烤烟散叶插签烘烤过程中叶温的变化

【目的】研究烤烟散叶插签烘烤过程中叶温的变化情况,完善散叶烘烤工艺,以推动散叶密集烘烤的落实与推广。【方法】运用叶温测定仪与温湿度自控仪,测定烟叶在散叶插签烘烤过程中的叶温、干球温度、湿球温度和相对湿度,探讨烘烤过程中叶温变化的影响因素。【结果】散叶插签烘烤过程中叶温的变化分为4个阶段:预热阶段、叶温平稳阶段、缓慢升温阶段、快速升温阶段。在叶温变化的不同阶段主要影响因素不同,预热阶段的主要影响因素是干球温度;叶温平稳阶段的主要影响因素以干球温度为主,以湿球温度与相对湿度为辅;缓慢升温阶段的主要影响因素是湿度;快速升温阶段的主要影响因素是温度。【结论】散叶密集烘烤过程中叶温的变化代表了叶片的真实烘烤状态,对研究散叶烘烤过程中烟叶物质转化和烟叶质量形成有一定意义,有助于进一步完善散叶烘烤工艺。     

基于图像处理的烘烤过程中烟叶含水量检测

【目的】量化烘烤过程中烟叶形态变化的数值特征指标,实现烘烤过程烟叶水分含量的无损检测。【方法】以密集烤房中不同烘烤阶段的烟叶为研究对象,先利用图像处理技术提取鲜烟叶及烘烤过程中烟叶图像的颜色特征（红分量（R）、绿分量（G）、蓝分量(B)）及纹理特征(纹理能量、纹理熵、纹理惯性、相关度),以其为输入指标,分别建立烘烤过程中烟叶含水量的BP神经网络模型和基于遗传算法的最小二乘支持向量机预测模型。用建立的2个模型对烘烤过程中烟叶含水量进行预测,并比较其预测精度。【结果】烟叶图像颜色特征R、G、B分量表现出变黄期剧烈上升,定色前期缓慢上升并达到最大值,定色后期至烘烤结束逐渐下降的变化趋势;纹理能量和相关度呈现出变黄前期减小,变黄后期增大,定色及干筋期逐渐减小的趋势;纹理熵、纹理惯性表现出变黄前期增大,变黄后期减小,定色及干筋期逐渐增大的趋势。以烟叶颜色和纹理特征值作为输入变量,建立了烘烤过程中烟叶含水量的BP神经网络预测模型和基于遗传算法的最小二乘支持向量机预测模型,其预测平均绝对误差分别为0.037 4和0.017 0,预测误差标准差分别为0.048 5和0.020 0,前者预测精度略低于后者,但2个模型均可以满足烘烤过程中烟叶水分含量实时检测的需要。【结论】图像处理技术可以精确量化烘烤过程中烟叶的形态特征变化;利用建立的BP神经网络模型和基于遗传算法的最小二乘支持向量机模型可以实现对烟叶含水量的精确估测。     

烤烟散叶堆积烘烤过程中烘烤因素与叶温变化的通径分析

为研究散叶堆积烘烤过程中其他烘烤因素对叶温变化的影响,利用烤烟多参数实时监测仪与温湿度自控仪测量烘烤过程中叶温、风速、风压、干球温度、湿球温度和相对湿度.结果表明,散叶堆积烘烤过程中叶温的变化有4个阶段:预热阶段、叶温平稳阶段、缓慢升温阶段、快速升温阶段.在不同阶段对叶温变化影响的主要因素不同,预热阶段的主要影响因素是干球温度与风压;叶温平稳阶段的主要影响因素为干球温度、相对湿度和风压;缓慢升温阶段的主要影响因素是干球温度与相对湿度,快速升温阶段的对叶温变化的影响以干球温度与相对湿度为主,风速与风压为辅.叶温的变化是烟叶外在环境与内在生理的共同作用,散叶堆积烘烤过程中可以通过控制叶温的变化来提高烟叶烘烤质量.     

