主义人工智能学派。我们可以看出，这本书是对他以前所作工作的总结与归纳，而逻辑理论家和通用问题求解器正是专家系统的雏形，为专家系统的出现奠定了坚实的基础。
但是艾伦·纽厄尔的尝试无法解决大的实际问题，也很难把实际问题改造成适合于计算机解决的形式，并且对于解题所需的巨大搜索空间也难于处理。为此，美国国家工程院院士、斯坦福大学教授费根鲍姆（E.A.Feigenbaum）等人在总结通用问题求解系统成功与失败的经验基础上，结合化学领域的专门知识，于1965年研制了世界上第一个专家系统dendral，可以推断化学分子结构。专家系统进入了初创期，其代表有dendral、macsyma（数学专家系统）等，第一代专家系统以高度专业化、求解专门问题的能力强为特点，向人们展示了人工智能应用的广阔前景［２］。
第四个节点代表人物是美国麻省理工学院著名的人工智能学者明斯基（Minsky）。1975年，他在论文《表示知识的框架》(A Framework for Representating Knowledge，McGraw-Hill)中提出了框架理论，框架理论的核心是以框架这种形式来表示知识。理论提出后，在人工智能界引起了极大的反响，并成为了基于框架的专家系统的理论基础，基于框架的专家系统适合于具有固定格式的事物、动作或事件。
第五个节点代表人物是美国普林斯顿大学教授格伦谢弗（Glenn Shafer），他在1976年出版了《数学理论的证据》（A mathematical theory of evidence）一书，介绍了由他和Dempster于1967年提出的D-S理论（即证据理论）。证据理论可处理由不知道因素引起的不确定性，后来，该理论被广泛应用于计算机科学和工程应用，是基于D-S证据理论的专家系统的理论基础。
第六个重要节点代表是美国斯坦福大学爱德华·汉斯·肖特利夫（Shortliff EH）教授，他于1975年在著名杂志《数学生物科学》上发表《A model of inexact reasoning in medicine》（《在医学模型的不精确推理》）一文，他结合自己1972－1974年研制的世界第一个医学专家系统——MYCIN系统（用于诊断和治疗血液感染及脑炎感染，是第二代专家系统的经典之作），提出了确定性理论，该理论对专家系统的发展产生了重大影响。
第七个节点代表人物是美国麻省理工学院计算机科学和人工智能实验室的戴维斯（Randall Davis）教授，他于1976年提出元知识的概念，并在专家系统的研制工具开发方面做出了突出贡献——研制出知识获取工具Teiresias，为专家系统获取知识实现过程中知识库的修改和添加提供了工具［３］，关Teiresias，他于1977年在《Artificial Intelligence》杂志上中进行了详细介绍，而这也为本时期专家系统的快速增多和广泛应用奠定了坚实基础。
20世纪70年代后期，随着专家系统应用领域的不断开拓，专家系统研发技术逐渐走向成熟。但同时，专家系统本身存在的应用领域狭窄、缺乏常识性知识、知识获取困难、推理方法单一等问题也被逐渐暴露出来。人们从各种不同类型的专家系统和知识处理系统中抽取共性，人工智能又从具体研究逐渐回到一般研究。围绕知识这一核心问题，人们重新对人工智能的原理和方法进行探索，并在知识的获取、表示以及知识在推理过程中的利用等方面开始出现一组新的原理、工具和技术。
２.２ 专家系统发展的黄金时期
20世纪80年代是专家系统突飞猛进、迅速发展的黄金时代，根据图２显示，这段时期共有论文982篇，有7个突出节点。
1980年，出现了第一个节点代表——美国斯坦福大学计算机科学系系主任尼尔森（NILS J.NILSSON），他出版的《人工智能原理》（《Principles of artificial intelligence》）一书，表明了拉近理论和实践的距离的目标，书中对基于规则的专家系统、机器问题解决系统以及结构对象的代表等都进行了具体的论述。
1981年，出现了第二个节点代表——英国赫特福德大学教授Clocksin，威廉F，他出版的《PROLOG语言编程》一书，引起了计算机科学界的极大兴趣，并已被证明是一个重要的编程语言和人工智能系统的新一代基础，是专家系统的重要编程语言。
1982年，出现了第三个节点代表——美国匹兹堡大学教授米勒（Miller RA），他在《英格兰医药分册》上发表了《基于计算机的医学内科实验诊断顾问》（An Experimental Computer based Diagnostic Consultant for General Internal Medicine.N Engl J Med,307,468-76,1982）一文，属当时诊断专家系统的代表力作，书中介绍了著名的内科疾病诊断咨询系统INTERNIST-1，之后将其不断完善成改进型INTERNIST-2，即后来的CADUCEUS专家系统，其知识库中包含了572种疾病，约4 500种症状。
1983年，出现了第四个节点代表——美国的海斯罗斯（Hayes-Roth，F）教授，他于1983年发表著作《建立专家系统》，对专家系统建立的原则和要素、开发的生命周期等重要问题进行了详细讲解，为研究与开发各种类型的专家系统提供了理论依据。
1984年，出现了第五个节点代表——美国匹兹堡大学计算机科学、哲学和医学教授布鲁斯·布坎南（Bruce G.Buchanan），他于1984年发表著作《规则的专家系统：斯坦福启发式编程项目Mycin实验》（《Rule Based Expert Systems:The Mycin Experiments of the Stanford Heuristic Programming Project》，这是有史以来关于医疗诊断系统MYCIN的实验规则库公布。基于规则的专家系统MYCIN是专家系统开发过程中一个里程碑，研究其开发思路与方法具有非常重要的意义。
