联合收获机惯性分离室工艺参数优化——基于改进BP神经网络

为了确定各因素对惯性分离室的性能的影响,以及寻找最优的参数组合,提出了一种新的BP神经网络的改进方法,对联合收割机惯性分离室的吸运系统压力损失的实验数据进行了拟合,并与二次回归模型方法进行比较。结果表明,改进的BP神经网络的拟合精度明显优于二次回归的拟合精度;同时,通过BP神经网络的优化方法求取了4个参数的最优组合值,为惯性分离室的性能研究提供了一种新的方法。     

基于GA-Adam优化算法的BP神经网络农业灌水量预测模型

针对传统BP神经网络预测农业灌水量时存在易陷入局部最小值、难以选择合适学习率的问题,提出了一种基于遗传算法和Adam算法并行优化BP神经网络的农业灌水量预测模型.该模型利用遗传算法对BP神经网络进行初始权值和阈值的预筛选,然后采用Adam算法来实现学习率自适应于参数梯度不断更新.收集黄河流域陇中片灌溉分区内7个典型灌区...     

基于BA-BP开关磁阻电机电流分段建模研究

提出一种基于蝙蝠算法(BA)优化BP神经网络的方法,将该方法用于建立开关磁阻电机(SRM)的电流模型。针对BP神经网络存在的易陷入局部最优和收敛速度慢等缺点,利用BA算法快速寻优能力优化BP神经网络的初始阈值和权值,提高BP神经网络SRM建模精度。同时采用分段拟合法进一步提高建模精度。结果表明,基于BA优化后的BP神经网络具较高的建模精度,而采用的分段拟合建模法可进一步提高建模精度。     

基于蜻蜓算法的甘蔗收获机刀盘振动SVM预测模型

甘蔗收获机切割器刀盘振动是影响甘蔗宿根切割质量的一个关键因素,因此寻找复杂因素对刀盘轴向振动的影响规律并实现对刀盘振动的预测与控制有着至关重要的作用。为解决传统预测方法精度低、参数选取盲目等问题,提出一种基于蜻蜓算法的甘蔗收获机刀盘振动支持向量机预测模型。该方法利用蜻蜓群体寻优的过程实现对支持向量机参数的优化,并将优化后的支持向量机对刀盘振动进行预测。通过Mat Lab进行20次仿真实验,并与BP神经网络预测模型和传统支持向量机预测模型的预测结果进行比较,实验数据表明:基于蜻蜓算法的支持向量机预测模型具有更高的预测精度和泛化能力。结果显示:基于蜻蜓算法优化的支持向量机对刀盘振动预测的拟合率达到了99.99%,有效提高了甘蔗收获机刀盘振动的预测精度,从而表明基于蜻蜓算法优化的支持向量机预测模型对实现甘蔗收获机刀盘振动预测的有效性,为后续甘蔗收获机宿根切割质量的智能化预测及实现对甘蔗收获机减振的结构优化设计提供了有效依据。     

SVM大坝变形监测模型研究

大坝的变形监测数据是一个复杂的非线性的时间序列,采用传统的建模方法存在拟合和预报精度低等问题。传统算法中,基本遗传算法不能确保全局最优收敛,而普通多变异位自适应遗传算法在进化初期对群体不利,容易导致进化走向局部最优。针对这一问题,提出一种基于改进的多变异位自适应遗传优化支持向量机(SVM)的建模方法。多变异自适应遗传算法采用二进制多点交叉,可根据个体适应值大小,自动选取合适的交叉概率和遗传概率,针对遗传算法易陷入局部最优点,对上述遗传算法进行改进,并利用该算法对支持向量机的模型参数进行寻优。将上述建模方法用于大坝变形监控模型的建立,结果表明该组合算法能有效提高模型的拟合和预报精度。     

基于改进BP神经网络的水位流量关系拟合

水文测站需要精确的水位流量关系,这是一种非线性关系,用传统方法进行关系拟合会产生较大误差.利用神经网络对非线性系统处理的强大能力,基于附加动量、自适应学习率以及数值优化的改进BP神经网络方法,对水位流量关系进行了高精度函数逼近.首先,对改进BP神经网络算法进行了详细描述和分析;而后,通过实测水文数据的仿真计算研究,与现有最小二乘法、遗传算法等多种方法进行了对比,并进行水位流量关系曲线的绘制.仿真结果表明,相比目前已有的算法,采用改进BP算法可以达到更高的拟合精度,是一种有效的方法,能够满足水文测站对水位流量关系曲线拟合的要求.     