基于修正组合模型的包头市用水量预测分析

【目的】建立基于马尔科夫链修正的组合灰色神经网络模型,为城市用水量的准确预测提供支撑。【方法】在运用灰色关联性分析法确定用水量变化的主要影响因素的基础上,建立了基于马尔科夫链修正的组合灰色神经网络模型,将该模型应用于包头市2009和2010年的用水量预测,并将其预测结果与灰色模型、BP神经网络模型和组合灰色神经网络模型的预测结果进行比较。【结果】包头市用水量受人口、国内生产总值、工业总产值、建成区绿化覆盖率、耕地面积及工业用水重复利用率的影响较大,利用建立的基于马尔科夫链修正的组合灰色神经网络模型对包头市2009和2010年用水量进行预测,并与实际用水量进行比较后表明,其相对误差分别为0.16%和2.16%,均方根相对误差为1.53%,而灰色模型、BP神经网络模型和组合灰色神经网络模型的均方根相对误差分别为4.34%,3.08%和1.99%。可见,基于马尔科夫链修正的组合灰色神经网络模型的预测效果最好。【结论】基于马尔科夫链修正的组合灰色神经网络模型结合了各模型的优势,预测精度较高。     

非点源污染负荷预测的多变量灰色神经网络模型

【目的】建立一种对资料要求较少、精确度较高的非点源污染负荷多变量灰色神经网络预测模型,为有限资料条件下非点源污染负荷的预测提供支持。【方法】针对GM(1,N)模型在原始数据变化幅度较大且趋势不明显时预测效果较差的不足,提出并建立用人工神经网络对GM(1,N)模型的残差系列进行修正的改进模型,并将其应用于华县站总氮非点源污染负荷的预测。【结果】在华县站总氮非点源污染负荷预测中,灰色+BP神经网络组合模型拟合预测效果较好,建模阶段和检验阶段的确定性系数(Nash-suttcliffe模拟效率系数)分别为1.00和0.93,优于单独灰色模型或神经网络模型的预测效果。【结论】研究建立的多变量灰色神经网络模型综合了灰色理论和神经网络的优点,提高了模拟精度,为有限资料条件下非点源污染负荷的预测提供了一种有效的方法。     

预凋萎烟叶烘烤过程中水分迁移干燥及形态收缩特性

【目的】研究预凋萎处理烟叶烘烤过程中水分迁移干燥及形态收缩特性,为烘烤工艺优化提供依据。【方法】以烤烟品种K326中部叶为试验材料,烤前对烟叶进行凋萎处理,研究烘烤过程中预凋萎烟叶温度、水分迁移态势、含水率和形态收缩的变化,并利用干燥收缩模型分析烟叶在烘烤过程中的失水收缩行为。【结果】与未进行预凋萎的烟叶相比,变黄期预凋萎烟叶叶温提高0.5~1℃,干筋期叶温、脉温提高0.5~2℃;烘烤过程中预凋萎烟叶主脉水分核磁信号强度明显较弱,主脉水分向叶片迁移效率较高,变黄期主脉的失水比率增大,主脉湿基含水率下降较快;预凋萎烟叶变黄期主脉直径收缩率增幅较大,烘烤过程中烟叶叶片和主脉体积比与水分比呈非线性变化,利用Quadratic收缩模型可以很好地预测烟叶叶片和主脉的失水收缩变化。【结论】与未进行预凋萎的烟叶相比,烘烤过程中预凋萎烟叶主脉水分迁移干燥及形态收缩加快。     