1985年，出现了第六个节点代表——美国人工智能专家、加州大学教授哈蒙（Harmon P），他出版了《专家系统：人工智能业务》（《Expert systems：artificial intelligence in business》）一书。书中阐述了专家系统如何解决问题，代表知识，并得出推论，并介绍了人工智能的具体制度，确定了专家系统的市场。
1986年，出现了第七个节点代表——著名的专家系统学者沃特曼（Waterman DA），他出版了《专家系统指南》一书，该书对专家系统的概念、组成、建立过程、建立工具、应用领域等做了深入浅出的系统介绍与论述，是当时全面介绍专家研发与应用的经典书籍。
20世纪80年代初，医疗专家系统占主流，主要原因是它属于诊断类型系统且容易开发。80年代中期，出现大量投入商业化运行的专家系统，为各行业带来了显著的经济效益。从80年代后期开始，大量新技术成功运用到专家系统之中，使得专家系统得到更广泛的运用。在这期间开发的专家系统按处理问题的类型可以分为：解释型、预测型、诊断型、设计型等。应用领域扩展到农业、商业、化学、通信、医学等多个方面，成为人们常用的解决问题的手段之一。
然而，与此同时，现有的专家系统也暴露出了自身严重的缺陷，使不少计算机界的知名学者对专家系统产生了怀疑，认为专家系统存在的问题有以下几点：（1）专家系统中的知识多限于经验知识，极少有原理性的知识，系统没有应用它们的能力；（2）知识获取功能非常弱。为了建造专家系统，必须依赖于专家获取知识， 不仅费时， 而且很难获取完备性和一致性的知识；（3）求解问题的方法比较单一，以推理机为核心的对问题的求解尚不能反映专家从认识问题到解决问题的创造性过程；（4）解释功能不强［４］。等到学者们回过头重新审视时，20世纪90年代的专家系统理论危机已然爆发。
３ 90年代专家系统向多个方向发展
由于20世纪80年代专家系统研究迅猛发展，商业价值被各行各业看好，导致90年代大批专家系统从实验室走出来，开始了它们的工程化市场化进程。从图１看以看出，在20世纪90年代，专家系统的相关论文不增反减，进入一个局部低谷期，这期间以“Expert System/Experts System”为主题词的论文共7 547篇。本文利用Citespace软件，设置参数为（4，4，20）（4，3，20）（4，4，20），获取了该时期论文的引文聚类图（如图３所示）。图２ 专家系统1990－2000年的论文引文聚类图
从图３中我们可以看出，全图的节点比较分散，没有形成大的聚类，这表示该阶段没有形成重点研究方向，也没有重大科研成果和标志性著作产生，专家系统的市场化进程严重牵引了研究者们的注意力，这是专家系统研究陷入低谷期的重要原因。
这段时间专家系统的研究工作大致分以下几个方面：第一个研究方向依旧是建立在扎德（LA.Zadeh）教授模糊理论上的模糊专家系统，它同样是该年代专家系统研究的重点方向。
第二个研究方向是骨架专家系统，代表人物有美国斯坦福大学的爱德华·汉斯·肖特利夫（Shortliff EH）教授。1974年末，MYCIN系统基本建成后，MYCIN的设计者们就想到用其它领域的知识替换关于感染病学的知识，可能会得到一个新的专家系统，这种想法导致了EMYCIN骨架系统的产生。EMYCIN的出现大大缩短了专家系统的研制周期，随后，AGE、OPS5、KEE、KBMS、GESDE等骨架系统应运而生，它们在20世纪90年代专家系统的研究进程中，发挥着重要作用。
第三个研究方向是故障诊断专家系统，代表人物有美国麻省理工学院的兰德尔·戴维斯（Randall Davis）教授。他于1984年在《人工智能》杂志上发表了《基于结构和行为的诊断推理 》（《Diagnostic Reasoning Based on Structure and Behavior》）一文，该论文描述了一个利用知识结构和行为，在电子电路领域进行故障诊断排除的专家系统。之后，故障诊断专家系统在电路与数字电子设备、机电设备等各个领域已取得了令人瞩目的成就，已成为当今世界研究的热点之一。
第四个研究方向是基于规则的专家系统，布鲁斯·布坎南（Bruce G.Buchanan）的著作对基于规则的专家系统在这个时期的发展仍有着积极的指导作用。多种基于规则的专家系统进入了试验阶段。传统基于规则的专家系统只是简单的声明性知识，而目前，规则的形式开始向产生式规则转变，并趋向于提供较完善的知识库建立和管理功能。
第五个研究方向是知识工程在专家系统中的运用。代表人物是美国斯坦福大学的克兰西教授（Clancy W J），他于1985年在《人工智能》杂志上发表了重要论文《启发式分类》（《Heuristis classification》），启发式分类即对未知领域情况的类的识别过程。它是人类思维解决问题的重要方法，在人工智能、专家系统中可常用启发式设计计算机程序，模拟人类解决问题的思维活动。
第六个研究方向是机器学习在专家系统中的运用。代表人物是机器学习领域前辈、澳洲悉尼大学著名教授John Ross Quinlan。他于1986年在《机器学习》（《Mach.Learn》）杂志上发表《决策树算法》（《Induction of Decision Trees》）一文，文中他详细描述了决策树算法的代表——ID3算法。之后，有大量学者围绕该算法进行了广泛的研究，并提出多种改进算法，由于决策树的各类算法各有优缺点，在专家系统的实际应用中，必须根据数据类型的特点及数据集的大小，选择合适的算法。
第七个研究方向是神经网络专家系统，代表人物有人工智能专家Stephan I.Gallant和美国加利福尼业大学教授巴特·卡斯科（Bart Kosko）。Gallant于1988年在《ACM的通信》上发表了《连接主义专家系统》（《Connectionist expert systems》）一文，文中讲述Gallant 设计了一个连接主义专家系统（Connectionist expert system），其知识库是由一个神经网络实现的（即神经网络知识获取），开创了神经网络与专家系统相结合的先例。