气吸式惯性沉降分离室的性能研究

对气吸式割前摘脱联合收获机惯性沉降分离室的压力损失和物料沉降分离效果进行了研究,结果表明:在主要结构参数中,分离室的后壁倾角必须为90°才能满足清选要求;分离室开度是影响压力损失的主要因素,但对物料分离效果没有影响;楔形隔板的沉降效果优于楔形加平板导流体.上述结论为该惯性沉降分离室的性能优化设计提供了依据.     

基于改进BP神经网络的水位流量关

水文测站需要精确的水位流量关系,这是一种非线性关系,用传统方法进行关系拟合会产生较大误差。利用神经网络对非线性系统处理的强大能力,文中基于附加动量、自适应学习率,以及数值优化的改进BP神经网络方法,对水位流量关系进行了高精度函数逼近。首先,对改进BP神经网络算法进行了详细描述和分析;而后,通过实测水文数据的仿真计算研究,与现有最小二乘法、遗传算法等多种方法进行了对比,并进行水位流量关系曲线的绘制。仿真结果表明,相比目前已有的算法,采用改进BP算法可以达到更高的拟合精度,是一种有效的方法,能够满足水文测站对水位流量关系曲线拟合的要求。     

割前摘脱联合收获机惯性沉降分离室能耗研究

4ZTL-1800割前摘脱稻(麦)联合收获机采用惯性沉降分离室来实现谷物与气流的分离。目前对惯性沉降分离室内气体的流动特性、压力损失特性及其受结构参数的影响规律等研究还未见研究报道。为此,建立了惯性沉降分离室内气相守恒方程,在此基础上应用Fluent软件对分离室结构参数对其压力损失的影响规律进行了数值模拟计算,得到了结构参数对压力损失的影响规律。经实验验证表明,模拟值与试验值基本吻合,研究结果为进一步优化惯性沉降分离室的结构、减小体积和降低压力损失提供了理论依据。     

基于AIGA—BP神经网络的粮食产量预测研究

针对BP神经网络进行粮食产量预测时易陷入局部最优的缺陷,本研究借鉴免疫算法和遗传算法的优点,设计具有浓度调解机制和全局寻优特性的自适应免疫遗传算法(AIGA),用该算法来优化BP神经网络的权值和阈值,并最终给出AIGA—BP神经网络的MapReduce实现。通过仿真实验验证:在精准度方面,AIGA—BP神经网络对于粮食产量预测的精度要明显优于BP神经网络;在效率方面,该算法的MapReduce实现具有更快的处理速度和良好的加速比,在使用大尺寸训练集时优势更为明显。     

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。     

基于RSM和GA的温室风送式弥雾机喷雾效果优化分析

为了研究不同喷雾参数优化方法对温室风送式弥雾机喷雾效果的影响,在试验的基础上,分别运用二次多项式回归和BP神经网络,建立了温室风送式弥雾机喷雾分布均匀性响应面模型.结果表明: BP神经网络响应面模型的相关系数、均方根误差分别为0.987 1,0.134 0,而二次多项式响应面模型的相关系数、均方根误差分别为0.928 2,0.215 9,BP神经网络模型较高的相关系数和较低的均方根误差说明其拟合精度较高;对二次多项式回归模型寻优,预测的雾滴分布变异系数最小值为1.47%,实际值为1.58%;采用BP神经网络协同遗传算法寻优,雾滴分布变异系数预测值和实际值分别为1.21%,1.28%;表明在喷雾参数优化中,基于BP神经网络的遗传算法比二次多项式响应面法具有更好的准确性.      

