设计洪水频率曲线的粒子群优化适线法研究

应用现代智能优化算法，按照不同适线准则进行了设计洪水的频率计算。根据我国水利水电工程设计洪水计算规范，应用粒子群算法按照离（残）差平方和最小，离（残）差绝对值最小和相对离（残）差平方和最小准则，进行了设计洪水频率曲线参数的优化估计研究。通过实例验证，认为粒子群算法进行设计洪水频率曲线参数估计优于传统的经验适线法。与传统优化方法相比，粒子群算法对优化目标函数要求低，避免了大量的求导计算，是一种推求设计洪水频率曲线统计参数的新途径。     

基于太赫兹时域光谱技术的掺假川贝母检测

目前川贝母粉掺假现象层出不穷，严重影响了中药材市场的健康发展，因此对川贝母真伪进行检测意义重大。该研究以纯品川贝母粉以及5种含不同掺假物的川贝母粉样品为研究对象，探究太赫兹时域光谱技术在检测川贝母品质方面应用的可行性。先利用偏最小二乘判别（Partial Least Squares Discriminant Analysis, PLS-DA）对纯品川贝母粉以及掺假川贝母粉建立原始光谱的二分类模型。为了同时对多种含不同掺假物的川贝母样品进行鉴别，先对原始光谱采用多种单一预处理方法以及多种复合预处理方法进行处理，再利用主成分分析（Principal Component Analysis, PCA）对数据进行降维，最后建立支持向量机（Support Vector Machine, SVM）多分类模型。建立SVM多分类模型时，采用网格搜索（Grid Search）与粒子群（Particle Swarm Optimization, PSO）算法两种参数优化方式，对SVM的惩罚参数（c）与核参数（g）进行优化。结果显示：6个二分类模型的鉴别正确率均为100%，表明纯品川贝母粉与掺假样品的太赫兹时域光谱存在差异，归一化-MSC-PSO-SVM多分类模型效果较为理想，预测正确为95.67%，均方根误差为0.432。该研究可为检测分析川贝母品质提供一种理论经验借鉴。     

基于微粒群算法的大豆生育期内有限水量的最优分配

粒子群优化算法(PSO)是基于群体智能理论的优化算法.该算法利用生物群体内个体的合作与竞争等复杂性行为产生群体智能,对解空间进行智能搜索,从而发现最优解.通过水肥互作盆栽试验,应用Jensen模型对大豆水分生产函数进行拟合,计算出不同氮肥条件下的各生育阶段的水分敏感指数.利用PSO收敛速度快、预测精度高等优势,建立一种大豆灌水量优化分配模型,旨在准确预测大豆灌水量.结果表明,粒子群算法应用于灌溉制度优化中是可行的,既拓宽了PSO应用领域,又为制定合理的灌溉制度与提高水分利用效率提供新思路.     

基于粒子群算法的城镇土地利用空间优化模型

土地利用结构优化是土地资源优化配置的核心,包括数量结构优化和空间结构优化。针对传统的优化模型如线性规划、多目标、灰色系统和景观生态等不能实现土地数量结构和空间结构的有效统一,在研究现有智能优化模型如元胞自动机、遗传算法的基础上,采用近年来新兴的粒子群优化算法,利用其空间飞行搜索特性和较强的全局优化能力,构建了基于粒子群算法的土地利用空间优化模型。研究表明,该模型能利用粒子的群体空间分布模拟土地利用空间格局,并能在多目标控制下进行全局优化处理,实现土地利用数量结构和空间结构的有效统一。     

基于改进MSVR的鲜食葡萄运输过程中环境因子与感官品质建模

挖掘运输过程中环境因子和生鲜果蔬感官品质之间的关系,实现基于环境因子的感官品质评估和预测,对于保持生鲜果蔬物流品质具有重要意义。该研究以鲜食葡萄为研究对象,通过对实际运输过程的跟踪监测,在实验室开展了鲜食葡萄运输模拟试验和感官试验,构建了鲜食葡萄运输感官品质数据集。在建模方法层面,该研究提出了一种基于多输出支持向量回归（Multiple Output Support Vector Regression,MSVR）模型的运输环境因子（温度、相对湿度）与感官品质（外观、香气、质地和风味品质）的预测模型,并利用粒子群（Particle Swarm Optimization,PSO）算法和遗传算法（Genetic Algorithm,GA）对模型进行优化（PSOGA-MSVR）。结果表明,PSOGA联合优化算法有效提高了MSVR模型的调参效率,且在常温运输、保冷运输和冷链运输3种不同的运输模式下,PSOGA-MSVR模型的预测效果均更优,决定系数R2高于0.98且各项误差指标低于其他模型;研究结果为运输过程中合理调控环境因子减缓生鲜水果感官品质的下降提供参考。     

