参考作物腾发量主成分神经网络预测模型

为解决采用神经网络模型预测参考作物蒸发蒸腾最Eto研究中预测能力不足的问题,将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析,提取主成分,建立了基于主成分的三层BP神经网络模型.选取崇川水利科学试验站2001年到2004年的旬气象资料,采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模犁作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与Eto之间的关系,尤其对训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果.     

基于废气成分分析和支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出了一种基于废气成分分析和支持向量机的发动机故障诊断方法。该方法首先运用NHA500废气分析仪采集发动机典型故障状态下的HC、CO、CO2、O2、NOX等废气参数值,接着对采集到的数据进行规范化处理,提取特征向量作为学习样本,然后用于设计训练基于支持向量机的多元分类器,进行故障类型识别。试验结果表明,采用纠错编码的支持向量机分类方法比神经网络具有更好的抗干扰性和更强的分类能力,在小样本的情况下故障诊断正确率达98.5%,能有效描述废气成分变化和故障状态之间的复杂关系。     

基于组合神经网络的农用车轮胎号识别方法

为了保证轮胎号识别系统具有较高的识别正确率和置信度，对轮胎号字符识别方法进行了研究。对大量的农用车轮胎号字符图像样本进行各类特征量提取，针对每类特征量建立各自的子BP网络进行训练，并将各训练好的子网络进行组合形成并行组合神经网络，按照等权平均或投票选举决策得出最终识别结果。并行组合神经网络的连接数较传统庞大单级神经网络少，训练和识别的速度要快，大量的轮胎号字符样本识别试验表明，并行组合神经网络的识别正确率和置信度都较传统BP网络得到提高。     

基于人工神经网络的联合收割机变速箱计算机辅助设计

针对自走式联合收割机变速箱优化设计中存在计算量大、图表多等问题，提出了一种新的神经网络学习算法，相对于其他学习算法，该算法侧重于网络参数的调整，通过对样本集的模糊推理、调整和分类学习来实现自适应的神经网络学习。通过BP网络的学习和训练，采用单输入双输出的1-8-2结构、1-6-2结构、1-4-2结构进行训练，从实际的应用效果来看，选择1-6-2的ＢＰ网络结构作为最终的神经网络形式，网络的识别精度是非常高的。结果表明，该算法能运用神经网络对联合收割机变速箱进行了设计研究，建立数学描述形式，分析了通过神经网络来实现变速箱设计模型构建的方法。研究表明，应用神经网络构建的模型能够减少系统的分析次数，并能够很大程度的提高模型的精度，满足计算要求，最终在设计空间内寻找出较好的设计方案。     

基于遗传神经网络的全国小麦条锈病长期气象预测

为了提高反向传播（BP）神经网络模型预测小麦条锈病发病率的准确性和效率,以上年1月-当年3月组合的120个大气环流特征量为基础,定量分析大气环流特征量与全国小麦条锈病发病率之间的相关性并从中筛选出主要的影响因子;对影响因子进行主成分分析（PCA）,提取累计贡献达到85．46％的前10个主成分作为预测因子;利用逐步回归、BP神经网络及遗传算法（GA）优化的BP神经网络三种模型进行预测,三种模型的预测精度均在80％以上,其中GA—BP神经网络模型的精度最高,达92．6％,而其训练步长仅为标准BP神经网络的1／4左右。通过PCA简化网络结构,同时运用GA优化网络初始权值和阈值,GA—BP神经网络模型可以较好的预测小麦条锈病的发病率。     

基于L-M优化算法的BP神经网络的作物需水量预测模型

应用L-M优化算法BP神经网络，通过多维气象数据(太阳辐射、空气温度、湿度)与作物需水量的相关分析，来确定网络的拓扑结构，建立作物需水量的人工神经网络模型。用美国田纳西州大学高原实验室所测的100 d气象数据为输入、作物需水量为输出来训练建立好的BP神经网络，仿真表明该神经网络能很好地解决需水量多影响因素之间的不确定性和非线性，模型的预测精度较高，同时通过一组非样本天气环境参数和作物需水量来验证该神经网络，也得到了较好的预测结果，能够满足灌溉的精度要求。     

