自适应神经性网络预测模型及其在农机动力需求预测中的应用

建立了一个自适应性神经网络模型,它在Ｂ－Ｐ网络模型基础上,对网络的自身结构及学习规则进行了动态优化。网络能自组织和自学自己的结构,即在学习过程中,网络可根据具体问题自动调整本身的结构,从而结构达到最优。学习速度具有动态调节功能,根据每次学习时得到的误差不同,网络不断调整学习速率,从而在不引起系统振的情况下加速了收敛过程。在此基础上,对我国农机总动力需求进行了预测,预测结果和实际结果有很好的一致性。     

基于BP人工神经网络的长江河口地区土壤盐分动态模拟及预测

为开展长江河口地区土壤盐分动态的中长期模拟与预测,采用人工神经网络中应用较为成熟和广泛的BP网络建立长江河口地区土壤盐分与降雨量、蒸发量、长江水电导率、内河水电导率、地下水位、地下水电导率6因子间的非线性神经网络响应模型。网络模型结构为6-11-1,隐含层单元数用"试错法"确定。选择合适的参数训练和学习网络模型后,对河口地区2003年各月平均根层土壤电导率进行预测,并与线性回归模型预测结果进行比较。结果表明:BP网络模型较线性回归模型具有更高的预测精度,平均相对预测误差为7.3%,预测值与实测值相关性良好,可以满足实际应用需求。     

利用CT数字图像和网络模型预测近饱和土壤水力学性质

在近饱和状态下,土壤的有效水力学性质主要取决于较大孔隙的结构特征,而这又决定了土壤中的优势流通道以及溶质的运移.基于孔隙形态学特征的网络模型可以很好的表现出较大孔隙的几何形态与拓扑特征对有效水力学性质的影响.本文通过对连续土壤切片CT图像的分析,定量获取了土壤孔隙的大小分布以及连通性参数.在此基础上建立了相关网络模型,在孔隙尺度上模拟了土壤中的水分运动过程并预测了近饱和土壤水力学性质.实验结果表明,虽然随机网络模型对室内填装土样本水力学性质的预测结果要优于相关网络模型,但是结合了实测孔隙形态特征的相关网络模型能够表现出田间原状土样本的双重孔隙度结构,其预测结果更符合实际的土壤结构特征.     

车辆驾驶员的模糊神经控制模型

设计了一个用于车辆运动控制的六层结构的前向模糊神经网络,介绍了每一层神经元的设置及功能,并给出了具体有效的学习算法,从而建立了一个驾驶员模糊神经控制模型。该控制模型可在车辆行驶过程中自行“品尝”车辆的运动特性,自学习和调整对不同外界条件和不同控制对象的操纵策略,适应能力强,使用范围广,具有一定程度的智能。     

基于CT图像的土壤孔隙结构三维重建及水力学性质预测

为了更好地了解土壤孔隙结构对水分运动过程的影响机制,该文利用黄淮海平原原状潮土CT扫描图像,通过数字图像分析和计算机重建技术对孔隙结构进行三维重建,根据图像分析获得的孔隙大小分布和连通性等形态学参数建立了用于描述孔隙尺度结构特征对水分运动影响机制的网络模型,据此预测了样本尺度(样本体积为385.84cm3)的土壤水力学性质。结果表明,模型预测的水力学性质和实测值基本吻合,变化趋势基本一致,二者的决定系数达0.94以上。结果表明相关网络模型可以较好地模拟孔隙尺度的水分运动过程,可用于预测土壤的非饱和水力学性质。     

果树施药仿形喷雾神经网络模型及其应用

在试验的基础上,建立了反映果树施药仿形喷雾过程参量与分布质量系数之间映射关系的BP神经网络模型,在建模中运用了正交试验设计、交叉评价网络训练法、样本标准化处理和主元分析等技术,对网络结构及其参数进行了优选。结果显示,网络模型输出同试验结果相关系数R达到0.99,表明具有广泛的适应性。同时,该网络可以实现各种定量分析计算,例如：预测在特定过程参量下的分布质量系数,或者根据指定的效果目标,确定合适的喷雾参量等。     

基于马尔可夫模型的德化县土地利用结构变化预测

依据德化县2002～2005年土地利用变更调查数据,采用马尔可夫模型对其土地利用结构变化进行了模拟与检验,结果表明,利用马尔可夫过程对土地利用结构进行定量预测是一种可行的方法。用此方法对2010年和2020年德化县土地利用结构的演变趋势进行了预测,并根据预测结果对今后土地利用和管理提出建议。     