基于自加速遗传粒子群算法的半封闭式温室能耗预测

针对半封闭式温室环境参数众多且难以测量的问题,提出了一种机理建模与系统辨识建模相结合的温室能耗建模方法。采用自加速遗传粒子群算法(self-accelerating hybrid algorithm of particle swarm optimization and genetic algorithm,SPSO-GA)对温室物理模型中难以确定的参数进行辨识,建立半封闭式温室能耗预测模型。根据上海半封闭式玻璃试验温室的气象数据和测量的能耗值,分别采用遗传算法(genetic algorithm,GA)、粒子群算法(PSO,particle swarm optimization)和SPSO-GA进行参数辨识与能耗预测比较分析。采用SPSO-GA获得的温室能耗预测结果与实测数据的相对误差为1.4%,分别比GA和PSO减少了2.9%和13.7%。根据日太阳光照辐射总量、室外日均温度2个参数及相应的变化曲线,预测的温室能耗值精确度大于86%。试验与模拟结果验证了基于SPSO-GA的温室能耗预测模型有效,可为半封闭式温室能量负载设计、管理和控制提供理论依据。     

特征优化结合随机森林算法的干旱区植被高光谱遥感分类方法

针对高维光谱纹理特征空间的降维和特征优化算法结果的不确定性问题,该研究在提取多尺度纹理图像构建高维光谱纹理特征空间的基础上,将遗传算法（genetic algorithm,GA）、粒子群优化算法（particle swarm optimization,PSO）等传统特征优化算法和广义正态分布优化算法（generalized normal distribution optimization,GNDO）、原子搜索算法（atom search algorithm,ASO）、海洋捕食者算法（marine predators algorithm,MPA）等特征优化算法与随机森林（random forest,RF）图像分类算法相结合,提出了GA-RF、PSO-RF、GNDO-RF、ASO-RF和MPA-RF算法,并应用于青海省海西蒙古族藏族自治州都兰县宗加镇附近区域资源一号02D（ZY1-02D）高光谱数据的植被类型分类。结果显示,在高光谱反射率数据基础上加入多尺度纹理特征使总体分类精度（overall accuracy,OA）提升了8.02个百分点。与传统RF方法相比,提出算法的植被分类 OA提升了1.32～2.40个百分点,其中MPA-RF方法取得了最高的分类精度,OA和 Kappa系数分别为88.92%和0.86。研究表明从不同窗口大小、窗口移动方向提取的纹理图像有利于区分不同的植被与地物类型,在光谱特征基础上加入多尺度纹理特征能有效提升植被识别精度。以迭代优化的方式将特征优化算法与图像分类算法相结合,缓解了优化算法结果的随机性,克服了高维特征的休斯效应,提高了植被分类精度。该研究为高光谱遥感植被分类中特征提取、特征优化与分类算法选择提供了思路。     

基于Relief F和PSO混合特征选择的面向对象土地利用分类

针对面向对象土地利用分类存在特征维数过高的问题,提出了一种结合Relief F和粒子群优化算法(particle swarm optimization,PSO)的混合特征选择方法,即首先利用Relief F作为特征预选器滤除相关性小的特征,然后以PSO作为搜索算法,以支持向量机(support vector machine,SVM)的分类精度作为评估函数在剩余特征中选择出最优特征子集。该文以吉林省长春市部分区域为研究区,采用Landsat8遥感影像为数据源,首先对其进行多尺度分割,然后提取影像对象的光谱、纹理、形状和空间关系特征,利用提出的混合特征选择方法选取最优特征子集,最后使用SVM分类器对研究区进行土地利用分类,总体分类精度和Kappa系数分别为85.88%和0.8036,与基于4种其他特征选择方法的土地利用分类结果进行比较,基于Relief F和PSO的混合特征选择方法利用最少的特征获得最高的分类精度,能够有效地用于面向对象土地利用分类。     