第八个研究方向是遗传算法在专家系统中的运用。代表人物是遗传算法领域著名学者、美国伊利诺伊大学David Goldberg教授和人工智能专家L.Davis。1989年，Goldberg出版了专著《搜索、优化和机器学习中的遗传算法》，该书系统总结了遗传算法的主要研究成果，全面而完整地论述了遗传算法的基本原理及其应用；1991年，Davis编辑出版了《遗传算法手册》，书中包含了遗传算法在科学计算、工程技术和社会经济中的大量应用实例，该书为推广和普及遗传算法的应用起到了重要的指导作用。这些都推动了基于遗传算法的专家系统的研发推广。
第九个研究方向是决策支持系统在专家系统中的运用，代表人物是美国加利福尼亚大学伯克利分校教授埃弗雷姆·特班（Efraim Turban）。他于1990年出版了《决策支持和专家系统的管理支持系统》（《Decision support and expert systems:management support systems》）一书。20世纪80年代末90年代初，决策支持系统开始与专家系统相结合，形成智能决策支持系统，该系统充分做到了定性分析和定量分析的有机结合，将解决问题的范围和能力提高到一个新的层次。
第十个研究方向是各种理论知识在专家系统中的综合运用，代表人物是美国加利福尼业大学教授巴特·卡斯科（Bart Kosko）和美国伊利诺伊州研究所教授Abdul-Rahman K.H。卡斯科（Kosko）于1992年出版《神经网络和模糊系统：一个拥有机器智能的动力系统方法》（《Neural networks and fuzzy systems:a dynamical systems approach to machine intelligence》）一书，这是第一本将神经网络和模糊系统结合起来的读本，也是神经网络与模糊理论综合应用于专家系统建设的经典著作；Abdul-Rahman K.H教授于1995年，在美国电气和电子工程师协会的《电力系统及自动化》（《Transactions on Power Systems》）会议刊上发表了《人工智能模糊无功负荷的最优VAR控制方法 》（《AI approach to optimal VAR control with fuzzy reactive loads》）一文，论文提出了一个解决无功功率（VAR）控制问题，这个方法包含了专家系统、模糊集理论和人工神经网络的重要知识。
虽然专家系统大量建造，但投入实际运行的专家系统并不多，且效率较低，问题求解能力有待进一步提高。原因之一就是专家系统主要是模拟某一领域中求解特定问题的专家的能力，而在模拟人类专家协作求解方面很少或几乎没有做什么工作。然而在现实世界中，协作求解具有普遍性，针对特定领域、特定问题的求解仅仅具有特殊性，专家系统虽然在模拟人类专家某一特定领域知识方面取得了成功，但它仍然不能或难以解决现实世界中的问题。其次，开发的专家系统的规模越来越大，并且十分复杂。这样就要求将大型专家系统的开发变成若干小的、相对独立的专家系统来开发，而且需要将许多不同领域的专家系统联合起来进行协作求解。然而，与此相关的分布式人工智能理论和实用技术尚处在科研阶段。只有分布式系统协作求解问题得以解决，才能克服由于单个专家系统知识的有限性和问题求解方法的单一性等导致系统的“脆弱性”，也才能提高系统的可靠性，并且在灵活性、并行性、速度等方面带来明显的效益［５］。
４ 21世纪专家系统进入稳定发展时期
进入21世纪，专家系统开始缓慢发展，这期间以“Expert System/Experts System”为主题词的论文共5 964篇。本文利用Citespace软件，设置参数为（6，6，20）（5，5，20）（5，5，20），获取了该时期论文的引文聚类图（如图４所示）。图４ 专家系统2000－2010年的论文引文聚类图
这个时期专家系统有3个主要研究方向：第一个是研究方向是节点明显的基于模糊逻辑的专家系统研究方向。90年代以来，模糊控制与专家系统技术相结合，进一步提高了模糊控制器的智能水平。基于模糊逻辑的专家系统有以下优点：一是具有专家水平的专门知识，能表现专家技能和高度的技巧以及有足够的鲁棒性（即健壮性）；二是能进行有效的推理，能够运用人类专家的经验和知识进行启发性的搜索和试探性的推理；三是具有灵活性和透明性。
第二个是研究方向是Rete模式匹配算法在专家系统中的应用，代表人物是美国卡内基—梅隆大学计算机科学系的Charles L.Forgy教授，1979年，他首次提出Rete算法。专家系统工具中一个核心部分是推理机，Rete算法能利用推理机的“时间冗余”特性和规则结构的相似性，并通过保存中间运算结果的方法来提高推理的效率。1982年，他在《人工智能》杂志上发表《Rete算法：许多模式／多对象的模式匹配问题的一个快速算法》（《Rete:A Fast Algorithm for the Many Pattern/Many Object Pattern Match Problem》）一文，该文解释了基本算法的概念，介绍了详细的算法，描述了模式和适当的对象交涉算法，并说明了模式匹配的执行操作。
第三个是研究方向是专家系统在电力系统中的运用。世界各国的专家们开始热衷于在电力生产的各个环节使用专家系统，代表人物有日本的福井贤、T.Sakaguchi、印度的Srinivasan D、美国伊利诺伊州研究所的Abdul-Rahman K.H、希腊雅典国立技术大学的Protopapas C.A、和中国的罗旭，他们在美国电气和电子工程师协会的《电力传输》（《IEEE transactions on power delivery）会议刊及《电源设备系统》会议刊（《On Power Apparatus and Systems》）上发表了多篇有影响力的论文，内容涉及系统恢复、电力需求预测、变电站故障诊断和报警处理等多方面。