基于BP神经网络模型的荔枝树叶面积测定方法

为了准确、快速地测定荔枝树叶面积，设计了一个BP神经网络模型，输入参数为叶片长度和叶片最大宽度，输出参数为叶面积。用LI-3000A型叶面积仪测量所得到的样本数据对网络进行训练，测试样本的网络输出与网络目标的相关系数达0.99609，网络模型是有效的。用训练后的网络模型对10组未参加建模的样本数据进行叶面积测定，误差平方和为1.2929，优于回归方程法的2.511。训练好的BP神经网络模型可以在不破坏叶片的情况下，简单、快速、经济地测定大量的荔枝树叶片面积。     

柿子可溶性固形物含量的可见-近红外光谱检测

为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。     

往复机械振动诊断系统软件的研究

研究了一套振动诊断系统软件,可用于往复机械的故障诊断。此软件系统分为两部分,分别放置在诊断仪和ＰＣ机中,诊断仪软件完成数据采集、预处理、特征提取、神经网络分类和系统决策功能,ＰＣ机主要完成神经网络训练和对信息的存储与交换。系统以主成份回归模型为特征提取器,用神经网络模型作分类器,是一种基于模式识别的故障诊断方法,减少了诊断过程中人为因素的影响,故而诊断的准确性、智能化水平及自动化程度都得到了提高。     

改进烟花算法和概率神经网络智能诊断齿轮箱故障

针对复杂环境下农机设备的齿轮箱系统在故障诊断时存在易受现场噪声干扰和故障识别率低等问题,提出了一种基于改进的烟花算法和概率神经网络的齿轮箱智能故障诊断方法。为提高现有概率神经网络模式分类方法的性能,定义了一项样本相似度衡量指标以提高建模过程中训练样本的质量。将烟花算法与概率神经网络技术有机融合提出了一种改进的烟花算法-概率神经网络模式分类方法,利用烟花算法优化概率神经网络的平滑参数以确定网络参数的最优值,提高模式分类与识别精度。将改进的烟花算法-概率神经网络模式分类方法用于噪声环境下齿轮箱的故障诊断建模,构建故障特征参量与齿轮箱工作状况间的复杂非线性映射关系。应用结果表明,与基于BP神经网络、GABP(genetic algorithm back propagation)神经网络和概率神经网络的故障诊断模型相比,在不同程度噪声影响下烟花算法-概率神经网络模型均具有最高故障识别率。当噪声控制系数为0.01、0.02、0.04和0.06时,模型的故障识别率分别为100%、95.83%、93.33%和88.33%。该研究可为非线性复杂系统的故障诊断提供了一种可行的解决方案。     

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。     

基于高光谱图像处理的大豆品种识别(英文)

大豆组分(油,蛋白质,脂肪等)在不同的大豆品种间差异很大。对于提高大豆品质来说,大豆品种识别是一个关键因素。该文利用高光谱图像技术对不同的大豆品种进行识别。利用高光谱成像系统获取大豆样本1 000～2 500 nm范围的光谱反射数据;应用主成分分析法(PCA,principal component analysis)对获取到的光谱数据进行数据降维并去除冗余数据;在分类算法中将得分高的主成分值作为输入特征,通过PCA方法从每个特征图像中提取4个特征变量(能量、熵、惯性矩和相关性);对于具体特征提取,从16个特征变量中提取8个重要特征参数;根据选择的特征,应用神经网络方法构建分类器;训练精度精度达到97.50%,平均测试精度达到93.88%以上。结果表明,应用高光谱图像技术结合神将网络建模方法可以对大豆品种进行分类。     