基于CART重要度排序和混合ELM模型的蒸散预测

准确地预测区域蒸散有助于区域水资源的合理利用,减少水资源浪费。为从多项气象因子中筛选出核心因子,构建少因子蒸散预测模型,高效精确预测蒸散,该研究在九大农业区选取23个典型站点,搜集降水量、日照时数等8个气象因子数据,使用分类回归树（classification and regression tree,CART）对气象因子进行重要度排序。基于排序结果,选取排序前3～5项气象因子,基于极限学习机（extreme learning machine,ELM）模型对蒸散进行预测。同时,使用遗传算法（genetic algorithm,GA）,粒子群算法（particle swarm optimization,PSO）,麻雀搜索算法（sparrow search algorithm,SSA）对ELM模型进行优化,并使用这3种优化算法（GA-ELM、PSO-ELM、SSA-ELM）构建少因子混合优化蒸散预测模型。结果表明：1）基于CART算法重要度排序结果,蒸散的主要影响因子依次是降水量、日照时数、平均本站气压、日最高气温、平均相对湿度。2）3种优化算法预测模型中,PSO-ELM模型的预测精度最高,23个站点的蒸散预测的均方根误差为6.608～22.077 mm/d,纳什效率系数为0.824～0.998,R²为0.908～0.995,平均绝对误差为5.075～16.677 mm/d。3）ELM模型在云贵高原区和四川盆地及周边地区有较好的适用性,3种优化算法在华南区和云贵高原区有较好的适用性,其中PSO-ELM模型的适用性最高。研究结果为中国九大农业区域的作物需水量计算提供参考。     

采用LWD-QPSO-SOMBP神经网络的拖拉机柴油机故障诊断

针对目前拖拉机柴油机故障诊断中单BP（Back Propagation）神经网络模型的局限性,该研究提出一种LWD-QPSO-SOMBP（Linear Weight Decrease-Quantum Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络的拖拉机柴油机故障诊断模型。首先,将SOM（Self Organizing Maps）神经网络和BP神经网络结合,重置网络结构并利用LWD-QPSO（Linear Weight Decrease-Quantum Particle Swarm Optimization）算法对网络的权值和阈值进行优化;然后,分析拖拉机柴油机的故障机理,确定反映故障发生的数据信号;最后,确定LWD-QPSO-SOMBP神经网络模型的结构参数,基于CAN（Controller Area Network）总线技术采集潍柴WP6型拖拉机柴油机传感器信号数据对LWD-QPSO-SOMBP神经网络的性能进行测试,并将测试结果与BP神经网络、SOMBP（Self Organizing Maps Back Propagation）神经网络、PSO-SOMBP（Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络、LWD-PSO-SOMBP（Linear Weight Decrease-Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络及改进量子粒子群（Improved Quantum Particle Swarm Optimization,IQPSO）算法优化后的SOMBP神经网络的测试结果进行对比。试验结果表明, LWD-QPSO-SOMBP神经网络输出总误差为0.111 8、平均相对误差为0.005 8、均方误差为0.000 3,相比于其他5种神经网络均为最低。LWD-QPSO-SOMBP神经网络充分发挥并有效综合了SOM神经网络在数据预处理及PSO算法在优化BP神经网络初始权值阈值方面的优势,实现了拖拉机柴油机的高精度故障诊断。LWD-QPSO-SOMBP神经网络由于使用SOM神经网络结构对输入数据进行预处理,网络收敛速度大幅度提升,相比单BP神经网络,迭代次数由2 431次降为63次,下降了97.40%;同时采取LWD-QPSO算法对BP神经网络的初始权值阈值进行优化,降低了传统PSO算法的粒子适应度,进一步提高了网络的收敛精度和收敛速度,相比传统PSO算法,粒子适应度从0.15降为0.11,下降了26.67%,网络训练误差由0.004降为0.000 6,下降了85.00%;LWD-QPSO-SOMBP神经网络的故障诊断准确率大幅度提升,相比于单BP神经网络,输出总准确率由85.00%上升至99.44%。研究结果可为高精度拖拉机柴油机故障诊断提供参考。     