这十年间，专家系统的研究不再满足于用现有各种模型与专家系统进行简单结合，形成基于某种模型的专家系统的固有模式。研究者们不断探索更方便、更有效的方法，来解决困扰专家系统的知识获取瓶颈、匹配冲突、组合爆炸等问题，而这也推动了研究不断向深层次、新方向发展。但是，由于专家系统应用的时间长、领域广，他们遭遇的瓶颈问题一时得不到有效解决，导致了这一时期末，专家系统研究呈现出暂时的下滑现象。
５ 专家系统发展趋势分析
图一发展曲线上第二个时间节点是1992年，从该年起专家系统相关论文呈下降趋势，然后在2002年又开始缓慢增长，近一年多来又开始下降，这标志着专家系统研究在布满荆棘的道路上前行，前景是光明的，但道路是曲折的。本文以5年为一个单位，统计了1990－2009年20年期间专家系统相关论文中高频词的变化情况，如表１所示，从该表可以获得这个时期专家系统研究的一些特点。
（１）在1990-1999年期间，人工智能出现新的研究高潮，由于网络技术特别是国际互连网技术发展，人工智能开始由单个智能主体研究转向基于网络环境下的分布式人工智能研究，使人工智能更加实用，这给专家系统带来了发展的希望。正因为如此，我们从词频上可以看出，人工智能（artificial intelligence）一词在这十年一直位居前两位，在专家系统研究中处于主导地位，而与其相关的知识表示（knowledge representation）、知识获取(knowledge acquisition)等，也成为了学者们研究的重点方向。
（２）该时期的第二个特点是神经网络研究的复苏。神经网络是通过模拟人脑的结构和工作模式，使机器具有类似人类的智能，如机器学习、知识获取、专家系统等。我们从词频上可以看出神经网络（neural network）一词得以快速增长，1995年时位列第一，进入21世纪也是稳居第二位，神经网络很好地解决了专家系统中知识获取的瓶颈问题，能使专家系统具有自学习能力，它的出现为专家系统提供了一种新的解决途径［６］，同时也显示出他独有的生机与活力。
（３）该时期是模糊逻辑的发展时期。模糊理论发展至今已接近三十余年，应用范围非常广泛，它与专家系统相结合，在故障诊断、自然语言处理、自动翻译、地震预测、工业设计等方面取得了众多成果。我们从词频上可以看出，模糊逻辑（fuzzy logic）一词，除在1990－1994年期间位居第六位外，之后都位居前三甲，2000-2004年期间更是位列第一。模糊控制与专家系统技术相结合，进一步提高了模糊控制器智能水平，这种控制方法既保持了基于规则的方法的价值和用模糊集处理带来的灵活性，同时把专家系统技术的表达与利用知识的长处结合起来，能处理更广泛的控制问题。
（４）故障诊断成为专家系统研究与应用的又一重要领域。故障诊断专家系统的发展起始于20世纪70年代末,虽然时间不长,但在电路与数字电子设备、机电设备等各个领域已取得了令人瞩目的成就,已成为当今世界研究的热点之一。这从高频词分布可以开出，故障诊断（fault diagnosis）从1995-1999年间的最后一位攀升至2005-2009年间的第一位，足见其强大的生命力。在专家系统己有较深厚基础的国家中，机械、电子设备的故障诊断专家系统已基本完成了研究和试验的阶段，开始进入广泛应用。
（５）遗传算法的应用逐渐增多。20世纪90年代，遗传算法迎来了发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高。进入21世纪，遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。这在高频词分布中可以看出，以2000作为临界点，遗传算法（genetic algorithms）从20世纪90年代的10名之后，到位于高频词前六强之中，充分反映出它发展的良好势头。
６ 小 结
专家系统是20世纪下半叶发展起来的重大技术之一，它不仅是高技术的标志，而且有着重大的经济效益。“知识工程之父”E.Feignbaum在对世界许多国家和地区的专家系统应用情况进行调查后指出：几乎所有的ES都至少将人的工作效率提高10倍，有的能提高100倍，甚至300倍［７］。
专家系统技术能够使专家的专长不受时间和空间的限制，以便推广稀缺的专家知识和经验；同时，专家系统能促进各领域的发展，是各领域专家专业知识和经验的总结和提炼。
专家系统发展的近期目标，是建造能用于代替人类高级脑力劳动的专家系统；远期目标是探究人类智能和机器智能的基本原理，研究用自动机模拟人类的思维过程和智能行为，这几乎涉及自然科学和社会科学的所有学科，远远超出了计算机科学的范畴。
随着人工智能应用方法的日渐成熟，专家系统的应用领域也不断扩大。有人类活动的地方，必将有智能技术包括专家系统的应用，专家系统将成为21世纪人类进行智能管理与决策的工具与助手。
参考文献
［１］百度百科［ＥＢ］.http:∥baike.baidu.com/view/2130.htm．
［２］黄可鸣.专家系统二十年［Ｊ］.计算机科学，1986，（4）：26-37.
［３］路耀华.思维模拟与知识工程［Ｍ］.北京：清华大学出版社，1997．
［４］赵致琢.专家系统研究［Ｊ］.贵州大学学报：自然科学版，1990，（6）：40-48.
［５］邹光宇.专家系统发展现状及其应用前景［Ｊ］.电力勘测，1994，（3）：21-26.
［６］杨兴，朱大奇，桑庆兵.专家系统研究现状与展望［Ｊ］.计算机应用研究，2007，（5）：4-9.
［７］毕学工，杭迎秋，李昕，等.专家系统综述［Ｊ］.软件导刊，2008，（12）：7-9.