基于高光谱图像和遗传优化神经网络的茶叶病斑识别

为实现茶叶病害的快速高效识别,提出了基于高光谱成像技术和图像处理技术融合的茶叶病斑识别方法。利用高光谱成像技术采集了炭疽病、赤叶斑病、茶白星病、健康叶片等4类样本的高光谱图像。提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征。通过2次主成分分析,确定第二次主成分分析后的第二主成分图像为特征图像,基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征。利用BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验,识别率为89.59%;为提高识别率,提出遗传算法优化BP神经网络的方法,使病斑识别率提高到94.17%,建模时间也缩短至1.7 s。试验结果表明:高光谱成像技术和遗传优化神经网络可以快速准确的实现对茶叶病斑的识别,可为植保无人机超低空遥感病害监测提供参考。     

可见/近红外光谱快速鉴别米粉辐照剂量

为了实现对不同剂量辐照处理后米粉的快速鉴别,提出了一种基于可见-近红外光谱技术的快速、无损检测方法。试验先利用不同剂量的60Coγ-射线对米粉进行辐照处理,得到了4种样品共200个样本。再应用ASD可见-近红外光谱仪获取所有样本的反射光谱数据,并采用主成分分析方法对数据进行聚类分析,将提取的前6个主成分作为BP神经网络的输入值,建立不同米粉样品的鉴别模型。结果表明,在设定偏差标准为±0.1的情况下,利用该模型对预测集样本进行鉴别,识别率达到100%。该文提出的方法具有很好的分类和鉴别作用,为快速鉴别米粉类产品是否经辐照灭菌及处理剂量等提供了新的技术方法。     

基于PCA-RBF神经网络的烟田土壤水分预测

为建立烟田土壤水分预测模型以利于烟区种植的规划和管理,该文提出了基于主元分析（PCA）与径向基函数（RBF）神经网络模型的烟田土壤水分预测方法。首先,利用PCA消除原始输入层数据的相关性,以解决神经网络建模时输入变量过多、网络规模过大导致效率下降的问题;然后,以主元模型结果为输入建立土壤水分RBF神经网络预测模型。实例研究表明,烟田土壤水分PCA-RBF神经网络预测模型具有较好的预测效果,平均预测精度达到96.02%,与全要素误差反向传播（BP）神经网络和RBF神经网络相比,平均预测精度分别提高5.20%和6.06%,完全符合实际烟区种植规划的需求,为研究其他类型的土壤水分预测提供了参考。     

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。     

基于数据挖掘分类法的农用地分等

应用决策树模型、BP神经网络和Logistic回归模型等分类法,对龙川县农用地分等进行了实证研究,并对各方法的分等结果有效性进行了评价,同时利用混淆矩阵探讨了样本数量对3种模型分类精度的影响。结果表明,样本数量对模型影响有差异,其中对BP神经网络和决策树模型影响较大,在较多训练样本时,模型的精度较高。在较多样本支持下,BP神经网络精度最高,但训练模型的时间较长,可解释性差;决策树模型既具有较高的精度又具有良好的可解释性;Logistic回归模型表现较差。决策树模型最适合龙川县农用地分等工作。研究结果表明,数据挖掘分类法是有效而准确的土地评价方法,有助于提高土地评价的精度和准确性,对农用地分等方法的优化具有一定的借鉴意义。     

电子鼻快速检测谷物霉变的研究

针对目前我国在谷物的霉变与否的检测上还有一定的滞后性，研制出一套能快速检测谷物是否霉变的电子鼻装置，该装置能快速、准确地分析所测谷物散发的气味，从而判定所测谷物是否霉变。该电子鼻主要由一组厚膜金属氧化锡气体传感器阵列和RBF神经网络组成。用所研制的电子鼻对小麦、水稻、玉米3种谷物进行检测。整个实验过程如下：首先从每个传感器的反应曲线中提取4个特征值，并对所有特征值进行归一化处理，然后用常规的主成分分析和径向基函数(RBF)神经网络对它们进行分析。实验过程中发现，从主成分分析的结果发现很难将霉变谷物与正常谷