群智能在农业生产等方面的应用研究综述

群智能是一种模拟自然界动物觅食筑巢行为的新兴演化计算技术。微粒群算法作为群智能算法的一个分支,在解决农业生产中的大规模组合优化问题方面表现出强大的优势。本文分析了目前应用于电网构建和农田水利灌溉等工程中的微粒群算法,并提出了一些展望。     

基于颜色系数反向粒子群模型的田间作物分割方法

针对复杂多变的农田环境下,田间作物分割既要保留农田作物完整外部形态信息,又要满足农田作业速度的要求,该文提出一种基于反向变异粒子群优化(reverse mutation-particle swarm optimization,RM-PSO)算法提取最优颜色系数的田间作物分割方法。该分割方法分为离线和在线2个部分,离线部分采用反向变异策略提高了初始粒子群群体质量及算法的搜索效率,避免算法早熟收敛,陷入局部最优,引入满意度函数对最优颜色系数进行评价,提取全局最优颜色系数。在线部分采用离线提取的最优颜色系数对作物图像灰度化,进而对灰度化后图像进行阈值分割得到最终的分割结果。试验结果表明,该文方法平均错分率(error distinguish rate)仅为4.8%,低于HSI算法、EXG法以及Mean-shift神经网络分割算法的11.3%、19.5%、5.7%;标准差值为3.1%,相较于HSI算法的7.2%、EXG法的14.7%、及传统PSO方法的7.9%,该文算法具有更高的稳定性;平均处理时间为0.311 s,而HSI方法为0.908 s,Mean-shift神经网络分割算法为1.942 s。该方法不仅能够保证不同光照及不同景物干扰下作物外部形态信息完整,同时处理速度快,鲁棒性好,具有较高的实际应用价值。     

GIS与粒子群算法在农村变电站选址规划中的应用

针对基本粒子群算法在农村变电站选址问题中得到全局最优解的收敛速度慢和易陷入局部最优解的缺点,该文以某县开发区为例,运用惯性权重动态调整策略,有效地平衡了算法的全局和局部搜索能力,从而改善了基本粒子群算法的性能,并且充分考虑地理信息系统对规划站址的影响,将改进的粒子群算法和图形问题相结合。结果表明：基本粒子群算法得到最优解的迭代次数为48次,改进后算法的迭代次数减少到26次,得到最优解的速度提高了近一倍,并以GIS为平台实现了规划的可视化。     

利用智能推荐技术改进电子科研档案网络服务质量探讨

改进电子科研档案网络服务质量的智能推荐方法主要包括关联规则的推荐方法、协作过滤推荐技术和聚类方法的推荐技术三种。这些智能推荐方法在客户浏览、检索和购买电子档案产品过程中,对于评价客户的需求、期望和优秀服务的感知度具有广泛的应用。智能推荐方法可评价客户对电子科研档案网络服务和网络资源的满意度,进而向客户推荐适当的电子产品的手段,必将极大地提高电子科研档案网络服务质量。     

基于改进粒子群算法的农产品召回优化

农产品加工是食品供应链质量控制的关键环节。该文针对农产品加工环节的产品召回优化问题,给出了批次分散优化模型并分析了其算法复杂度。针对优化模型为NP难度(non-deterministic polynomial hard),难以求解的问题,指出了采用粒子群优化进行求解的途径。针对粒子群优化算法在进化的初期收敛速度快,易引起早熟;在进化后期收敛速度慢,易引起振荡的问题,提出了一种基于分段门限粒子替换策略的改进粒子群优化算法。采用相关算例对该文提出的改进粒子群优化算法进行优化性能验证,并与类似智能优化算法进行性能对比。算例仿真和性能对比的结果表明,该算法运算开销约为同类算法的10%,且可以降低潜在的召回规模约30%,适用于农产品加工环节的产品召回优化。     

像素自相关矩阵的阈值自适应角点检测算法

针对Harris角点检测算法中角点响应函数(corner response function,CRF)系数阈值与非极大值抑制系数阈值需要人为设定所造成的可变性和随机性等问题,该文提出一种通过计算图像每个像素的自相关矩阵行列式值,构造特征角点图像进行自适应阈值分割的改进Harris角点检测算法.该算法首先通过计算原图像经过方向滤波和低通滤波后各像素的自相关矩阵行列式值,以此构造特征角点图像;然后采用OTSU算法计算特征角点图像分割阈值,从而筛选出预选区域;最后结合改进的非极大值抑制方法提取有效角点.通过5组角点检测对比试验结果数据分析,不同类型图像的角点检测准确率均有提高,高分二号遥感影像的角点检测准确率提高27.06个百分点,可以初步得出,该算法相比传统Harris角点检测算法不但能够自动计算角点检测的最佳阈值,而且能够更准确地定位角点和去除边缘伪角点,从而提高了角点检测的精确度,该研究可为农业遥感影像数据检测提供参考.     

