基于径向基神经网络农机数量预测的研究

提出了利用径向基神经网络对农机数量预测的方法 ,通过选取合适的训练参数,径向基网络能够得到满足要求的预测结果,农机总动力、拖拉机数量、农具数量的误差平方和分别为0.0056、0.0470、0.2713。利用测试集对网络进行测试,农机总动力预测值与真实值的误差最大为-7.17%,最小为0.22209%。研究结果表明,径向基神经网络能有效提高预测精确度,较好地预测非线性条件下的农机数量,证明了实验方法的有效性和可行性,为人工神经网络在农业机械化的应用提供了一个新的途径。     

电动汽车远程监控平台的电池SOC估算

为充分发挥远程监控平台的监控和故障预警作用,针对电动汽车动力电池荷电状态(State OfCharge,SOC)精准估算对汽车控制和安全运行的重要性,利用车辆上传监控平台的运行数据进行SOC估算研究.通过减聚类算法计算隐层中心数,用量子粒子群(Quantum Particle Swarm Optimization,QP...     

基于RBF神经网络的种猪体重预测

针对猪体生长参数之间具有一定的自相关性、部分参数与体重间呈非线性关系、通过线性回归模型预测猪体体重存在着自变量间共线性及拟合优度较低等问题,以52头长白母猪的生长参数为基础,通过最近邻聚类算法,构建了基于RBF神经网络的种猪体重预测模型。通过线性回归检验法对种猪体重预测值与实测值进行分析,发现基于RBF神经网络的长白种猪体重预测模型的拟合优度R2为0.998,而线性回归模型的R2为0.891。结果表明：通过RBF神经网络方法建模,消除了线性回归分析中自变量的共线性问题,预测效果优于线性回归模型。     

基于RBF神经网络的农田土壤含盐量预测

介绍了径向基函数神经网络的原理、训练算法,并建立了基于径向基函数神经网络的农田土壤含盐量预测模型.通过实例验证,该模型具有较强的非线性处理能力和逼近能力,运算速度快,性能稳定,预测精度较高,泛化能力强,可用于生产实践中.     

基于径向基函数神经网络右江灌区有效灌溉面积的预测

根据人工神经网络的理论和方法,建立径向基函数神经网络模型,以右江灌区的统计数据为例预测该灌区的有效灌溉面积,结果表明模型有较强非线性处理能力和逼近能力,具有学习时间短,预测精度高,适应性强等优点。     

基于高斯径向基函数神经网络的十字路口车流量预测

采用径向基函数预测功能的神经网络,对十字路口的车流量进行实时预测,仿真实验结果表明使用该神经网络对交又口车流量进行预测可以得到令人满意的结果。     

基于神经网络的柴油机故障诊断专家系统

现代设备大多数集机电液信于一体，对其所出现的故障做出准确而迅速的判断，单纯地依靠传统的故障诊断专家系统是不够的。为此，把神经网络和传统的专家系统相结合，建立神经网络专家系统，达到优势互补的效果。在神经网络诊断中，采用MATLAB的神经网络工具包建立了径向基函数神经网络诊断模型，并以柴油机燃油系统故障诊断为例，验证了该系统的可行性。     

基于BP神经网络的降雨量预测研究

使用2种方法,即用前5年降雨量来预测后1年的降雨量和用气象资料预测降雨量,应用BP神经网络对降雨量进行预测,试图找出应用BP神经网络预测降雨的最佳方法.通过对青海省10个气象站的降雨进行预测分析,得到结论如下:两种方法均适合于降雨预测,其被选择概率均等.     

