LMBP神经网络PID控制器在暖通空调系统中的应用研究

针对BP神经网络学习过程收敛速度慢及易陷入局部极小值的缺陷,研究了levenberg-marquart算法(即LM算法).为解决LM算法中学习速率的选择和逆矩阵的求解这两个严重影响训练时间和收敛精度的问题,采用LU分解法对LM算法进行改进和优化,并通过MATLAB语言编程实现,将得到的LMBP神经网络PID控制器应用于暖通空调冷冻水循环的控制回路中,将其控制效果与PID控制算法、BP神经网络PID控制算法进行仿真对比研究.研究结果表明,采用LMBP神经网络PID控制器在减少超调量、加快收敛速度、减少稳态误差等方面的性能都得到了明显的改善.     

BP神经网络算法的一种改进及在小麦赤霉病预测中的应用

针对BP网络收敛速度慢,计算量大等缺点,提出了动量法和批处理梯度下降学习算法相结合的BP神经网络改进算法,用以提高BP网络训练速度。该方法成功地实现了小麦赤霉病流行程度预测,效果显著。     

基于改进BP神经网络的高光谱遥感树种信息提取技术

【目的】通过分析树种间的光谱差异及改进分类算法以提高树种信息提取精度。【方法】文章采用安徽省砀山县EO-1 Hyperion影像,通过不同树种光谱信息的差异分析,筛选出区分树种信息的光谱指标,并采用改进的BP神经网络模型完成树种信息提取。【结果】结果表明,原始反射率和一阶微分部分光谱波段可用于树种识别,且一阶微分光谱的差异大于原始反射率;引入动量项和遗传算法改进的BP神经网络模型树种识别精度较传统BP神经网络提高8.5%,Kappa系数提高0.12。【结论】该方法可以实现较为准确的树种信息提取,能够达到对林业工程进行监测的目的,对快速评价工程质量有重要意义。     

基于BP神经网络的农田小气候站数据质量控制算法设计

【目的】设计基于BP神经网络的农田小气候站数据质量控制算法,为智慧农业发展提供数据支撑。【方法】以四川省温江国家自动气象观测站及农田小气候站2013年的日最高气温数据为资料,采用BP神经网络法构建农田小气候站温度误差补偿模型。【结果】构建的模型对日最高气温数据日变化率特征进行二次误差校正后,数据误差较控制前下降50%,有效提升农田小气候站监测数据的精度。【结论】数据质量达国家气象观测站的精度要求。     

基于BP神经网络的竹林遥感监测研究

竹林信息提取对利用遥感技术估算竹林碳储量至关重要,高精度地提取竹林信息将有利于降低碳储量估算误差。借助Matlab神经网络模块．采用BP神经网络（back propagation neural network）对ETM＋（enhanced themativ mapper plus）遥感影像提取竹林信息,得到了较高的精度,生产精度和用户精度分别为84．04％和98．75％;同时比较了Levenberg-Marquardt BP算法函数（Trainlm）、自适应学习率BP的梯度递减函数（Traingda）和梯度下降动量BP算法函数（Traingdm）等3种训练函数在分类中的差异。分析表明,Traingda算法函数分类精度最高,而Trainlm算法函数的训练时间最短。     

基于粒子群优化RBF神经网络的水轮发电机组振动故障诊断

【目的】针对单一径向基(RBF)神经网络在水轮发电机组振动故障诊断中泛化能力不足的缺点,提出基于粒子群(PSO)算法优化的RBF神经网络。【方法】利用PSO算法操作简单、容易实现等特点及其深刻的智能背景,对RBF神经网络的参数(中心和宽度)、连接权重进行优化,并用经PSO算法优化的RBF神经网络对水轮发电机组振动故障进行仿真诊断。【结果】仿真诊断结果表明,PSO算法优化的RBF神经网络具有较好的分类效果,较RBF诊断模型精度高、收敛快。【结论】PSO算法优化的RBF神经网络,适用于水轮发电机组振动故障诊断,其诊断精度较高,具有推广应用价值。     