基于灰色神经网络与马尔科夫链的城市需水量组合预测

【目的】针对城市需水量预测系统具有非线性和随机波动性的特点,建立基于马尔科夫链修正的组合灰色神经网络预测模型,以提高模型的预测精度。【方法】比较分析灰色GM(1,1)模型、BP神经网络模型以及二者线性组合的灰色神经网络预测模型的预测效果,建立基于马尔科夫链修正的组合灰色神经网络预测模型,并以榆林市2000-2009年的用水量实际数据为研究对象,通过实例比较分析模型的检验预测精度。【结果】经马尔科夫链修正处理后,建立的基于马尔科夫链修正的灰色神经网络组合模型的预测精度更高,预测误差的绝对值均小于4%,且均方差σ为1.00,小于组合灰色神经网络模型与GM(1,1)模型、BP神经网络模型预测误差值的均方差。【结论】基于马尔科夫链修正的组合灰色神经网络需水量预测模型,对城市需水量的预测优于灰色神经网络及各单项预测模型,不仅预测精度高,而且能同时反映出数据序列发展变化的总体趋势和系统各状态之间的内在规律,适合描述随机波动性较大的预测问题。     

中长期径流预报模型优选研究

【目的】对中长期径流预报模型进行比较和优选,为中长期径流预报模型的应用及提高预报精度提供参考。【方法】以黄河流域黑石关、龙门、民和水文站年径流为研究对象,利用灰色预测进行趋势分析、逐步回归进行周期分析,两者耦合建立灰色-逐步回归周期模型;利用逐步回归分析确定均生函数的周期性基函数,耦合建立均生函数-逐步回归模型;利用灰色-逐步回归中的趋势项和周期项作为预报因子,建立投影寻踪回归模型;利用前4年的实测径流数据预报当年径流,建立BP神经网络模型,并通过信息熵原理进行站点模型的综合评价和优选。【结果】建模期除黑石关水文站BP神经网络模型外,各站点拟合预报的平均相对误差均小于11.0%,合格率均大于90%。验证期除民和水文站灰色-逐步回归周期模型外,各站点平均相对误差均小于20%,合格率等于或大于80%,满足精度要求。【结论】均生函数-逐步回归径流预报模型可作为黑石关水文站的优选模型,BP神经网络径流预报模型可作为龙门和民和水文站的优选模型。     

烤烟散叶插签烘烤过程中叶间隙风速的变化

【目的】了解烟叶密集烘烤过程中叶间隙风速的变化,为实现烤烟的精准烘烤提供参考。【方法】采用风速仪对中棚烟叶8个位点的叶间隙风速进行实时监测,同时记录烤房的干湿球温度,并于烘烤开始后每隔4h取样1次,测定烟叶叶片与叶脉的含水率。【结果】烘烤过程中8个位点叶间隙风速差异较大,其中6号位点的风速始终处于较低水平;不同烘烤阶段各位点风速的变化比较复杂,大部分位点表现为先降后升的趋势;烟叶变黄阶段、定色阶段、干筋阶段烟叶间隙风速变化的主导因素分别为湿球温度与叶片含水率、烟叶主脉含水率与干球温度及主脉含水率。【结论】不同烘烤阶段影响叶间隙风速变化的因素并不相同,烘烤过程中可以有目的地调整烤房温湿度,并通过改善烟叶形态变化控制叶间隙风速的变化。     

基于PSO-SVR的同步发电机励磁电流预测

【目的】采用粒子群优化支持向量回归(PSO-SVR)模型对同步发电机励磁电流进行预测,为更准确地实现同步发电机转子绕组匝间短路故障的在线诊断提供依据。【方法】以微型同步发电机动模试验的20组正常运行数据作为训练样本,用剩下的13组正常运行数据和33组故障运行数据为检验样本,选取机端电压、有功功率、无功功率为输入量,励磁电流为输出量,通过粒子群优化(PSO)支持向量回归(SVR)的结构和参数,建立PSO-SVR预测模型,进而进行励磁电流预测,并与在线实测的励磁电流进行比较,以误差超过阈值诊断为发生匝间短路故障。【结果】PSO-SVR预测模型的预测误差较误差反向传播(BP)神经网络预测模型小;PSO-SVR模型能设置阈值准确诊断运行状态,而BP神经网络预测模型却不能,并且至少有1次误诊情况出现。【结论】PSO-SVR预测模型的精度优于BP神经网络预测模型,能准确地进行转子绕组匝间短路故障诊断,为同步发电机励磁电流预测、转子绕组匝间短路故障的在线诊断提供了一种新途径。     