作者：廖佚
农业专家系统问题探讨论文 篇2：
农业物联网数据处理若干关键技术
摘 要 科学是第一生产力，随着科学技术向农业生产中逐渐渗透，使得农业生产逐渐趋向于智能化的发展趋向，尤其是物联网技术的应用，实现了农业生产的集中化管理和远程智能控制，但物联网技术的接入会产生大量的数据，而这些数据该如何处理，如何发挥其数据价值，是农业物联网关键技术必须面对的问题，因此，就物联网在农业生产中的数据进行了剖析，对数据处理的若干关键技术进行探讨，为物联网在农业生产中的更深入、更广泛的应用奠定基础。
关键词 农业生产；物联网；数据处理；专家系统
物联网技术的接入会产生大量的数据，而这些数据该如何处理，如何发挥其数据价值，是农业物联网关键技术必须面对的问。目前，在农业数据处理方面已经研发出了不同类型的农业数据处理服务系统，这些数据处理系统，既有对农业生产的单方面开发的，也有针对农业生产中单源产品的开发[1]。因此，就农业生产中的数据处理需求和数据类型进行了简单的介绍，分析农业生产数据的特点，进而对数据信息处理服务系统进行了剖析，探讨了物联网在农业生产中的数据处理关键技术。
1 数据处理
数据是针对指令的一种表达形式，对数据的处理主要包括数据采集、传递、保存和转换等，这些过程既可以依靠智能化技术来实现，也可以由传统手工操作实现。就表现形式来看，任何形式的文字、影像和音频都可以作为数据的表现，而数据的信息只有在数据本身具有了一定的含义后才具有的[2]。
1.1 农业生产中数据处理的目标
任何形式的数据处理，其根本目的都是在庞大的数据量中通过一系列的手段进行分类、整理、提取和转换，最终形成对使用者有一定的价值的信息数据。就农业生产中的数据处理而言，主要是通过RFID、传感器和执行器进行数据采集，然后通过一系列的处理方法，提取数据内容中的有用价值，这些有用的数据信息将会对农业生产起到一定的积极作用，这样就是农业物联网的数据处理的最终目的。
1.2 农业生产中数据处理系统的应用现状
物联网接入到农业领域中，目的是通过数据的处理，通过挖掘数据中的价值与信息，以此来更好的服务于农业生产，而农业生产比较复杂。因此，针对农业生产的数据应用也是分门别类，不同的系统有着不同的作用，总的来说，分为以下农业专家系统和可追溯系统[3]。
1.2.1 可追溯系统
Traceability System指的是溯源系统，也就是可追溯系统，主要的作用是在农业的产品生产中对所涉及到的数据信息进行采集、记录和保存，当产品发生了质量问题时，可追溯系统就可以立即准确的定位到问题所在，发现是哪一个生产环节出了问题，通过查询问题来制定措施，这一系列的处理过程是保证产品质量的重要途径。可追溯系统贯穿于所有的农产品（包括了饲料和食品以及其他生产资料）的生产全过程，从原材料提取，到生产过程，到产品进入市场，可以说是一个保障质量和安全的信息系统[4]。
溯源系统最早诞生于20世纪末，一些欧洲国家，尤其是英国正在遭受疯牛病的影响，暴露出了丹麦暴肉沙门氏菌污染和苏格兰大肠杆菌2件重大的食品卫生事故，其中苏格兰大腸杆菌食品安全问题共造成了21人丧生，这一度使得消费者对于政府的食品安全监管失去信心，而这也是溯源系统产生的最根本原因，由于对食品安全问题的担忧，欧盟首先在欧洲国家地区建立了溯源系统，为消费者提供所有食品的生产信息，为保障食品安全提供了服务支持。
目前已经有20多个国家建立了农产品溯源体系，该体系使农产品的生产和供应每个环节都被标识，并以信息数据的形式保存和管理，实现了农产品的追溯。而我国在食品安全监管方面仍然和发达国家有着较大的差距，频繁的食品安全问题的暴露，使我国消费者对食品安全缺乏信息，不管是食品追溯体系的建立还是数据信息系统的建设方面，都处在初步阶段。从2005年开始，沿海地区逐渐开始进行可追溯制度调研和建设，对地区实行可追溯体系的可行性进行了分析，在档案管理、产地编码、规范包装标识等方面展开了许多工作，已经初步建立了关于茶叶产品质量安全、熟肉制品质量安全、果蔬类多源农产品和粮食质量安全的追溯系统。这些系统都是基于农产品的生产特点和生产流程来设计的。因此，具有特殊性，局限于某一种特定农产品的追溯。针对这一问题，已有研究人员开展了面向服务架构思想的农产品质量追溯系统架构，这一系统架构将供应链的业务流程和功能以服务的形式提供，而逻辑流程的编码使得和下层应用隔离，而系统之间是依靠服务来进行调动，此举有助于对业务的需求和变化做出快速反应。
1.2.2 农业专家系统
Agricultural Expert System是基于农业领域中的人工智能技术，称为农业专家系统，该系统是利用人工智能技术，结合农业生产的专业理论知识，通过模拟农业生产中的问题推理过程，分析问题并做出决策，农业专家系统的目的是为了突破时空的限制，通过信息技术，将农业专家在专业领域上积累下的理论知识和实践经验进行整合，将知识转化为生产力。
20世纪70年代，我国展开了专家系统的研究，浙江大学与中国农科院桑蚕研究所合作开发了香育种专家系统，植物保护研究所开发了黏虫测报专家系统，宁夏农林科学院开发了春小麦条锈病预测专家系统。这些农业专家系统的开发，推动了我国农业发展，实现了农业经济的创收。
以目前农业专家系统的研究成果来看，大部分的农业专家系统都包含了知识库、数据库、推理机以及用户界面和功能模块，其架构如图1所示。
知识库和推理机是该系统中最为核心的内容，农业专家的经验和理论知识保存在知识库中，形成了专业的理论知识，而推理机的作用是通过数据的调用，协调，而数据在推理中由数据库保存，再经由功能模块中的知识模块提取，将专家知识和经验进行转化，存储在知识库中，在经由功能模块中的解释模块对用户的问题进行解答，并提交给系统内部模块进行处理，之后系统进行研判，做出决策，并通过用户界面向用户进行反馈。