基于RBF神经网络的农机企业顾客满意度测评研究

提出一种基于RBF神经网络的农机企业顾客满意度测评模型,它是一种典型的局部逼近神经网络,可快速完成对样本的学习与拟合,对于数据较多的情况非常适用。网络最终测评结果较BP神经网络更有效、更准确。实例证明该神经网络测评模型收敛速度快、预测精度高,为农机企业顾客满意度测评提供了实用的方法。     

基于神经网络的道路交通事故预测

道路交通事故预测是交通研究的一个重要课题,以我国交通安全状况为研究对象,依据我国道路交通事故的特点,利用神经网络具有自学习、自组织、自适应能力特征,运用神经网络的方法及我国多个年度道路交通事故统计数据,建立了道路交通事故神经网络宏观预测模型,预测精度符合道路交通事故预测的要求.     

基于ICS优化RBF的水库水质三维预测方法

针对已有水质预测模型在数据降噪、网络参数初始值设置和优化、精度提高等方面能力的不足,构建了一种优化的水质三维预测模型。利用主成分分析算法筛选出水质关键参数,并基于自适应噪声的完全集合经验模态分解算法结合小波阈值模型对三维水质参数和气象数据降噪处理,使用3维卷积神经网络(Three-dimensional convolutional neural networks, 3-D CNN)提取出特征数据集,自编码器(Autoencoder, AE)获得径向基函数(Radial basis function, RBF)网络参数初始化值,改进布谷鸟搜索算法(Improved cuckoo search, ICS)优化更新网络中超参数动态初始化值。广东省湛江市徐闻县大水桥水库区域22个典型在线监测站点以及6个手持监测点的实测数据对比验证结果表明,浊度和藻密度分别与总氮含量强正相关,叶绿素含量与气温强正相关,所提出的水质预测模型在5个典型精准性评价指标方面优于已有文献方法。研究成果可为管理部门和研究者对水质监测提供参考。     

基于人工神经网络的离心泵叶轮边界涡量流预测

根据边界涡量动力学理论,从边界涡量流在离心泵叶轮内表面的分布情况,可获知叶轮的受力状况,进而改进叶轮设计.以BP神经网络和径向基神经网络为建模手段,以叶轮内表面的边界涡量流为预测目标,通过高精度的CFD计算获得70个离心泵叶轮内表面的BVF分布,建立可用于训练人工神经网络的初始样本集;再利用63个初始样本建立离心泵叶轮几何参数和边界涡量流的非线性映射关系,并用剩余的7个校对样本进行测试.根据神经网络预测结果和数值模拟计算结果的误差分析,确定最适用于离心泵叶轮边界涡量流预测的神经网络类型.研究表明:径向基(RBF)神经网络的预测精度高于BP神经网络,其训练时间更短、运行稳定性更高;径向基函数的宽度对RBF神经网络的预测性能有较大影响,当径向基函数宽度取0.3时,RBF神经网络的预测性能最佳,预测误差仅0.020 3;RBF神经网络预测所得叶轮内表面的边界涡量流分布,可以作为评价叶轮水力设计优劣的重要指标,进而指导叶轮机械的优化设计.     

基于神经网络的农业病虫害损失预测

鉴于农业病虫害经济损失的预测具有较强的复杂性和非线性特性,设计了一种新型的GRNN预测模型,对农业病虫害经济损失进行预测.该模型基于人工神经网络捕捉非线性变化独特的优越性,在神经网络技术和江苏省气象局提供的数据的基础上,利用MATLAB人工神经网络工具箱及GRNN广义回归神经网络建立预测模型,来提高农业病虫害经济损失预测的精度.预测结果表明,该方法建立的模型可以实现对病虫害经济损失的预测,且其预测精度较高.     