海洋微生物酶反应器智能控制系统的研制

生物发酵过程具有严重非线性、高度时变性、高阶多变量和大型不确定的特点,为了实现生物发酵过程的自动化控制,提高生物技术产品的生产水平,使得发酵过程的参数检测、操作监视、自动控制等智能化,分析了影响发酵过程的主要因素以及各变量之间的耦合关系,综合应用传统的PID控制方法、模糊神经网络技术,构建了一种多变量模糊神经控制系统的前馈解耦算法并将其应用在发酵过程的思想,同时采用了冷凝、回收、利用发酵尾气技术,解决了尾气排放、罐体泄漏染菌的问题。模糊神经控制器和解耦部分独立设计,在模糊控制器中引入神经网络,解耦网络采用一层隐层,利用简化的学习算法,根据系统输出误差,在线调整网络权值,从而实现动态解耦而无需辨识被控对象的模型。该方法结构简单且计算量小,经实际应用结果表明这种控制算法具有很好的控制效果。     

滴灌自清洗网式过滤器全流场数值模拟与分析

为了全面了解现有自清洗网式过滤器内部水流结构和特性,为进一步结构优化提供依据,该文采用Fluent(6.3)软件对其进行了全流场数值模拟。在分析过滤器结构及自清洗原理基础上,建立了过滤器内部流场的数学模型和自清洗系统的动网格模型,给出了过滤过程和自清洗过程计算区域和网格、以及进出口边界条件,对比分析了自清洗流量与进出口压力降关系模拟结果和试验结果。分析表明：模拟压降与实测压降符合较好,可以保证后续模拟结果的可靠性;在此基础上,对过滤过程内部流场进行了模拟,得到了水流流速、紊动能和压力的分布规律,分析了过滤器结构设计不足。运用动网格技术,对过滤器自清洗过程进行了数值模拟,通过流速、紊动能和压力分布等流场分析,指出了自清洗系统的不足,研究结果可为过滤器结构优化设计提供参考。     

BP神经网络L-M优化算法在地下水动态预测中的应用

根据地下水动态的时间序列数据资料,建立地下水动态模型,应用BP神经网络的L-M优化算法进行模拟和预测,并与灰色模型预测法的分析结果进行比较,得出该方法不仅简单可行,而且预测精度更高,可在地下水动态、河流水质、大气环境质量预测等方面广泛使用的结论。     

水稻虫害智能预测模型及其应用

为改进受多变量、时变和不确定因素影响的作物虫情预测的效率和准确性,将人工神经网络、遗传算法和模拟退火技术相结合,提出了一个全新的水稻虫害智能预测模型.模型首先基于人工神经网络,利用现有的多维气象数据、虫害历史数据构建网络结构,然后将遗传算法置于网络内层,模拟退火算法置于网络外层,对神经网络权重和阈值进行优化训练,以使模型输出快速准确地逼进目标样本.模型被应用在重庆市永川水稻二化螟虫情预测中,结果表明该模型能够较精确地预测未来虫害的发生程度.与传统的BP人工神经网络预测相比,预测精度和预测时间都得到较大提高,因而利用智能模型进行水稻虫害预测具有良好的实用价值.     

基于R-BP神经网络的温室小气候多步滚动预测模型

温室高效生产依赖于适宜的温室小气候环境,建立高精度的温室小气候多步预测模型对实现温室环境优化调控具有重要意义。本研究提出一种基于滚动的反向传播神经网络（Rolling Back Propagation Neural Network, R-BP）的温室小气候多步滚动预测模型。模型主要包括两个阶段：（1）建立初始的BP神经网络。采用自动编码器无监督学习方法获取初始网络参数,并利用改进的粒子群算法优化网络参数。（2）建立滚动的BP神经网络群。将前一个网络输出作为后一个网络的部分输入进行滚动训练和预测,实现温室小气候多步滚动预测。为验证R-BP模型的有效性,在阿拉伯联合酋长国阿布扎比市的自控温室和中国苏州市的非自控温室分别进行试验。验证试验表明,与传统BP神经网络相比,在阿布扎比温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低69.9%,预测相对湿度,其平均误差降低47%;在苏州温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低43.3%,预测相对湿度,其平均误差降低55.6%。说明R-BP模型能够较准确预测未来6h内温室小气候环境变化,可为制定温室小气候优化调控方案提供依据。     