农业专家系统的应用对于解决农业生产中的问题有着重大的实践意义，究其实际应用来说，农业专家系统具有权威性、非时空限制性、灵活性、启发性和透明性等特征。农业专家系统通过启发式的形式对用户反馈出的问题进行推理和研判，并将推理过程以公开透明的方式进行解释，并以灵活的知识获取方式，对知识库里的知识进行调整和控制，使知识库时刻保持内容更新，并以程序的形式永久保存，知识库中包含了农业专家的理论知识和实践经验，具有权威性。
3 农业物联网数据处理服务
3.1 农业领域数据特点
3.1.1 种植领域数据特点
农业领域中种植业占比最大。我国种植业氛围粮食作物和经济作物2大类，经济作物种植类包括油菜、花生、芝麻、果树和蔬菜。粮食作物种植包括小麦、高粱、玉米和水稻等。
种植领域中的数据内容主要包括了农业生产人员的劳动信息，土壤土层信息，种子和肥料信息，农药使用和病虫害信息等。种植业的品种纷繁复杂，对于不同的品种的种植生产也有着不同的控制点。例如，白菜和苹果的种植，白菜的种植是直接播种，并且不需要经过育苗，而苹果的种植要先对种子进行育苗，之后在进行栽种。另外，白菜不需要中耕，而苹果需要进行中耕处理。种植业中的数据除了种植物数据之外，还包括了较多的环境信息数据。
3.1.2 养殖领域数据特点
养殖业类主要包含畜牧、家禽、水产及特种经济动物养殖，如蚕、蜂等。对于养殖领域中的数据处理，主要包含养殖所涉及到的劳作、农舍、伺料、药剂以及牲畜疾病等数据信息。同样不同的养殖对象控制点也不同，如不同的养殖环境下，数据的采集和依赖有着明显的差异性。放养方式的畜牧类对环境数据要求相对较低，而水产类对水环境数据要求则相对较高。
将种植业和养殖类的数据需求进行对比可以发现，种植类的数据内容更多的是对土壤环境、土壤肥力及虫害进行分析，而养殖类的农业数据更多的关注与牲畜疾病信息的分析。
3.2 数据处理的需求分析
根据不同的农业生产对象，在生产过程中的数据信息的采集和处理也有着不同的方式，不同的路径，就共性来看，农业生产的数据处理需求主要包括了以下几个方面。
3.2.1 提前预警
农业生产中经常遇到生长环境和生长过程中的突发状况，因而农业的数据处理能够对这些突发状况进行分析和预测，提前做出警示，提前采取预防或是准备措施，实施预警有助于避免农业生产中的不必要损失。
3.2.2 问题决策
农业生产中会遇到生长环境和生长过程中的一系列问题，数据处理将对管理人员由于缺乏经验无法解决的问题做出决策，将已有的农业知识进行提取和存储，通过数据分析和问题分析，为解决问题提供一些决策方案。决策方案的提出依赖于专家知识库中的内容，因此专家知识库要不断的更新，以匹配越来也多、越来越复杂的农业问题。
3.2.3 数据的检索与可视化
通过检索数据，获取数据信息价值，是物联网数据处理中的一个绝对性的需求，在数据的一系列采集、存储和传递等过程中，用户可能会需要对数据进行统计或是检索调取数据。例如，当天的气候环境，空气的湿度，为播种、施肥等处理提供信息帮助。数据的可视化主要表现在数据的检索之后可以以直观的图表形式进行呈现，而不是输出大量的连续数据，可视化的原则是简介、高效。
3.2.4 数据追溯
农产品在生产和投入市场之后，消费者可以根据农产品的编码查询到相关数据，这一功能也涉及到了数据的查询和可视化功能，通过生产中的数据检索和统计，在终端显示给消费者，生产者对农产品的追溯可以依据市场需求的反映来及时的调整经营。
3.3 数据处理服务关键技术
3.3.1 农业预测预警技术
这一技术的实现依据设计的数学模型，通过对农业生产的对象所涉及到的生长环境信息和生长过程信息进行推理和预估。预警和预测是结合的，农业生产中可能会发生一些不确定性和潜在的危险情况，数据处理的预警技术要给出决策判断，避免发生不必要的损失。在数学模型方面，国内外的研发较为成熟，主要有贝叶斯网络预测技术、神经网络预测技术、灰色理论预测技术等。
3.3.2 农业智能控制技术
农业智能控制技术是依赖于控制模型和控制策略，对农业生产中的所有相关个体和环境进行监控，通过监控将农业生产中的每个环境进行控制。目前，智能控制研究内容十分广泛，有对外部环境的光源和强度控制、农业滴灌控制水质控制、温室温度和湿度智能控制以及动物生长环境智能控制等。
3.3.3 农业智能决策技术
决策技术是依赖于专家系统中的知识库，通过经验和知识的总结，以计算机的形式对知识进行表示，存入知识库，通过推理模块和解决问题的数学模型，对用户反映出的问题进行推理、判断及分析，模拟专家的思维为农业生产提供决策支持，国内外对农业智能决策的研究内容主要体现在设施园艺、动物饲料配方动物养殖、病虫害预防和防治、农田肥力、品种和灌溉等方面。
3.3.4 农业诊断推理技术
农业的诊断推理技术属于决策技术的范畴中，诊断推理往往是对用户反映出的问题进行分析和提取，在知识库中查询是否有相似的问题，进行判断和推理，这一部分主要表现在病虫害防治方面
3.3.5 农业视觉处理技术
视觉处理技术是将农业生产中的数据进行處理，从而实现视觉化，换言之，就是将原本纷繁复杂的数据内容根据经过规范化的处理、统计和归纳，最终将数据以一定的视觉形式呈现给用户，用户在终端获得视觉数据内容，用于处理实际问题。目前，可视化技术主要是将数据以报表、图标、文档的形式呈现，可视化处理。
4 结语
任何形式的数据处理，其根本目的都是在庞大的数据量中通过一系列的手段进行分类、整理、提取和转换，最终形成对使用者有一定的价值的信息数据。物联网在农业生产中的应用涉及到大量的农业数据的处理，包括了预警、推理、研判及可视化等数据需求。但目前，此方面的研究仍然有较大的局限性，例如专家知识库的及时更新、用户属性化，数据算法泛化性能等。因此物联网在农业生产的实践还有待提高。
参考文献
[1]赵霞，吴建强，杜永林，等.物联网在现代农业中的应用研究[J].农业网络信息，2011（6）.
[2]沈苏彬，范曲立，宗平，等.物联网的体系结构与相关技术研究[J].南京邮电大学学报：自然科学版，2009（6）.