ISAD混合动力汽车蓄电池SOC估算方法的研究

蓄电池荷电状态SOC(State of Charge)是电池使用过程中的重要参数。为了能够精确地预测蓄电池剩余电量,本文在对3种SOC基本估算方法分析和比较的基础上,采用了一种新的以蓄电池端电压和内阻为参数进行估计的方法,并按此种方法进行了蓄电池放电试验。试验结果表明这种算法在SOC小于0.45时计算精确,能用来预测混合动力汽车蓄电池剩余电量。     

基于BP神经网络的乳制品质量预测研究

在乳制品加工生产中,产品生产质量是生产过程中的关键因素。为了实现产品生产质量的管理,引入了基于人工神经网络的预测方法,以实际生产过程中实验室检测数据以及仪表观测数据作为网络学习样本,通过训练网络模型并将训练后预测模型应用于乳制品企业实际生产,为产品质量分析提供了可靠的依据。     

基于SVM的RBF网络在农机总动力预测中的应用

径向基神经网络是一种单隐层的三层前向网络,具有结构简洁、学习速度快等优点。为此,分析了径向基神经网络采用传统聚类方法确定基函数中心存在的问题,提出了一种基于支持向量机聚类确定径向基网络基函数中心的方法。该方法以最大间隔原理和结构风险最小化原则为前提,利用核方法把输入空间的样本映射到高维特征空间完成聚类工作来确定基函数的数量。采用改进的方法训练的径向基神经网络对黑龙江省农机总动力进行非线性时间序列预测,结果表明:改进的网络在确定网络结构、学习速度和提高网络预测精度方面都有较好的效果。     

基于扩展卡尔曼滤波的锂离子电池SOC估计

基于一阶等效电路模型,采用扩展卡尔曼滤波方法对锂离子电池SOC进行估计,并通过MATLAB搭建仿真实验,验证扩展卡尔曼滤波估算算法的有效性。结果表明,扩展卡尔曼滤波可以有效地跟踪锂离子电池SOC的变化,且具有较高的精确性。     

基于人工蜂群径向基神经网络预测参考作物需水量

为了能够根据有限的气象数据较为准确的模拟蓄水坑灌苹果园的日参考作物需水量,以山西省农业科学院果树所蓄水坑灌试验基地的逐日气象资料为输入项,以日参考需水量为输出项,在径向基神经网络的基础上构建了基于人工蜂群算法的径向基神经网络模型,以预测蓄水坑灌苹果园的日参考作物需水量,以FAO-56 Penman-Monteith(FAO56-PM)公式的计算结果为标准分析预测模型的适用性。结果表明:经人工蜂群算法优化后的径向基神经网络预测模型的模拟结果与标准方法FAO56-PM公式的计算结果更为接近,更适合于预测山西省农业科学院果树所蓄水坑灌苹果园日参考作物需水量。     

基于RBF神经网络的地下水动态预测

以内蒙古自治区巴彦淖尔市金泉工业园区为例,基于园区B248号长观井2001-2008年的地下水埋深资料,首先建立了地下水埋深RBF神经网络预测模型,而后对该模型的模拟结果作误差分析,并将相应值与BP网络模型进行对比。RBF神经网络模型和BP网络模型的最大相对误差分别为9.88%和19.67%,最大绝对误差分别为0.81和1.56,均方误差分别为0.19和0.98。显然,RBF神经网络具有较高的预测精度和较强的非线性映射能力。用上述训练好的RBF神经网络模型对研究区2009-2013年平水年条件下的地下水埋深进行预测,结果表明,研究区已出现地下水位持续下降的趋势。最后,根据地下水资源保护规划方案,在逐时段压缩地下水开采量10%的情况下,研究区2025年即可恢复到2001年的地下水水位值。     

基于神经网络的离心泵能量性能预测

总结了BP网络和RBF网络在离心泵能量性能预测中的应用现状,介绍了这两种网络的结构及特点.分别采用BP网络和RBF网络建立了离心泵能量性能预测模型.用57组数据对这两个预测模型进行了训练,并用6组数据对两种网络结构的性能预测模型进行了仿真.研究结果表面:两种网络结果的预测模型预测精度比较接近且预测结果的趋势也相同,BP网络预测精度略高于RBF网络;BP网络扬程平均预测误差为3.85%,效率平均预测误差为1.39%,RBF网络扬程平均预测误差为4.79%,效率平均预测误差为3.43%;RBF网络预测所需时问仅为BP网络预测所需时间的一半.