‘壹’ bp神经网络与量子行为粒子群算法有什么不一样
这四个都属于人工智能算法的范畴。其中BP算法、BP神经网络和神经网络
属于神经网络这个大类。遗传算法为进化算法这个大类。
神经网络模拟人类大脑神经计算过程，可以实现高度非线性的预测和计算，主要用于非线性拟合，识别，特点是需要“训练”，给一些输入，告诉他正确的输出。若干次后，再给新的输入，神经网络就能正确的预测对于的输出。神经网络广泛的运用在模式识别，故障诊断中。BP算法和BP神经网络是神经网络的改进版，修正了一些神经网络的缺点。
遗传算法属于进化算法，模拟大自然生物进化的过程：优胜略汰。个体不断进化，只有高质量的个体（目标函数最小（大））才能进入下一代的繁殖。如此往复，最终找到全局最优值。遗传算法能够很好的解决常规优化算法无法解决的高度非线性优化问题，广泛应用在各行各业中。差分进化，蚁群算法，粒子群算法等都属于进化算法，只是模拟的生物群体对象不一样而已。
‘贰’ 如何利用人工神经网络或遗传算法解决实际问题
来自<神经网络之家>nnetinfo
目前可以做的一般有:
分类.
函数拟合
压缩.
图象识别
等等, 其实说到底,所有的都能归于第2点--函数拟合.
一般如果输入与输出是有强烈关系的,网络都能找得到这个关系.例如病人的特征作为输入,判断这个是否为病人,一般都是可以的.业务背景知识强,才能把神经网络运用到实际中.
另外,还需要把实现问题转换为数学问题的能力.
例如数字识别就是一个经典的应用.但直接把图片放进去训练是得不到识别效果的,因为维度太多了,而且信息冗余量很大.
于是有人把图片的特征先自已提取出来:例如对角线与图片上的数字有几个交点等等,再把这些特征作为输入,数字类别向量作为输出,放到网络中训练.最后你再写一个数字,提取这个数字的特征,再把这特征放进网络中的时候,它就能识别到你是哪个数字了.
另外,又有人用卷积神经网络去做数字识别.
还有人用深度网络去做,即先把原来图片的信息用RBM网络进行压缩,然后再训练,效果就好了.
等等,其实很多问题都可以做,但前提是你要想到好的方式去运用神经网络.
‘叁’ 神经网络原理及应用
神经网络原理及应用
1. 什么是神经网络？
神经网络是一种模拟动物神经网络行为特征，进行分布式并行信息处理的算法。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
人类的神经网络
2. 神经网络基础知识
构成：大量简单的基础元件——神经元相互连接
工作原理：模拟生物的神经处理信息的方式
功能：进行信息的并行处理和非线性转化
特点：比较轻松地实现非线性映射过程，具有大规模的计算能力
神经网络的本质：
神经网络的本质就是利用计算机语言模拟人类大脑做决定的过程。
3. 生物神经元结构
4. 神经元结构模型
xj为输入信号，θi为阈值，wij表示与神经元连接的权值，yi表示输出值
判断xjwij是否大于阈值θi
5. 什么是阈值？
临界值。
神经网络是模仿大脑的神经元，当外界刺激达到一定的阈值时，神经元才会受刺激，影响下一个神经元。
6. 几种代表性的网络模型
单层前向神经网络——线性网络
阶跃网络
多层前向神经网络（反推学习规则即BP神经网络）
Elman网络、Hopfield网络、双向联想记忆网络、自组织竞争网络等等
7. 神经网络能干什么？
运用这些网络模型可实现函数逼近、数据聚类、模式分类、优化计算等功能。因此，神经网络广泛应用于人工智能、自动控制、机器人、统计学等领域的信息处理中。虽然神经网络的应用很广，但是在具体的使用过程中到底应当选择哪种网络结构比较合适是值得考虑的。这就需要我们对各种神经网络结构有一个较全面的认识。
8. 神经网络应用
‘肆’ 人工神经网络与智慧农业的关系
人工智能作为当今科技的前沿技术已经深入到各行各业之中，当下我们关注最多的还是人工智能为医疗、金融、工业带来怎样的变化，却忽视了人工智能在农业领域中的应用。事实上，从20世纪70年代开始，人工智能技术，特别是专家系统技术就开始应用于现代农业领域。
根据联合国粮农组织预测，到2050年，全球人口将超过90亿，尽管人口较目前只增长25%，但是由于人类生活水平的提高以及膳食结构的改善，对粮食需求量将增长70%。与此同时，全球又面临着土地资源紧缺、化肥农药过度使用造成的环境破坏等问题。如何在有限的耕地增加农业的产出，同时保持可持续发展?人工智能作为解决方式之一，展示出了其强大的实力。
人工智能在智慧农业中将发挥哪些作用?