基于Matlab和模糊PID的智能配肥终端控制系统的设计

设计了一种基于Matlab和模糊PID(proportional-integral-derivative)的智能配肥终端控制系统,该配肥控制系统由数据采集及控制系统、数模转换模块和各执行单元等器件组成。为提高智能配肥终端配肥精度和系统稳定性,提出了一种基于Matlab、SIMULINK和模糊比例积分微分PID的自适应模糊控制算法,该控制算法依据经验模糊控制规则,在线实时优化PID系数调校参数,有效改善了该系统的控制质量。结果表明,样机分别配制不同配肥总量的2种、3种和4种肥料时,误差均维持在0.85%,该控制系统超调量小,工作稳定,较好地满足了智能配肥终端配肥精度要求。     

基于神经网络PID的无人机自适应变量喷雾系统的设计与试验

【目的】针对传统植保无人机在定量喷施作业时由于飞行速度的变化造成施药不均匀以及传统控制算法无法满足无人机变量喷雾系统所需的实时性和稳定性等问题,设计一种基于神经网络PID的自适应无人机变量喷雾系统。【方法】采用风压变送器测出无人机的飞行速度,根据速度采用脉宽调制(PWM)方法进行自适应变量喷雾,同步用流量传感器测出实际喷雾流量,融合BP神经网络PID控制算法调节喷雾流量。由MATLAB构建BP神经网络PID控制算法,并与PID、模糊PID和神经元PID对比及分析;田间试验过程中,对比分析无人机定量喷雾与随飞行速度改变的变量喷雾效果,采用水敏纸获取雾滴沉积量分布,分别从整体区域、飞行方向和喷杆方向评价沉积量分布的均匀性。【结果】算法仿真对比试验结果表明,与PID、模糊PID和神经元PID相比,BP神经网络PID阶跃响应上升时间分别少28.57%、84.73%和31.03%,正弦跟踪平均误差分别小63.01%、87.03%和0.58%,方波跟踪平均误差分别小74.00%、79.53%和6.80%,鲁棒性强,无静差,超调量为1.20%;喷雾对比试验结果表明,本系统能够根据飞行速度自适应调节喷雾流量,实际流量与目标流量的平均偏差为8.43%,水敏纸扫描结果表明总体区域雾滴沉积量的变异系数对比定量喷雾平均降低26.25%,喷杆方向平均降低18.79%。【结论】该研究结果可为农业航空变量喷雾技术的应用提供理论基础。     

基于GA-BP神经网络的玉溪市耕地生态安全评价

【目的】尝试在BP神经网络的基础上引入遗传算法进行耕地生态安全评价,以解决BP神经网络在进行土地生态安全评价中收敛速度慢及局部极小值等局限性问题。【方法】依据玉溪市耕地现状,建立由生态压力与生态支持两个子系统组成共计18个指标的评价指标体系,利用综合指数法和基于遗传算法的BP神经网络相结合的方法,对玉溪市2001—2015年的耕地生态安全进行分析评价。同时对BP神经网络及GA-BP神经网络的评价结果进行对比分析。【结果】(1) 2001—2015年,玉溪市耕地生态安全指数由0.772 7下降到0.280 2,由较安全(II)下降到较不安全(IV)。(2) GA-BP神经网络模型较传统BP神经网络模型训练及预测误差小,收敛速度快,评价结果准确程度高。【结论】GA-BP神经网络模型可用于耕地生态安全评价,并且由于其网络性能的改进,具有较强的应用价值。     

基于自适应粒子群的农机自动转向系统分数阶控制

【目的】针对电控液压式农机自动转向系统的不稳定及响应慢等特点,提出一种分数阶PI~λD~μ控制器控制农机自动转向系统的方法.【方法】首先根据分数阶的控制原理,设计分数阶PI~λD~μ控制器,并建立控制系统的仿真模型,最后应用自适应粒子群算法优化分数阶PI~λD~μ控制器的5个参数(k_p,k_i,k_d,λ,μ),避免粒子群算法陷入局部最优.为验证该方法的性能,采用文献[12]的试验平台,对系统进行多种信号的仿真跟踪.【结果】在迭代5次左右模型稳定,阶跃信号跟踪实验中,上升时间是0.0125 s,超调量0.01%,稳态误差是0,优于传统PID的控制效果,正弦信号与随机信号仿真跟踪实验效果良好,模型抗扰动能力强.【结论】仿真实验表明,设计的自适应粒子群分数阶控制方法对提高农机自动转向控制系统的稳定性、快速性及精度具有重要意义.     