基于CGA-BP神经网络的好氧堆肥曝气供氧量预测模型

为提高好氧堆肥曝气供氧量的曝气效率以及预测精度,该研究利用遗传算法（genetic algorithm, GA）对标准反向传播（back propagation, BP）神经网络的初始权值和阈值进行优化,再利用克隆选择算法（clonal genetic algorithm, CGA）优化遗传算法中的变异算子并复制算子,加快获取最优参数的速度,构建基于CGA-BP神经网络的曝气供氧量预测模型。为验证CGA-BP模型的有效性,与BP模型、GA-BP模型预测结果进行对比。试验结果表明：克隆遗传算法优化BP神经网络能加快获得最优解,效率相比BP模型和GA-BP模型分别提高了75.36%、51.30%;在曝气供氧量预测模型中,CGA-BP模型具有更准确的预测效果,预测精度为99.65%,而BP模型与GA-BP模型预测精度分别为96.99%、99.26%;CGA-BP模型评价指标的均方误差、平均绝对误差、平均绝对百分误差分别为0.003 4、0.038 9和0.350 6,均小于BP神经网络和GA-BP神经网络模型评价指标的误差;利用CGA-BP好氧堆肥曝气供氧量预测模型对好氧堆肥发酵过程进行精准...     

基于密度参数K-均值算法的RBF网络及其在降水量预测中的应用

径向基函数（Radial Basis Funtion,简称RBF）神经网络是一种收敛速度快、逼近能力强的前馈型神经网络。为提高网络的训练速度,采用基于密度参数的K-均值算法,消除传统K-均值算法对初始聚类中心的敏感性,构建了基于K-均值算法的RBF降水预报模型,并应用于挠力河流域的友谊农场汛期月降水量预报中,以检验所建模型的有效性。结果表明,与标准的K-均值算法RBF网络模型和BP（Back Propagation）网络模型相比,所构建的RBF降水预报模型对2008年,2009年,2010年各年间汛期（6—9月）降水量的预测平均相对误差为9.270 7％;确定性系数为0.96。预报精度均有所提高,且满足水文预报要求。     

基于改进极限学习机的水体溶解氧预测方法

为了有效地指导水产养殖生产,提高溶解氧浓度预测的精度,提出了基于因子筛选和改进极限学习机（Extreme Learning Machine,ELM）的水产养殖溶解氧预测模型。首先,利用皮尔森相关系数法计算各影响因子与溶解氧浓度间的相关系数,提取强关联因子,降低预测模型的输入量维度;采用偏最小二乘算法（Partial Least Square, PLS）优化传统ELM神经网络,避免网络中隐含层共线性问题,保障输出权值的稳定性;然后,结合新型激活函数,构建水体溶解氧浓度预测模型。最后,将SPLS-ELM（Selection Based Partial Least Square Optimized Extreme Learning Machine）预测模型应用到江苏省无锡市南泉基地某试验池塘的水体溶解氧预测中。试验结果表明：该模型的预测均方根误差为0.3232,与最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）、BP神经网络、粒子群（Particle Swarm Optimization,PSO）优化LSSVM和遗传算法（Genetic Algorithm, GA）优化BP神经网络相比分别降低40.98%、44.48%、34.73%和44.18%。且该模型的运行时间仅0.6231s,预测精度和运行效率明显优于其他模型。该模型的溶解氧预测曲线接近真实溶解氧变化曲线,能够满足水产养殖实际生产对水体溶解氧预测的要求。     

优化BP神经网络提高高光谱检测调理鸡肉菌落总数精度

针对调理鸡肉菌落总数在贮藏期间易受到外界因素影响,提出了一种优化反向传播(back propagation,BP)神经网络的调理鸡肉菌落总数预测方法。以贮藏在4℃条件下的调理鸡肉为研究对象,采集其表面400~1 000 nm高光谱信息共计419个波段作为全波段,并利用竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)算法筛选出34个特征波段,分别以全波段和特征波段对应的光谱值作为BP神经网络输入,采用鸟群算法(bird swarm algorithm,BSA)和免疫算法(immune algorithm,IA)优化BP神经网络的初始权重和阈值,建立调理鸡肉菌落总数的BP、BSA-BP、IA-BP、BSA-IA-BP预测模型。试验结果表明:经过CARS筛选特征波长的BSA-IA-BP模型预测效果最佳,预测集相关系数RP、均方根误差、剩余预测偏差分别为0.93、0.31lg(CFU/g)、2.68,且模型稳定性最好。该研究为基于BP神经网络实现调理鸡肉菌落总数快速无损检测提供了算法支撑和理论基础。     

