BP神经网络与GA-BP农作物需水量预测模型对比

农作物需水量预测是制定合理灌溉制度的重要依据.针对BP神经网络的不足,利用遗传算法(GA)具有全局搜索能力强的特点,建立基于GA-BP神经网络的农作物需水量预测模型.以广州辣木农庄试验田农作物作为研究对象,结果表明:基于BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.037和0.648;GA-BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.013和0.882,GA-BP农作物需水量预测模型收敛速度、确定性系数和性能均优于BP农作物需水量预测模型.     

基于ZigBee和模糊控制决策的自动灌溉系统的设计

针对节水灌溉受多种因素影响难以建立精确控制模型的特点,为了实现作物的自动、实时与适量灌溉,设计了基于ZigBee和模糊控制决策的全自动灌溉系统。该系统通过ZigBee无线传感器网络采集土壤水势与环境气象信息,由农田蒸散量和土壤水势作为输入,以作物需水量为输出,采用模糊推理规则,使用分段模糊控制策略获得了作物的需水量,构成智能灌溉系统;采用ARM9微处理器,基于嵌入式Linux开发了网关节点,实现了数据的汇聚和GPRS通信方式的远程数据及命令转发。试验结果表明:该系统能快速准确地计算出作物的需水量,经济实用,有效地实现了全自动节水灌溉,特别适用于中小型灌溉区域的精细灌溉。     

基于BP神经网络与GIS可视化的作物需水量预测

作物需水量是农田水利工程规划、设计与灌溉用水管理的重要参数。基于BP神经网络与GIS可视化作物需水量预测,以河南省冬小麦的作物需水量为例,利用实测站点的地理坐标以及高程,通过BP神经网络对分析数据进行加密插值,并采用GIS里的协克里金法结合高程作为一个协变量进行作物需水量的空间插值,实现GIS可视化,从而得到准确度较高的作物需水量空间分布图。结果表明,该方法对于河南省冬小麦作物需水量预测具有较好的预测精度,方法有一定的参考价值。     

基于计算机网络算法的智能采摘机器人设计

为了提高采摘机器人的路径规划能力,基于计算机网络算法设计了智能采摘系统。首先,采摘机器人采集农田图像时,基于PSPNet网络算法,设计改进型计算机网络算法,实现农田环境因素识别;其次,识别获得道路特征图,并进行图像处理,得到道路边缘,拾取道路两边缘中线离散点,进行引导线拟合;最后,采用双目视觉系统实现障碍物定位,进而建立路径规划函数,当路径规划函数取最小值时,道路规划最优。对引导线精度进行测试,结果表明：误差分布范围为-1.2%～5.3%。对障碍物测距进行测试,结果表明：机器人和行人之间的相对偏差分布区间为[-2.2%, 2.8%],和车辆之间的相对误差分布区间为[-2.9%, 3.4%]。     

基于GA-BP神经网络与正态区间估计的需水预测 ——以邯郸市为例

科学准确的需水量预测结果可以为城市水资源供需平衡决策提供合理依据.针对城市需水涉及因素多、历史数据样本量少、需水量具有波动性和不确定性的特点,提出了基于GA-BP神经网络与正态区间估计的组合预测模型,模型使用主成分分析法、灰色关联分析法筛选影响因子,加入遗传算法优化BP神经网络,构建GA-BP神经网络,最后引入正态区间...     

基于灰色神经网络的作物需水量预测模型研究

采用灰色系统理论与神经网络,通过多维度气象因子和参考作物需水量的相关分析,来确立灰色神经网络拓扑结构及网络流程,建立了预测作物需水量的灰色神经网络模型。以海南省儋州市1979~2014年的气候数据为输入,作物需水量为输出数据,运用Matlab工具,仿真表明预测曲线与参考作物需水量曲线拟合度较高,灰色神经网络模型预测结果绝对相对误差均值为5.28%,预测精度高,为节水灌溉提供了一种新的有效方法。     

基于GA-BP神经网络的果园需水量预测

为解决果园需水量预测精度低、鲁棒性差等问题,提出了遗传算法(GA)优化BP神经网络的果园需水量预测模型.选取空气温度、土壤含水率、光照强度3个主要环境因子作为BP神经网络的输入量,利用遗传算法的全局搜索能力优化神经网络权值和阈值,建立GA-BP神经网络模型预测果园需水量.仿真结果表明:GA-BP预测模型的预测值比BP模型更加趋近期望需水量,模型评价指标平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE),均优于单一BP神经网络模型.与传统的BP神经网络算法相比,GA-BP神经网络模型能较好的表达果园需水量与主要环境因子的非线性关系,具有较高的预测精度和适应性.     