基于BP人工神经网络的土壤含水量预测模型的研究

土壤含水量是制约植物生长的主要因子之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义。提出了基于BP人工神经网络的土壤含水量预测模型,BP人工神经网络采用收敛速度较快和误差精度较高的动量-自适应学习速率调整算法。并通过基于这种模型的土壤含水量预测实验,结果表明BP人工神经网络预测模型提高了收敛速度和减少陷入局部最小的可能,并且提高了预测精度。     

基于卷积神经网络干制哈密大枣纹理分级

【目的】研究一种基于卷积神经网络干制哈密大枣纹理分级的方法。利用卷积神经网络解决干制哈密大枣的纹理分类问题。【方法】将大小统一的彩色图片输入网络,卷积核自动提取其纹理特征,进行分类。【结果】分类准确率达到了97.7%。【结论】与常用的灰度共生矩阵提取干制哈密大枣纹理特征(最大概率,相关性,对比度、能量、同质性和熵),再用BP神经网络和支持向量机(SVM)分类准确率相比的方法,避免了复杂纹理提取和图片预处理的过程,在测试时间相近的情况下识别率更高。     

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。     

基于BP和Adaboost-BP神经网络的 羊肉新鲜度高光谱定性分析

【目的】 实现对羊肉新鲜度的快速准确鉴别。【方法】 研究通过对460~1 000 nm的羊肉高光谱图像纯肌肉部分提取光谱数据,以挥发性盐基氮(TVB-N)值对新鲜度等级进行划分,对预处理后的光谱数据分别采用连续投影算法(SPA)、主成分分析(PCA)两种压缩降维方法和反向传播(BP)神经网络、自适应提升BP(Adaboost-BP)神经网络两种建模方法开展羊肉新鲜度的分类比较。【结果】 其中采用SPA、PCA建立的BP模型校正集与预测集准确率均为100%、83.33%,建立的Adaboost-BP模型校正集与预测集准确率均为100%、94.44%,两种压缩降维方法下Adaboost-BP模型效果均优于BP模型。【结论】 利用高光谱图像技术结合Adaboost-BP方法对羊肉新鲜度等级进行分类判别是可行的。     

BP人工神经网络模型在太湖水污染指标预测中的应用

【目的】利用BP人工神经网络模型预测太湖水污染指标,为探讨湖泊水污染物变化规律提供参考。【方法】利用2004~2010年浙江嘉兴王江泾断面自动监测站4项水质指标,建立了太湖水污染BP人工神经网络模型,并对太湖2012年前5周的水质情况进行预测。【结果】建立了浙江嘉兴王江泾断面的4项水质指标浓度的三层BP神经网络预测模型,其预测精度较高,对湖泊水环境污染物预测的适应性较好;对太湖2012年前5周的水质情况进行预测,结果表明,2012年前5周水质污染情况加重,基本为Ⅴ类水质,符合太湖水质污染情况发展态势。【结论】BP人工神经网络具有很强的非线性映射能力和柔性的网络结构,与传统的统计建模方法相比,其预测精度较高,能较好地反映水质指标的内在变化规律,为控制水环境污染提供了科学预测方法。     