1、种子检测
种子是农业生产中最重要的生产资料之一，种子质量直接关系到作物产量。种子的纯度和安全性检测，是提升农产品质量的重要手段。因此，利用图像分析技术以及神经网络等非破坏性的方法对种子进行准确的评估，对提高农产品产量和质量起到了很好的保障作用。
2、智能种植
在传统农业中，需要耗费大量的人力、物力。搭载人工智能技术的机器人将有助于缓解农民的负担，大大降低土地对劳动力的需求量。例如在种植、管理、采摘、分拣等环节都可以通过智能机器人来完成，实现农业种植的智能化与自动化。
3、作物监控
在农业生产的很多方面，大部分的工作是通过对农作物外观的判断进行的，例如农作物的生长状态、病虫害监测以及杂草辨别等等。在过去，这些工作是通过人的肉眼去观察，但是这存在两个问题：1、农民并不能保证根据经验做出的判断是完全正确的;2、由于没有专业人士及时到现场诊断，可能会使农作物病情延误或加重。人工智能技术可在农作物检测中提供强大的技术的支持，通过机器人视觉技术，模拟人类的视觉功能，从客观事物的图像中获取信息并处理和分析。
4、土壤灌溉
人工神经网络具备机器学习能力，能够根据检测得到的气候指数和当地的水文气象观测数据，选择最佳灌溉规划策略。通过对土壤湿度的实时监控，利用周期灌溉、自动灌溉等多种方式，提高灌溉精准度和水的利用率。这样既能节省用水，又能保证农作物良好的生长环境。
人工智能技术在农业领域面临的困难与挑战
不过，虽然人工智能技术已经开始应用于农业领域，但是与其在金融、医疗、交通等领域上的成功应用相比，人工智能在农业上的运用略显初级，大多农场、农业设备制造商还没有深入推进人工智能的引入。原因包括：1、农业领域的数据获取比其他行业要难;2、农业生产统计和量化应用困难，农业环境变化对人工智能技术在农业上的测试、验证和推广更加困难;3、缺乏既懂农业又懂人工智能技术的复合型人才。
政策支持破解人工智能农业困局
2017年，国务院印发的《新一代人工智能发展规划》提出，加快推进产业智能化升级。在智能农业方面，要研制农业智能传感与控制系统、智能化农业装备、农机田间作业自主系统等。建立完善的天、空、地一体化的智能农业信息遥感监测网络及农业大数据智能决策分析系统。除去国家层面的政策之外，各地政府也开始密集出台相关政策，以解决人工智能技术在农业领域的应用中面临的实际问题。
2018年4月，教育部印发《高等学校人工智能创新行动计划》，提出加强人才培养与创新研究基地的融合，完善人工智能领域多主体协同育人机制，以多种形式培养多层次的人工智能领域人才;到2020年建立50家人工智能学院、研究院或交叉研究中心，并引导高校通过增量支持和存量调整，加大人工智能领域人才的培养力度。截至2017年12月，国内共有七十余所高校围绕人工智能领域设置86个二级学科或交叉学科。2018年国内高校首批612个“新工科”研究与实践项目中，已布局建设将近60个人工智能类项目。
写在最后：
随着人工智能技术的不断发展，其在智慧农业领域的大规模应用将最终实现。相信在不久的将来，人工智能能够更好的为人类服务，改善人类的生活，带来巨大的经济效益。在人工智能的引领下，农业将迈入智能化的崭新时代。