基于先进通信技术的农田灌溉系统研究

针对传统灌溉方式浪费水资源的问题,基于电力线设计了自动灌溉系统,由一个主模块和N个从模块构成,以单片机为控制中心。系统通过电力线进行通信和远程控制,采用灰色预测模糊PID控制算法控制灌溉系统的需水量。为验证该系统的性能,对系统进行了灌溉试验。试验结果表明:系统可以完成灌溉系统数据的稳定传输,能够稳定控制灌溉过程的水流量,且灌溉系统运行稳定,工作性能良好。     

基于网络分析法的农田灌溉系统均匀性设计

针对传统的灌溉方式水资源利用率低和均匀性较差的问题,基于网络分析法对农田灌溉系统的均匀性进行研究。系统主要组成包括感知层、传输层和应用层,根据网络分析法理论,对灌溉系统的智能灌溉预测控制算法进行了设计。对灌溉系统进行BP神经网络和灌溉预测模型设计,以达到精准灌溉,提升灌溉均匀性的目的。为了验证该灌溉系统的有效性,对其进行灌溉均匀性试验,结果表明:系统达到了均匀性灌溉的目的,且能有效降低用水量。     

基于机器视觉的结球甘蓝形状鉴别方法

提出了一种机器视觉技术结合BP神经网络快速鉴别结球甘蓝叶球形状的方法。运用图像处理技术,提取结球甘蓝的高度、宽度、长轴、面积4个绝对形状参数,在此基础上定义了高宽比、圆形度、矩形度、椭形度、球顶形状指数等5个相对形状参数。分别以4个绝对参数、5个相对参数以及上述9个参数作为网络输入,建立BP神经网络叶球识别模型。测试结果表明,以绝对参数作为输入的BP神经网络正确识别率为62.5%,相对参数作为输入的BP神经网络以及相对参数和绝对参数9个参数作为输入的BP神经网络正确识别率均达100%,以相对参数作为网络输入的预测模型优于以绝对参数作为网络输入的预测模型,相对参数和相对参数结合绝对参数作为输入构建的BP神经网络识别模型均具有良好的分类和鉴别能力。     

基于神经网络的离心泵汽蚀性能预测

介绍了离心泵汽蚀性能预测的研究现状,分析了离心泵汽蚀性能预测的主要研究方法．根据设计流量下离心泵汽蚀余量的影响因素,确定人工神经网络的拓扑结构．应用MATLAB的神经网络工具箱,建立单级单吸离心泵汽蚀性能预测的BP神经网络（Back Propagation Neural Network）和RBF神经网络（Radial Basis Function Neural Network）两种人工神经网络模型．用工程实践中得到的57台离心泵几何参数和试验数据作为样本来训练建立好的网络,并用6台离心泵的数据来测试网络．预测值与试验值的相关性分析表明,BP和RBF网络的预测结果均较好,其中BP网络预测模型的平均相对偏差为5．69％,RBF网络预测模型的平均相对偏差为6．32％,可满足工程应用的要求．     

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。     

基于BP神经网络的PID控制在温室控制系统中的应用

以温度参数控制为例,结合传统PID控制规律,利用BP神经网络完成温室温度控制系统的PID控制系统设计.通过阐述基于BP神经网络的PID控制算法,完成温度控制系统中的BP神经网络PID控制参数在线整定.采用MATLAB对基于BP网络的PID温度控制系统进行了仿真,结果表明,PID控制算法能够实现控制参数的自适应调整,使系统对输入的响应达到小误差.     