[3]吴婷.开心农场：从网络走进现实——物联网技术在农业信息化中的应用[J].湖南农业科学，2012（20）.
[4]刘东红.周建伟.莫凌飞.物联网技术在食品及农产品中应用的研究进展[J].农业机械学报，2012（1）.
（责任编辑：赵中正）
作者：苏小波 周海波 严志雁
农业专家系统问题探讨论文 篇3：
计算机技术在智慧农业中的应用研究
【摘要】 智慧农业能够实现农业资源的最优化调控，现阶段已经成为我国农业行业的主导形式，为我国农村的发展提供技术支持与保障。伴随着科学技术的不断进步与发展，计算机技术已经在农业方面得到了广泛的应用。我国作为农业大国，为促进国家经济的进步与发展，更要大力推进计算机技术在智慧农业中的应用。本文探讨了计算机技术在智慧农业中的具体应用与应用策略。
【关键词】 计算机技术 智慧农业 应用研究
引言：
智慧农业是一种新兴的农业运作模式，指在农业生产中结合计算机、物联网、互联网与智慧专家系统等技术，远程调控、诊断与收获农作物，实现农业生产与管理中的现代化与智能化。随着我国智慧农业技术的不断进步与发展，计算机技术显著地促进了农业生产的效率，优化了农业生产管理流程，为农业发展提供技术支持以及动力。
一、智慧农业概述
智慧农业是指在传统农业的基础上利用现代化的信息技术，进行农业生产农业管理并开发农业资源。智慧农业已经成为我国现代农业发展中的主导形式，计算机技术中的智能化检测远程监控等都能够应用到农业生产中。
与传统的农业运作模式相比，智慧农业能够根据植物的生长规律，展开农业生产流程，同时通过计算机技术中的数字化程序调节，优化与调整智慧控制结构，由此可见，智慧农业已经实现了数字化生态化的有效结合[1]。我国现有的农业发展形态已经趋于完善，在农业生产中，智慧农业能够加速传统农业向生态化方向转变的速度，对此强化农业生产中的资源调控，能够促进农业种植方式多元化、资源管理体系科学化的发展方向。
例如针对農业生产中的环境问题，可以使用计算机中的无线控制技术，发现农业生产环境中的问题与安全隐患等，这都是智慧农业在农业生产中的应用形式。
在农业生产中使用智慧农业技术，对农业资源进行科学有效地开发，能够实现地区农业微观调控与宏观发展之间的协调。以满足区域性农业种植与地方经济发展的双向需求。这项技术能够实现农业生产中资源控制与问题防护的问题，缩短农业生产中资源的消耗，优化社会资源的调控，这是智慧农业在农业生产中的重要价值。
二、计算机技术在智慧农业应用中出现的问题
2.1缺乏计算机基础设置配置
现阶段，部分农村计算机的普及程度还较低，计算机设备的配置程度也较低，这就导致在农业生产中无法充分地发挥出计算机的作用，具体有以下几种体现：首先计算机更新速度过快，部分农村缺乏网络通讯设备的建设，跟不上计算机的更新速度，而且有一些计算机配件价格昂贵，农民不愿在这方面花费过多的成本，这都会导致在农业生产中计算机设备的配置不达标[2][3]。
除此之外，农村网络普及程度也不如城市，农村经济发展与城市相比较为落后，农村中光纤的覆盖率较低，这也会限制计算机技术在农业生产中的发展。
2.2缺乏技术操作人员
农民的文化水平以及各方面素养都较低，有些农民甚至不会写字认字，没有学习过专业的农业知识与训练，这都会导致农民在使用计算机时出现困惑。农村的工作环境较差，并且工资待遇低，有很多技术人员不愿意前往农村从事技术工作，这导致农村缺乏计算机方面的人才，在这种背景下想要在农业生产中充分地发挥出计算机的作用，会遇到较大的阻碍。
三、计算机技术在智慧农业中的应用
3.1智慧信息传输
计算机技术中的信息传输是构成程序的基础部分，主要由多元化的虚拟通道，资源传输。智慧农业中涉及到的信息传输主要有数据收集与数据传导。数据收集是通实现多渠道的信息过传感器等设备，收集农业种植区域中的信息资源，数据收集可以借助传感器与摄像头等设备。数据传导是通过计算机网络，在线传输信息。
在智慧农业系统中，开发信息传输功能可以采取以下措施：一、在数据收集中使用电子传感器，持续地收集种植区域内的各项信息情况，主要收集降水量、自然灾害与气温气压方面的数据，这是智慧农业中外部信息感应传输的重要方式。除此以外也可以使用监控摄像设备，实时地监控农业种植区域内的环境信息，主要收集土壤干湿程度、农作物的生长状况以及病虫害情况。二、智慧农业中的数据传输是整合部分范围内的信息资源，以便于智慧农业系统对农业生产进行整体调控。
在智慧农业的发展中，借助计算机技术扩展信息传导的渠道，能够促进农业生产沟通体系的多维度转变[4]。一方面智慧农业借助计算机技术中的虚拟节点结构，能够对农业生产结构进行智能化跟踪化的调控。例如提供实时的农业技术在线指导，并实现农业种植区域内的声音与图像转换等[5]。另一方面。在智慧农业中使用云计算技术，科学评估农业的种植数据信息，建立大数据模型，控制农业生产中的肥料与水分使用比例，实现农业生产中的绿色化，生态化。
3.2计算机视觉技术
视觉技术是一项综合性的技术，以计算机科学技术为基础，整合信号处理技术、数学与统计学，形成图像并识别图像内容，目前已经广泛的应用在了农业生产中，能够全面的监控农作物的生长状况，并针对性地制定生产方案，促进农作物的健康与稳定生长。在智慧农业中应用计算机视觉技术，能够识别农作物中的害虫与杂草，主要通过外形分析、光谱分析以及颜色分析，甄别农作物中存在的各项信息。具体识别过程是研究人员通过黑光灯吸引害虫摄像头，此时对害虫进行拍照，当完成拍摄时，识别照片中目标的大小与颜色等特征，最后将数据信号上传到数据库中，最终识别出害虫以及害虫的种类。通过实际应用证明计算机识别技术对害虫的识别准确率高达85%以上，有着非常优异的识别能力，能够实现病虫害的远程识别。但同时这项技术也存在着缺陷，现阶段计算机识别技术无法识别一些体积较小或具有飞行能力的害虫，据设备无法有效捕捉这类害虫的信息，因此在这一方面需要更进一步的研究。
