基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

基于遗传算法优化BP神经网络下马铃薯产量预测模型

马铃薯产量的高效预测对于制定马铃薯生长期间的精准管理决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在的精度差、准确度低等问题,选择遗传算法对单一BP神经网络模型开展网格优化。基于朔州市朔城区沙楞河村2010-2019年田间物联网获取的田间环境数据(土壤含水率和土壤温度)、气象环境数据(大气湿度、大气温度、降雨量)和马铃薯产量,采用BP神经网络及GA-BP神经网络模型对所选地区马铃薯产量进行预测分析。研究结果表明：GA-BP神经网络模型下,马铃薯产量的预测精度明显高于BP神经网络模型,R²达到0.993 27,平均相对误差仅为0.88%。试验证明,GA-BP神经网络模型能够更加科学、合理地进行马铃薯产量预测,说明利用遗传算法优化BP神经网络在马铃薯产量预测中是可行且有效的。     

基于思维进化算法优化BP神经网络的温室甜瓜ET_0预测研究

为实现温室作物参考作物蒸散量(ET_0)的准确计算和预测,利用BP神经网络对获取的数据进行非线性回归,利用思维进化算法自动寻优,进而获取BP神经网络算法中较优的权值和阈值,最终建立了基于思维进化算法优化BP神经网络的参考作物蒸散量预测模型(MEA-BP)。结果表明,优化后的BP神经网络的最大相当误差有原来的13%下降到了7.2%,平均相对误差由原来的6.8%下降到了3.4%。研究了在气象数据缺失情况下模型的预测效果,当模型输入参数为4个时,平均绝对误差约为在0.2 mm(预测值约3～6 mm),模型的有效系数和相关系数基本在0.9以上;当模型输入参数为3个时,平均绝对误差约为0.25 mm,模型的有效系数和相关系数基本在0.8以上。因此,在输入参数保证3个及以上,同时包含有显著影响因子有效光照时长时,该模型的整体计算精度以及整体的实用性较好,能够为作物灌水量的预测提供参考。     

基于BP神经网络的鲜鸡蛋货架期预测模型

为研究不同温度范围内鸡蛋的品质变化及货架期,通过实验室模拟,检测了鲜鸡蛋在5、25、35℃条件下的哈夫单位值、蛋黄系数等理化指标,分别构建了同等实验条件下的鲜鸡蛋货架期动力学预测模型和BP神经网络预测模型,并选取5、25、35℃温度下共6组数据进行模型验证。结果表明,基于BP神经网络的鲜鸡蛋货架期模型预测精度达到95.93%,动力学模型预测精度为90.79%,BP神经网络能更精确地预测鲜鸡蛋在5~35℃贮藏温度范围内的货架期。     

土壤水分特征曲线Van-Genuchten模型参数的土壤传输函数比选

基于黄土高原区多种土壤的水分特征曲线试验数据样本,建立了以土壤黏粒、土壤粉粒、干密度、有机质和盐分含量为输入变量,Van-Genuchten模型参数α与n为输出变量的非线性预报模型和灰色BP神经网络预报模型,在对两种模型误差参数α与n分别进行误差分析比较的基础上,对两种模型的预测结果进行了整体误差分析。结果表明:无论是参数α还是参数n,非线性模型的平均相对误差低于10%,综合精度平均相对误差为15.73%;灰色BP神经网络模型的预测精度的平均相对误差低于4%,综合精度平均相对误差为10.01%,灰色BP神经网络模型的预测精度都要比非线性模型的预测精度高,但灰色BP神经网络模型易出现过度拟合的情况。综合而言,两种模型均能实现Van-Genuchten模型参数α与n的预测,可根据具体情况选用其中一种以达到更好的预测效果。     

基于田间环境及气象数据的甘蔗产量预测方法

对2008—2017年间广西某甘蔗地装设的田间物联网获取的田间环境及气象数据进行了分析,研究通过这些数据预测甘蔗产量的可行性。对田间的环境数据(土壤含水率和土壤温度)和气象数据(降水量和空气温度)进行预处理,分别运用BP神经网络及遗传算法优化初始阈值的BP神经网络(GA-BP)对所选地块的甘蔗产量进行预测。结果表明,GA-BP神经网络模型的预测精度明显高于BP神经网络模型,R~2达到0. 989 4,平均相对误差仅为0. 64%。说明用GA-BP神经网络预测甘蔗产量是有效、可行的。     