基于模糊神经网络的枸杞滴灌系统设计

枸杞作为宁夏地区重要的经济作物,其种植过程中的自动化水平低下,宁夏地处西北,全年降水量偏少,土壤以沙土为主,水分易流失,因此枸杞滴灌十分重要。常规的PID算法难以满足枸杞滴灌的自动控制,因此设计了基于模糊神经网络的控制系统,该系统整合了模糊控制和神经网络,将土壤含水率的偏差和偏差变化率作为输入值,经过模糊神经网络运算后,得到PID控制器的3个输入参数,然后通过PID闭环控制系统实现枸杞滴灌的控制,通过Simulink仿真实验得出,模糊神经网络PID控制比传统的PID控制,超调量小,响应速度快。     

基于农业电气自动化的大棚智能控温系统设计

为了实现大棚温度的精确控制，基于数据融合与模糊控制技术，设计了智能温控系统。温度数据融合包括异常数据剔除、节点内数据融合与节点间数据融合，最终输出大棚温度表征量。模糊温度控制输入量为大棚温度表征量及其与设置值的偏差量，输出为温度调控设备控制信号。对系统中温度数据融合性能进行测试，结果表明：该方法优于平均值法；对温度控制性能进行测试，结果表明系统介入后温度相对偏差区间为[-2.5%, 3.5%]。     

土壤水分检测的模糊控制技术与试验

为了提高多因素制约下非线性系统测试土壤湿度的精度,构建了基于神经网络模糊控制技术的控制器以及DSP(TMS320VC5402)信号采集模块,提出了基于神经网络模糊控制原理的土壤水分信号处理优化方法,确定了模糊控制规则和修正规则的BP学习算法,建立了基于神经网络模糊优化器,并对系统进行了验证.结果表明,应用神经网络模糊控制原理采集和处理测试数据使土壤湿度的测试精度提高0.13%～2.12%.     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

基于遗传神经网络的种蛋成活识别系统

为解决人工识别种蛋受精误差和效率低等问题,本文提出一种基于DSP硬件平台和遗传神经网络的识别系统。系统以DM6437处理器搭建硬件处理平台,系统识别软件是遗传神经网络算法。它通过拍摄装置获取200枚种蛋图像,图像信息输入DSP系统的处理算法,提取图像的色调(H)分量颜色特征,使用主成分分析法找出色度分量中4个主成分特征,他们的总贡献率超过90%。最后利用遗传神经网络算法输入4个色度主成分特征,预测输出是孵化种蛋的成活性。训练神经网络并用测试集样本验证神经网络。实验结果是遗传神经网络和BP神经网络检测正确识别率分别是93%和86%,表明遗传神经网络的准确率较高,可以实现自动检测种蛋受精和成活。     

BP神经网络对甘蔗宿根切割质量的预测——基于PSO算法

针对甘蔗收获机砍蔗时甘蔗宿根破损程度易受路面激励及甘蔗收获机工作参数等多种因素影响的问题,提出了一种甘蔗宿根切割质量的预测方法。以台糖22号为研究对象,将路面振幅、路面振动频率、甘蔗收获机前进速度、刀盘转速和刀盘倾角作为BP神经网络预测模型的输入变量,利用PSO算法优化神经网络的权值与阈值,通过对砍蔗试验数据的训练与预测,建立了台糖22甘蔗宿根切割质量的BP神经网络预测模型。对比了基于PSO算法的BP神经网络模型与传统BP神经网络模型预测,结果表明:基于PSO算法的BP神经网络的模型对甘蔗宿根切割质量预测的最大相对误差为3.301%,而BP神经网络模型的最大相对误差为14.6 5 9%。优化后的新模型较传统模型具有学习能力强、预测精度高的优点。研究结果为甘蔗收获机实际工作中不同路况条件下工作参数的智能调控及提高甘蔗宿根切割质量提供了理论依据。     

节水自动灌溉模糊控制系统设计

针对农业灌溉系统的特点,提出了一种开关控制和模糊控制相结合的双模糊控制方案,介绍了控制系统的设计,并用单片机实现了该系统。