基于机械特性BP神经网络的苹果贮藏品质预测

应用L－M优化算法BP神经网络，通过用苹果机械特性指标(压缩时的最大力、屈服力、弹性模量)预测苹果贮藏品质(硬度、水分、可溶性固形物、总酸)的方法，建立贮藏品质的人工神经网络模型。用试验所测的机械特性指标为输入，苹果贮藏品质为输出来确定网络的拓扑结构，训练建立的BP神经网络。仿真结果表明：该神经网络模型用机械特性指标能预测苹果贮藏品质，同时通过5组非样本数据来验证该神经网络，模型的预测值与实测值的相对误差在5%以下，能够满足工程应用中预测苹果贮藏品质的精度要求。     

基于时延神经网络的多深度土壤含水率预测

为精准预测大田土壤含水率,并掌握不同深度土壤含水率分布规律,针对大田土壤含水率时序数据的非线性特点及相邻深度土壤含水率间具有较强关联关系,该文建立3层时延神经网络大田多深度土壤含水率预测模型,用以实现对6个不同深度(10、20、30、40、50和70 cm)土壤含水率预测。利用试验法确定预测模型的隐含层节点个数、训练学习算法和训练集样本量。试验结果表明:隐含层使用10个节点,采用L-M(Levenberg-Marquardt)训练算法,采用45%样本集数据作为训练样本,55%作为测试样本集,对所建预测模型进行预测,10和20 cm的预测相对误差小于7%,而30、40、50和70 cm的预测相对误差小于4.5%。因此利用基于时延神经网络的多深度土壤含水率预测模型,可为掌握土壤含水率分布动态变化规律提出一种解决方案。     

机器人采摘苹果果实的K-means和GA-RBF-LMS神经网络识别

为进一步提升苹果果实的识别精度和速度,从而提高苹果采摘机器人的采摘效率。提出一种基于K-means聚类分割和基于遗传算法(genetic algorithm,GA)、最小均方差算法(least mean square,LMS)优化的径向基(radial basis function,RBF)神经网络相结合的苹果识别方法。首先将采集到的苹果图像在Lab颜色空间下利用K-means聚类算法对其进行分割,分别提取分割图像的RGB、HSI颜色特征分量和圆方差、致密度、周长平方面积比、Hu不变矩形状特征分量。将提取的16个特征作为神经网络的输入,对RBF神经网络进行训练,以得到苹果果实的识别模型。针对RBF神经网络学习率低、过拟合等不足,引入遗传算法对RBF隐层神经元个数和连接权值进行优化,采取二者混合编码同时进化的优化方式,最后再利用LMS对连接权值进一步学习,建立新的神经网络优化模型(GA-RBF-LMS),以提高神经网络的运行效率和识别精度。为了获得更精确的网络模型,在训练过程中,苹果果实连同树枝、树叶一块训练;得到的模型在识别过程中,可一定程度上避免枝叶遮挡对果实识别的影响。为了更好地验证新方法,分别与传统的BP(back propagation)和RBF神经网络、GA-RBF优化模型比较,结果表明,该文算法对于遮挡、重叠果实的识别率达95.38%、96.17%,总体识别率达96.95%;从训练时间看,该文算法虽耗时较长,用150个样本进行训练平均耗时4.412 s,但训练成功率可达100%,且节省了人工尝试构造网络结构造成的时间浪费;从识别时间看,该文算法识别179个苹果的时间为1.75 s。可见GA-RBF-LMS网络模型在运行效率和识别精度较优。研究结果为苹果采摘机器人快速、精准识别果实提供参考。     

基于径向基函数神经网络的地下水数值模拟模型的替代模型研究

近年来提出的替代模型方法是一种连接数值模拟模型与优化模型的有效途径,替代模型质量的好坏取决于采样方法和替代模型种类。以金泉工业园区地下水水源地为研究区,基于拉丁超立方抽样方法,结合研究区地下水数值模拟模型,获取输入(抽水量)输出(水位降深)数据集,运用人工神经网络方法,建立径向基函数神经网络模型,作为地下水数值模拟模型的近似替代模型。经验证,径向基函数神经网络模型输出得到的水位降深均值与模拟模型计算结果的拟合平均相对误差为0.038;水位降深剩余标准差的拟合平均相对误差为0.042。拟合平均相对误差较小,表明径向基函数神经网络模型能够有效地替代地下水数值模拟模型,为日后替代模型的深入研究提供了科学依据。