基于PSO-SVM算法的梯级泵站管道振动响应预测

泵站管道振动响应信号实测比较困难,为实现利用较少机组数据预测管道振动状况,提出基于粒子群(particle swarm optimization,PSO)的支持向量机(support vector machine,SVM)预测方法。利用粒子群全局跟踪搜索算法优化SVM核函数和惩罚因子,弱化SVM参数优化不足导致预测精度低的问题。以景电梯级二期3泵站2号管道为研究对象,基于机组和管道的振动实测数据,首先利用频谱分析和数理统计方法确定管道振动的振源贡献率,并计算机组和管道振动相关系数,确定机组和管道之间的强耦合关系。然后建立泵站管道振动的PSO-SVM预测模型,选取机组不同时段振动实测数据作为输入因子,相应时段管道振动数据作为输出因子进行训练和振动预测,并将管道振动预测结果与BP神经网络预测结果进行对比。与BP网络神经预测结果相比,该方法预测结果与实测值吻合度高,其平均相对误差最大为6.8%,根均方误差最大为0.261,预测精度更高。能够有效实现管道的振动响应预测,从而达到管道实时在线安全运行监测的目的。     

苹果采摘机器人夜间图像降噪算法

苹果采摘机器人图像处理系统采集到的实时夜间图像含有大量的噪声,影响采摘效率。通过差影法对夜间图像进行噪声分析,判定其噪声类型为以高斯噪声为主,并伴有部分椒盐噪声的混合噪声。针对高斯噪声去除难题,将独立成分分析(independent component analysis,ICA)理论引入夜间图像降噪,并尝试采用粒子群优化算法(particle swarm optimization,PSO)对ICA进行优化,建立基于PSO优化的ICA降噪算法(PSO-ICA),以期最大限度地降低夜间图像的噪声污染。利用标准Lenna图像和自然光下的苹果图像,进行仿真试验,结果表明PSO-ICA方法降噪效果最为理想。然后对白炽灯、荧光灯、LED灯3种不同的人工光源下采集到10个样本点的夜间图像进行验证试验,结果表明,从视觉效果评价,在3种人工光源环境下,PSO-ICA降噪方法得到低噪图像均表现为噪点明显减少;从相对峰值信噪比(relative peak signal-to-noise ratio,RPSNR)看,在3种人工光源下的平均值,PSO-ICA得到的低噪图像,分别比原始图像、均值滤波降噪和ICA降噪得到的图像的相对峰值信噪比提高21.28%、12.41%、5.53%;从运行时间看,PSO-ICA方法较ICA方法的运行时间平均减少了49.60%。PSO-ICA方法用于夜间图像降噪有着独到的优势,为实现苹果采摘机器人的夜间作业打下坚实的基础。     

基于图像特征点粒子群聚类算法的麦田作物行检测

为了快速准确地提取麦田作物行中心线,提出了基于图像特征点粒子群聚类算法的麦田作物行检测。首先,对自然光照下获取的彩色图像运用"过绿颜色因子图像灰度化"、"Otsu图像二值化"、"左右边缘中间线检测提取作物行特征点算法"3步对图像进行预处理。然后,根据农田作物行中心线周围区域的特征点到该直线的距离均小于某一距离阈值的特征,运用粒子群优化算法对每一作物行的特征点分别进行聚类。最后,对每一类的特征点用最小二乘法进行直线拟合获取麦田作物行中心线。试验结果表明,该算法可以对作物断行、杂草、土块等复杂农田环境下的图像进行有效地作物行检测,识别率达95%,识别误差小于3°。与标准Hough算法相比,运行速率提升了一倍。该文可为实现农业机器人田间作业提供参考。