基于BP神经网络的甘蔗收获机切割器振动性能研究

针对小型甘蔗收获机切割器不平衡对切割器轴向振动的影响,为实现切割器振动的有效预测以及自动控制信号的获取,通过正交试验并利用BP神经网络技术与回归分析构建出了切割器螺旋以及刀盘振动的BP神经网络模型和回归模型。分析结果表明:基于BP神经网络建立模型的切割器螺旋与刀盘的振动正确拟合率达到了88.89%,且相对误差基本上在5%以内,而回归模型的切割压力正确拟合率只有38.89%。因此,基于BP神经网络建立的模型具有较高的精度,通过此BP神经网络模型,有效地解决了复杂信息特征的提取问题,减少了试验研究的次数与成本,为进一步的切割器刀盘以及螺旋振动的自动控制系统的研发奠定了基础。     

BP神经网络对孔表面粗糙度的输出预测

文章基于BP神经网络建立了3-16-1的网络结构模型来预测孔的表面粗糙度值。对提供的正交试验数据进行归一化处理,并且训练网络从而使网络误差达到期望值并输出预测值,在对预测值和实验值进行比较中,均方根误差平均误差百分比仅为2.72%,在平均误差百分比允许范围内。说明建立的BP神经网络结构预测精度较好,基本符合实际预测的要求,在实际加工前可以通过该结构预测孔的表面粗糙度值,从而能够很好地掌握工件加工质量以及优化切削参数。     

基于BP神经网络的车辆跟驰模型研究

课题组进行实际道路跟驰实验,利用GPS采集跟车驾驶行为数据。以GPS采集到的车辆行驶轨迹数据为基础,提取前车车速、相对距离、前车对后车的相对速度以及后车车速作为输入,后车下一时刻的车速作为输出,建立BP神经网络跟驰模型,并使用遗传算法（GA）对BP神经网络跟驰模型进行优化。结果表明,GA-BP神经网络模型与BP神经网络模型对比,GA-BP神经网络跟驰模型预测性能的各个评价指标都优于BP神经网络跟驰模型。     

基于改进BP神经网络的农业机械数据预测研究

为提高河南省农业机械数据预测的精度,获得更可靠的预测结果,提出基于自适应粒子群算法(APSO)优化的误差方向传播(BP)神经网络预测方法,利用APSO算法优越的全局搜索能力更新BP神经网络的权值和阈值,有效结合两种算法的优势,并引用河南省1986-2017年农业机械数据进行测试。仿真结果表明,本文提出的APSO-BP算法比同等条件下BP神经网络算法和PSO-BP算法预测误差平均可降低2.4%和1.35%,可以有效提高预测的速度和精度。     

驾驶员疲劳检测技术的研究现状及发展趋势

介绍了国内外对于驾驶员疲劳状态检测技术的研究现状,并对几种具有代表性的产品进行了评述;PERCLOS是一种目前最有效的、车载、实时的驾驶疲劳测评方法;提出了驾驶疲劳状态检测研究应着重于驾驶疲劳形成机理和模型建立、疲劳状况检测及其评价方法、驾驶员疲劳报警装置的研究及应用,并实现驾驶员疲劳状态检测及预警装置商品化的研究思路。     

基于隐马尔可夫模型的驾驶员跟车意图研究

为了预测驾驶员在跟车过程中的驾驶意图,鉴于驾驶员行为具有随机特性,提出了基于隐马尔可夫模型的驾驶员跟车意图行为的研究。首先,驾驶员的意图用隐马尔可夫模型的隐含状态来阐述,用车间距来表示其隐马尔模型中的观测状态,由此建立了用车间距为观测状态来获取隐含状态即驾驶员意图的跟车行为模型。其次,利用美国NGSIM数据来训练隐马尔可夫模型。最后,通过MATLAB仿真,并对实验结果与实际数据进行对比,验证了此设计满足驾驶员跟车意图的可行性要求。     

基于灰色理论和BP神经网络的农业用水量预测

运用灰色GM(1,1)模型和BP神经网络模型相结合的灰色BP神经网络模型,对农业用水量进行预测.此组合模型兼有灰色预测和BP神经网络预测的优点,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.为此,以辽河流域某典型区为例进行预测,结果证明了该组合模型的优势,为农业用水量预测研究提供参考依据.     