基于BP神经网络的产β-葡萄糖苷酶的真菌生长模型研究

［目的］利用BP神经网络建立产β葡萄糖苷酶真菌的生长模型。［方法］用底物变色法筛选出产β葡萄糖苷酶的真菌,然后利用BP神经网络研究了其中1株真菌的生长状态。［结果］2、11、24和52h后,训练真菌的干重试验值和拟合值的相对偏差分别为4.12100%、1.27700%、0和0.36900%,β葡萄糖苷酶酶活的相对偏差分别为69.97000%、0.02390%、0.03413%和4.18100%。在验证试验中,6、12、16和38h后,供试菌株的干重试验值和拟合值的相对偏差分别为2.58200%、3.22000%、2.66900%和0.73130%,β葡萄糖苷酶酶活的相对偏差分别为3.63800%、4.83000%、3.89000%和1.22500%。BP网络经过训练后,其误差平方和为0.411×10-3,试验值与拟和值相比,误差小于8.5%,误差平方和为1.82。［结论］该文所提出的建模方法是行之有效的,模型构建简单、预测准确。     

基于MATLAB神经网络的温室草皮腾发量预测研究

[目的]明确基于MATLAB的BP神经网络预测温室草皮腾发量的可行性。[方法]在9月温室实测气象资料的基础上,对温室内的平均气温、相对湿度、光照强度和草皮日腾发量(ET)进行回归分析,建立了BP网络ET预报模型(BP-ET)。[结果]气温、光照强度与草皮腾发量呈显著正相关(P<0.05),相对湿度与草皮腾发量呈显著负相关(P<0.05)。BP神经网络模型具有极高的拟合精度,9月资料检验预报模型的平均相对误差为5.58%,模拟与检验均有很高的拟合精度。BP网络可以用于草皮日腾发量的预测,是对传统草皮日腾发量计算的补充。[结论]该研究为气象数据缺测条件下温室草皮日腾发量的估算提供了新思路。     

基于典型相关分析的散叶烘烤过程中化学成分与烘烤条件的研究

[目的]研究散叶烘烤过程中烘烤条件与烟叶化学成分之间的变化关系。[方法]以淀粉（x1）、叶绿素（x2）、水分（x3）、蛋白质（x4）、总糖（x5）作为烘烤生理指标,以干球温度（y1）、湿球温度（y2）和相对湿度（y3）作为烘烤的物理指标,运用典型相关分析对2组指标进行分析。[结果]试验表明,只有l组变量相关关系达到了极显著水平,典型相关系数为0．9932,其中U,与烘烤过程中烟叶淀粉（x1）、叶绿素（x2）、水分（x3）和蛋白质（x4）含量的变化存在较高的负相关,而与总糖（x5）含量的变化有较高的正相关,v1与干球温度（y1）存在较高的正相关,而与相对湿度（Y,）之间存在较强的负相关,说明散叶烘烤过程中烘烤条件的变化对烟叶化学物质变化的影响较大． 且干球温度的影响效果大于湿球温度与相对湿度。[结论]研究可为烟叶散叶烘烤过程中的烘烤条件控制提供参考依据。     