基于自适应遗传优化递归神经网络的木工送料平台补偿控制研究

  目的  针对结构较为复杂的并联式多轴联动的新型木工带锯送料平台加工精度较低，控制参数无法优化，有多种不确定因素影响精度等问题。结合遗传算法寻优速度快和递归神经网络具有抑制不确定性因素的优点，设计一种将递归神经网络和自适应遗传算法结合的全局优化的控制策略。  方法  分析送料平台结构和误差产生来源，从而建立了相应的误差源模型；结合自适应遗传算法优化RNN网络参数进而对PID参数进行优化，通过Matlab和Adams联合仿真的方法对该补偿控制策略进行验证，并与传统PID、遗传算法优化PID参数和RNN网络优化PID参数3种补偿控制算法进行对比；分析不同算法下控制参数、送料平台位移与角度变化曲线，并搭建了实际电路和控制器进行实验。  结果  分析仿真结果可知:该控制策略与其他3种控制策略相比，超调量最小，响应最快，大约在0.6 s达到稳定，且其在外部干扰下，更快达到稳定，大约0.3 s达到稳定。经过该控制策略补偿后，Y方向的偏移误差从补偿前6 mm降低至小于3 mm，X方向的偏移误差从6 mm降低到2 mm，倾斜角误差从5.5°减小至3°，平台轨迹曲线大部分曲线段与目标曲线完全重合；传统PID控制时，Y方向的偏移误差为6 mm，X方向的偏移误差6 mm，倾斜角误差5.5°，平台轨迹曲线与目标曲线偏差较大；遗传算法优化PID参数控制时，Y方向的偏移误差从补偿前6 mm降低至小于4.8 mm，X方向的偏移误差从6 mm降低到5 mm，倾斜角误差从5.5°减小至4.5°，平台轨迹曲线部分曲线段与目标曲线重合；RNN网络优化PID参数控制时，Y方向的偏移误差从补偿前6 mm降低至小于4.5 mm，X方向的偏移误差从6 mm降低到4.8 mm，倾斜角误差从5.5°减小至4°，平台轨迹曲线部分曲线段与目标曲线重合。  结论  该方法与其他3种方法相比，响应速度快，超调量小，具有很好的抗干扰性能和较强的鲁棒性，且可有效补偿误差，提高其运动精度，满足驱动要求。      

墙土系统动测模型及土体附加参数识别方法研究

【目的】对墙土系统动测模型进行研究,同时提出了基于模态参数的土体附加参数识别方法,为墙土系统的损伤识别和健康诊断提供一种简单、适用的模型。【方法】建立了墙土系统动测模型,假定附加刚度和附加质量成三角形分布,采用附加刚度和附加质量模拟土体对墙土系统模态特性的影响。基于模态频率构造目标函数,建立模态频率和土体附加参数之间的BP神经网络结构,识别得到不同土体弹性模量对应的土体附加参数。将三维有限元整体模型分析得到的模态频率作为真实值,计算真实值和识别值之间的相对误差,判定识别方法的可行性。【结果】基于模态频率和BP神经网络的土体附加参数识别方法能够满足工程精度要求,模态频率相对误差均在2%以内;随着土体弹性模量的提高,土体的附加刚度呈双指数函数增大,附加质量呈双指数函数减小。【结论】提出的动测模型及基于模态参数和BP神经网络的附加参数识别方法是可行的,为墙土系统的健康诊断提供了一种行之有效的方法。     

基于BP神经网络的油松人工林树高模型研究

通过分析比较不同算法以及不同输入层因子，构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源，通过对6种BP神经网络的训练方法进行训练，经过反复筛选找出最优模型并与传统胸径-树高模型作比较；最后将BP神经网络中的输入因子从2个增加到6个后，经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳，R²和MSE分别为0.963 0和1.168；2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响，BP神经网络模型的决定系数（R²）随着隐含层节点数的增加呈现先上升后下降的趋势；均方误差（MSE）呈现先下降后上升的趋势，两者都在节点数为10时有极值，此时的模型为最优模型；3）当输入因子为胸径和优势树高时，油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1），此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.761 0和1.984 7；当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时，最优模型结构为6∶10∶1，此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出，在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法；BP神经网络模型与传统模型相比，BP神经网络模型不需要目标方程结构，并且模拟和预测的精度均要优于传统模型；在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。     

基于遗传算法优化的BP神经网络的组合预测模型方法研究

【目的】提出以传统猪瘟发病率为对象的组合预测模型。【方法】利用ARIMA模型以及灰色模型GM(1,1)进行数据初始化处理,将初步处理结果作为优化后的BP神经网络输入构建组合模型。【结果】利用组合模型对2000年到2009年的月度发病数据进行实例分析,结果表明预测数据精度达到97.379%,较ARIMA模型,灰色模型、BP神经网络模型分别提高了5.469%、3.499%、1.188%,模型平稳性增强,预测结果良好。【结论】本研究为动物疫情测报提供了有效的分析手段,验证了组合模型在动物疫情研究中的可行性,并可为其它动物疫病提供借鉴和参考。