驾驶员疲劳监测方法设计

对各种疲劳驾驶监测方法进行了比较,指出了各种方法在驾驶员舒适性、监测结果准确性以及对环境背景抗干扰性方面存在的缺陷。提出基于PERCLOS法,利用红外光源、差分图像、神经网络辅助Kalman滤波器实现总体设计。采集图像使用红外光源,利用人眼对两种波长(850nm/950nm)红外光线的吸收率的明显差异,得到差分图像,同时避免了环境背景中其他波长光线的干扰,满足了全天候的要求;利用PERCLOS作为评价标准对驾驶员眼部的差分图像分析,实现了非接触的手段获取信息,解决了影响驾驶员舒适性的缺陷;利用神经网络辅助Kalman滤波器对监测对象进行跟踪,获得的有效差分图像达到17帧/s以上,保证了系统结果的实时性。试验表明,该系统对驾驶疲劳的检测准确率达到86.89%。     

基于BP神经网络的河北省耕地生产力预测

鉴于BP网络在处理非线性复杂系统的优势,以河北省为研究对象,构建一个9-5-1结构的BP神经网络预测模型,将1987-2005年的相关数据作为模型的训练样本,以2006年的粮价政策、农资投入量和农民收入等数据作为网络的预测输入,对该年的河北省粮食单产进行预测。结果表明,BP神经网络预测结果与实际粮食单产的相对误差为0.86%,预测精度优于传统的多元回归统计模型。     

BP神经网络在浅层地下水矿化度预

针对导致黄河下游三角洲地区土壤盐渍化的浅层地下水因素,以该地区典型区域为研究对象,将人工神经网络引入地下水矿化度的模拟和预测中,建立了基于土壤盐分、地下水埋深和pH的地下水矿化度预测的BP神经网络模型,并与多元回归模型在拟合精度和预测性能方面进行了比较。结果表明：研究区域地下水矿化度与土壤盐渍化程度呈显著的相关性,多元回归模型能较好地拟合地下水矿化度;通过网络训练确定了地下水矿化度的BP神经网络的拓扑结构为5：8：1,BP神经网络的拟合精度明显优于多元回归模型;统计检验表明BP神经网络的预测性能亦优于多元回归方法,其预测精度提高了50.1%。该研究可为黄河三角洲地区盐渍化的水盐调控和预测预报提供理论基础与决策依据。     

基于优化BP神经网络的新能源汽车锂电池SOH预测模型研究

基于优化后的反向传播神经网络，提出了一种新能源汽车锂电池SOH(状态健康)预测模型。该模型利用历史电池数据和当前电池参数作为输入，预测电池的SOH。为了优化模型性能，使用遗传算法对模型进行训练和优化，提高了预测精度和鲁棒性。试验结果表明，该模型能够在不同工况下准确预测锂电池的SOH,并且相对于传统方法具有更好的性能。基于优化BP神经网络的SOH预测模型具有广泛的应用前景，可以为新能源汽车锂电池的健康管理提供有力的支持。     

机动车驾驶员疲劳状态的仿真分析研究

通过对驾驶员的驾驶操纵过程进行分析,应用传递函数这一经典控制理论工具,构建了驾驶员的行为操纵模型,并在MATLAB/Simulink仿真环境下实现,通过对机动车驾驶员的正常状态和疲劳状态进行仿真比较分析,表明驾驶员在疲劳状态时比正常状态时需要更长的操纵时间才能跟随着道路环境的变化,其果断性和灵敏性、实时性均下降很多,为进一步研究机动车驾驶员的疲劳状态奠定了理论基础。     

车辆稳定性控制的虚拟实验

基于虚拟驾驶实验平台开发了车辆稳定性控制器.构建了由实车、虚拟场景、车辆动力学模型等组成的虚拟驾驶实验平台.用神经网络估计模型对车辆动力学系统进行了辨识,通过调整神经网络对象模型设计了神经自校正控制器,该控制器通过产生横摆力矩迫使车辆横摆角速度跟踪理想响应.在虚拟驾驶实验平台上研究了施加控制后车辆的响应及其与驾驶员的交互,对车辆在紧急避障操纵时的响应进行了虚拟仿真实验,验证了车辆稳定性控制器的有效性.     

脱皮菜籽一维冷榨压榨比的神经网络模拟

针对由经典Terzaghi固结理论以及Darcy渗流定律建立的理论压榨比模型存在的不足,建立了基于BP神经网络的压榨比预测模型,对脱皮菜籽一维冷态压榨过程进行了预测。预测结果表明,运用BP神经网络预测实际压榨比的精度高于经典理论压榨比模型的精度,BP神经网络预测实际压榨比是一种有效的方法。