基于BP神经网络的柑橘农药残留预测

基于BP神经网络算法，采用主成分分析法得到农药相对分子质量、气温、降水量、pH、CEC、有机质、施药浓度、采收间隔期是影响农药残留量的主要因素，并将其作为输入变量，初步构建柑橘农药残留预测模型。结果表明：经160组样本数据模型训练和测试，预测相对误差为0.92%~18.93%，平均为7.42%，绝对误差为0.001~0.153 mg/kg；BP神经网络预测模型的决定系数为0.962 05。可见，面对复杂的自然环境及柑橘种质性状，基于BP神经网络的柑橘农药残留预测系统对柑橘上多种农药的残留显示出较高的预测精度，说明将机器学习算法用于柑橘的农药残留检测是可行的。     

基于Elman神经网络的气温预测研究

[目的]建立预测气温动态变化的Elman神经网络模型。[方法]参考温度的固有特性,应用1951～2010年的重庆温度数据,采用Elman人工神经网络模型对温度进行预测估计。[结果]实证仿真结果表明,模型的相对误差较小,能够对未来气温变化进行较好的模拟。[结论]该模型预测结果可以用于指导农业生产,并可以进一步应用到天气衍生品定价等领域。     

基于BP神经网络与SVM模型的黄尾河径流预测比较分析

比较分析BP神经网络与SVM模型在径流预测应用中的性能特征。以降雨量为预报因子,采用BP人工神经网络模型和SVM模型对大别山黄尾河流域40 a时长的同期径流过程进行数值模拟,并对二者的预测性能进行比较与评价。结果表明,黄尾河流域BP模型模拟的总体相对误差为14.43%,合格率为77.5%,确定性系数为0.76,预报精度等级为乙级;SVM模拟的总体相对误差为12.41%,合格率、确定性系数及预报精度等级与BP模型相同。SVM模型模拟结果较BP模型而言更集中于较小的误差范围内。BP模型的累积误差>SVM模型,并且随着误差自由度的增大,这种差距有扩大的趋势,表明SVM模型的误差范围较小,误差间隔小于BP模型,模拟性能较BP模型更稳定。     

云南省水稻白叶枯病BP神经网络测报技术研究

 人工神经网络对复杂非线性问题映射能力强,能提高预测的准确度,为水稻白叶枯病害的防治工作提供指导。因此,本研究基于水稻白叶枯病害发生、危害与温度、湿度、降雨等气象因素相关的特点,利用人工神经网络建立云南省勐海县和石屏县水稻白叶枯病害BP神经网络预测模型,预测病害的发生程度。经实例验证,BP神经网络预测模型预测准确度达到80%以上,较逐步回归模型高。研究表明在勐海、石屏建立水稻白叶枯BP网络预测模型是可行的,并具有较高预测准确度,对防治工作有较高应用价值。     

浦江县褐飞虱预测预报模型选择与优化

[目的]探讨更适用于现阶段的褐飞虱预测预报模型。[方法]利用浦江县2001—2016年褐飞虱的观测数据和气象数据,采用传统的逐步回归方法和BP神经网络方法,分别建立了褐飞虱发生高峰期预测预报模型。[结果]逐步回归预测模型选用的建模因子为5月上旬最高温、9月上旬湿度和6月下旬雨量,模型的预测准确率不高;BP神经网络预测模型的建模因子为始见日后40 d的平均温、最高温、最低温、雨量、湿度,模型的预测准确率达99.22%。[结论]该研究结果为今后褐飞虱预测预报模型的选择提供了参考。     

基于Elman神经网络的气温预测研究

[目的]建立预测气温动态变化的Elman神经网络模型。[方法]参考温度的固有特性,应用1951～2010年的重庆温度数据,采用Elman人工神经网络模型对温度进行预测估计。[结果]实证仿真结果表明,模型的相对误差较小,能够对未来气温变化进行较好的模拟。[结论]该模型预测结果可以用于指导农业生产,并可以进一步应用到天气衍生品定价等领域。     

基于灰色关联下神经网络在南果梨始花期预报中的应用

为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明：（1）与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;（2）与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;（3）BP和RBF方法建立的模型拟合精度总体上较接近;（4）基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;（5）基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R²为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R²为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。