3.3计算机网络技术
在智慧农业生产中使用计算机网络技术，能够帮助农业生产实现精细化的经营管理，在智慧农业中，计算机网络技术主要应用于检测与控制方面。
网络技术能够把控农业生产区域中的微观与宏观维度，能够收集农业生产中的各项数据，并在网络数据库中传输真实有效的信息，以便于展开科学研究，提升农业精准化的研究进程[6]。现阶段计算机网络技术分层方式为四分差方式，设置19m×19m的网格单元大小，并建设农业数据库，数据库类型主要有土壤信息数据库、环境信息数据库、地理基础信息数据库、GPS点数据库、气象信息数据库与农作物信息数据库等。将农业种植区域内的各项信息上传到相应的数据库中，一旦出现信息变动，都能够在数据库中获得实时的反馈，实现农业种植区域的全方面精细化管理，实时获取农业种植区域内的环境、土壤、水分、温度、微量元素等信息，为农作物的宏观调控提供数据。
3.4计算机自动控制系统
在农业生产设备中使用计算机自动控制系统，能够实现农业的全程自动化生产。通过收集处理相关信息数据，并将数据储存到计算机系统中，系统能够识别农作物的生长态势，将收集的信息与数据库汇总储存的信息相对比，判断农作物是否成熟，若农作物成熟就开展自动化收割，并完成农作物的脱皮、脱水、入库，实现全程的自动化智能化操作。
在生态环境调控中使用计算机自动控制技术，能够实时地进行温度、湿度、光照调控。事先在农作物种植区域安装传感器，计算机系统分析传感器收集到的信息，将信息处理结果反馈到自动化设备与儀器中[7]。设备仪器接收到数据指令时，就会进行温度、湿度、光照调控，实现全程的自动化、智能化操作，在农业大棚中使用这项技术能够实现远程管理，不仅能够降低人力劳动，也能够提升管理效率。
在节能减排中也能够应用自动化控制系统。传统农业大棚，在进行灌溉工作时会浪费大量的水源，同时也会浪费很多的电能，违背了绿色农业的初衷，通过计算机自动控制技术，能够实时的监控土壤的湿度，当检测到土壤湿度未达标时，就会自动的对该地块进行灌溉。在智慧农业平台中能够计算出地块的需水量，实现精准的灌溉，并节约用水，这也能够保证农作物正常生长，提升当地农民的经济效益。这项技术目前已经在农业生产中得到广泛的应用，有很多农业种植区已经安装上传感器与微型灌溉设备。伴随着计算机技术的不断发展，智慧农业不仅能够保证农作物的产量，也能够降低农业生产所需的成本。
3.5信息应用与服务开发
计算机技术能够协助智慧农业探索农业生产结构，一方面能够优化农业种植流程，另一方面能够满足市场与农业种植之间的需求，并将其二者进行有机地结合。在智慧农业中结合计算机结构就要开发信息技术渠道，拓展农产品的销售渠道，例如建立农产品销售渠道、开发农业资源都是智慧农业中的重要管理内容。
在开发与整合智慧农业系统时，要借助计算机技术，对农业市场化进行分析，农业种植人员开发与种植农业资源时首先要分析农作物在市场中的需求，结合实际需求进行智慧农业资源的开发统筹，把控农业建设区域的种植收割与后续加工环节，形成农业资源多方联动化与市场化的开发[8]。在智慧农业长期经营与发展的过程中，循序渐进的统筹与安排经营网络，建立农业生产、产品加工与产品销售三方面的信息联动体系，最大化地发挥出农业资源整合的效果。
四、结束语
针对计算机技术在智慧农业中的应用展开研究，是为了满足当今农业发展以及农业资源开发的必然需求，同时也能够形成生态化、现代化、智能化的农业生产模式。伴随着社会经济与科学技术的不断进步，计算机技术已经在人们的日常生活与生产中发挥出了越来越大的作用，我国是农业大国，在农业生产中应用计算机技术显得更加重要。通过在智慧农业中应用计算机技术的实践，能够证明计算机技术能够促进农业经济发展，以及优化农业产业结构。在未来农业发展中，我国更要注重计算机技术的应用，促进我国农业经济的发展，提升农业种植效率以及农民的经济水平。
参 考 文 献
[1]马骧. 计算机技术在现代农业中的应用研究[J]. 新农业，2021，{4}（05）：83-84.
[2]吴翔. 计算机技术在智慧农业中的应用研究[J]. 科技创新与生产力，2020，{4}（09）：36-38.
[3]吴宗卓. 新时代农业生产中计算机信息技术的应用[J]. 南方农机，2020，51（15）：109-110.
[4]江凤香，任大鹏. 互联网+时代智慧农业体系构建[J]. 农业工程，2019，9（05）：28-30.
[5]董子昭. 面向智慧农业的智能视觉监控系统的设计与实现[D].燕山大学，2018.
[6]韩子鑫，齐瑞锋，杨文挺. 智慧农业发展中物联网技术在设施农业中的应用[J]. 中国农业文摘-农业工程，2017，29（06）：21-23.
[7]孙瑾. 计算机技术在现代农业建设中的科学应用[J]. 中国新通信，2017，19（17）：107.
[8]李微微，曹丽英. 基于物联网云的智慧农业生产模式的构建[J]. 中国农机化学报， 2016，37（02）：263-266.
作者：马小强