水泵水轮机全特性的集成PSO_BP神经网络模型

为提高抽水蓄能调节系统仿真中水泵水轮机模型精度,提出了一种集成PSO_BP神经网络模型来描述水泵水轮机全特性。首先利用改进Suter变换对水泵水轮机全特性进行处理得到样本数据,然后采用PSO算法优化BP神经网络的初始权值和阈值,反复训练出若干个PSO_BP神经网络,最后将单个PSO_BP网络作为自适应Boosting集成算法的弱学习器,最终构建出水泵水轮机的集成神经网络模型。计算结果表明,与单个BP网络模型相比,该模型具有更好的拟合精度及泛化性能,为进一步研究抽水蓄能调节系统性能奠定了基础。     

自适应加速遗传算法在马斯京根模型参数估计中的应用

针对基本遗传算法的寻优效果明显依赖于模型参数的初始变化区间的大小,还可能会出现过早收敛的问题,在马斯京根模型参数估计问题中应用了一种改进了的自适应加速遗传算法(AAGA).并通过某流域河道洪水演算的实例应用进行了与传统优化方法的比较研究.结果表明,该方法具有直观、简便、快速、适用性强等特点,可广泛应用于各种优化问题中.     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。     

改进GA-BP模型在地下水位埋深预测中的应用

地下水位埋深预测是有效实施节水措施、合理控制地下水位的前提与保证。鉴于地下水位埋深与引水量、降水量、蒸发量、排水量、地下水开采量等因素之间存在复杂的非线性关系,提出了基于改进遗传算法的BP神经网络模型用于地下水位埋深预测,弥补了BP神经网络本身易陷入局部最优值的缺陷;同时在遗传算法中改进了自适应交叉、变异概率算法,提高了神经网络的逼近能力和预测精度,并采用了Matlab软件实现了BP神经网络编程。通过不同模型在河套灌区解放闸灌域2000-2013年地下水位埋深模拟与预测,结果表明改进遗传算法优化的BP神经网络模型具有较高的预测精度和收敛速度,在其他地区地下水位埋深预测中也具有较好的适应性。     

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.     

基于优化BP神经网络的新能源汽车锂电池SOH预测模型研究

基于优化后的反向传播神经网络，提出了一种新能源汽车锂电池SOH(状态健康)预测模型。该模型利用历史电池数据和当前电池参数作为输入，预测电池的SOH。为了优化模型性能，使用遗传算法对模型进行训练和优化，提高了预测精度和鲁棒性。试验结果表明，该模型能够在不同工况下准确预测锂电池的SOH,并且相对于传统方法具有更好的性能。基于优化BP神经网络的SOH预测模型具有广泛的应用前景，可以为新能源汽车锂电池的健康管理提供有力的支持。     

陶瓷材料电加工表面粗糙度的预测

针对电加工工艺参数与性能指标的函数映射关系大多具有非线性的特征，提出了将BP神经网络引入电加工领域中。考虑到BP算法的不足，提出用遗传算法来优化BP神经网络的连接权值，设计了基于进化神经网络的学习算法，建立了陶瓷材料电加工表面粗糙度随工艺参数变化的预测模型。试验结果表明，该算法可以避免BP神经网络易陷入局部极小值等问题，预测精度高，相对误差在4％之内，进而验证了该模型的可靠性。     

基于BP神经网络的甘蔗收获机切割器振动性能研究

针对小型甘蔗收获机切割器不平衡对切割器轴向振动的影响,为实现切割器振动的有效预测以及自动控制信号的获取,通过正交试验并利用BP神经网络技术与回归分析构建出了切割器螺旋以及刀盘振动的BP神经网络模型和回归模型。分析结果表明:基于BP神经网络建立模型的切割器螺旋与刀盘的振动正确拟合率达到了88.89%,且相对误差基本上在5%以内,而回归模型的切割压力正确拟合率只有38.89%。因此,基于BP神经网络建立的模型具有较高的精度,通过此BP神经网络模型,有效地解决了复杂信息特征的提取问题,减少了试验研究的次数与成本,为进一步的切割器刀盘以及螺旋振动的自动控制系统的研发奠定了基础。