基于PSO-ELM模型的冻融期土壤蒸发预报

准确预测冻融期土壤蒸发量,对于干旱半干旱地区水资源高效利用有着重要意义.基于传统极限学习机(ELM)输入权值与阈值随机给定导致预测结果精度不高的问题,提出了一种基于粒子群算法(PSO)优化极限学习机的冻融期土壤蒸发预测模型.以2016-2017年冻融期9个影响土壤蒸发的因素作为输入因子,实测土壤蒸发量作为输出因子,分别建立ELM模型、GA-ELM模型、PSO-ELM模型对冻融期土壤蒸发量进行预测.结果表明,对输入因子进行随机函数处理后可提高模型预测精度,PSO-ELM模型预测精度优于单一ELM模型和GA-ELM模型,其决定系数为0.9936,均方根误差为0.0109 mm/d,平均绝对误差为0.0079 mm/d,平均相对误差为4.91％,可用于冻融期土壤蒸发量的预测.     

基于烟花算法优化极限学习机的温室参考作物蒸散量预测研究

为提高温室环境下参考作物蒸散量(Reference Crop Evapotranspiration,ET_0)的预测精度,提出烟花算法(Fireworks Algorithm, FWA)优化极限学习机(Extreme Learning Machine, ELM)的参考作物蒸散量预测模型,有效解决了极限学习机在数据预测过程中因随机输入权值矩阵和偏置矩阵导致的数据波动问题,提高了极限学习机的预测精度。以温室环境数据作为模型的输入,以参考作物蒸散量ET_0为输出,建立FWAELM模型,并将结果与ELM模型预测结果进行对比,结果表明,FWAELM模型的均方根误差、平均绝对误差和模型可决系数分别为:0.115 6、0.143 6、0.943 8,高于ELM模型的0.403 5、0.346 7和0.819 0,FWAELM模型预测精度较高。同时进行了气象参数缺失情况下的模型预测精度研究,结果表明参数在保留3个及以上时,模型的预测精度依然较高,适用于温室ET_0的预测研究。     

基于精确灌溉的气象数据采集器的设计

为了测量作物蒸发蒸腾量实现精确灌溉,必须对影响作物生长的气象因子,如温度、湿度、光照度、风速和气压等参数进行采集。大量研究表明,温度对蒸腾量的影响最为显著,湿度与光照度次之,风速与气压的影响最小[1]。针对上述情况,基于AVR单片机Atmega128、温湿度传感器SHT11、环境光传感器BH1750和SD卡设计一款气象数据采集装置,能够实时地对环境的温度、湿度和光照度进行采集、显示和存储。经试验测试,该装置具有良好的稳定性。     

金针菇生长环境因子监控系统设计

针对金针菇生长过程中对环境要求较为特殊的特点,笔者设计了基于PLC技术、组态技术、传感技术和通讯技术的一种金针菇生长环境因子监控系统,实现对金针菇生长过程中的温度、湿度、光照度和CO2浓度等主要因子进行采集、记录和显示,同时根据金针菇在生长的各个阶段对环境因子要求不同,利用PLC控制空调、喷淋装置、补光灯、排风扇等执行机构运行,对各环境因子进行自动调节。实验结果表明:该系统在数据的采集、记录和执行机构动作等方面都达到了设计要求,在实际应用中具有一定推广应用价值。     

基于鱼群算法的极限学习机影像分类方法优化

在传统极限学习机(ELM)研究的基础上,考虑到传统ELM参数的不确定会导致整体分类精度下降,利用仿生鱼群算法(AF)对ELM的小波核参数和正则化参数进行寻优,并构造参数优化后的小波ELM影像分类模型(AF-ELM)。通过实验比较了该算法与人工神经网路(ANN)、支持向量机(SVM)、极限学习机(ELM)等标准分类器在遥感影像分类上的精度与速度差异,并且与ELM多项式核、RBF核分类算法进行比较分析,验证了AF-ELM在分类速度和精度上的优越性。实验结果表明,AF-ELM分类方法分类速度较快,精度较高,均优于其他分类方法。能较好地应用于遥感影像上各类地物要素的自动提取。     

温室环境物联网监测系统的设计

农业生产环境的物联网技术推动农业生产的发展。本文设计一种温室环境实时监测系统,该系统利用物联网技术,经传感器采集环境信息,微控制器进行控制并与网络连接,再由Android智能手机Yeelink平台读取的数据,监测温室环境的温度、湿度及光照度。最后,对系统进行测试,有效监测温室环境的温湿度及光照度,为温室作物生长的环境参数提供参考。     

基于模糊最优小波包的植物胁迫因子识别

为了正确地识别植物常见的胁迫种类,以采集的正常状态和7种胁迫下的植物电信号为样本,结合小波包分解提取特征值能力强的优点,应用模糊准则来优化小波包分解,提取植物电信号中的最优小波包基能量值构成特征集,应用更适合处理模糊的、非线性信号的BP神经网络作为分类器,以实现对不同逆境因子类型的识别.首先利用小波包对采集的植物电信号进行降噪预处理,然后列举了样本经基于模糊准则的小波包处理后各小波包基上的能量样本值,绘制了特征分布图,最后通过对芦荟、碧玉、虎皮兰和蟹爪兰4种植物所处7种胁迫的判断,以统计特征值作为对照,采用所提方法胁迫平均识别率达到95.95％,验证了此方法的准确性和可行性.     

膜计算粒子群算法改进极限学习机的水肥预测模型研究

针对灌溉系统水肥预测计算复杂、预测精度不高、实时性不强等问题,提出膜计算粒子群算法改进极限学习机(MCPSO-ELM)的水肥预测模型。为提高极限学习机的泛化能力和预测精度,引入粒子群算法与膜计算进行优化,利用粒子群算法的高效率搜索能力与膜计算的平行计算优势,大幅度提高收敛速度和搜索精度,不断迭代优化ELM网络的连接权值和阈值以提高预测精度,种群多样性有效解决全局搜索和局部寻优之间的平衡。建立PSO-ELM、WPSO-ELM、IPSO-ELM和MCPSO-ELM四个模型进行对比试验,MCPSO-ELM模型的预测误差小于30 m~3/hm~2,MAPE为2.0%,预测曲线与水肥实际用量曲线最为接近,预测性能明显优于其他模型。本文提出的MCPSO-ELM能够获得更高的预测精度、更好的预测效率和稳定性,可以为智能灌溉系统提供可靠参考。     

基于计算机视觉的芒果检测与分级研究

针对目前芒果的外观品质分级主要采取人工方法所存在的不足,提出了一种基于计算机视觉和极限学习机神经网络(ELM)模型的芒果分级方法。首先,利用图像处理方法对拍摄的芒果图像进行预处理;然后,根据芒果的外观特征提取芒果面积、等效椭圆长短轴之比、H分量均值和缺陷面积所占百分比4个特征参数,作为模型的输入向量,并以芒果的3个等级级别为模型输出向量。在模型的建立过程中,采用粒子群优化算法(PSO)对ELM随机给定的输入权值矩阵和隐层阈值进行寻优,最后以实验获得的数据对模型进行训练和测试。结果表明:使用粒子群算法优化后的极限学习机模型(PSOELM)与单纯的ELM、传统的BP和SVM相比,具有更高的分级精度,为水果的等级分级提供了一种新的方法。     

基于高光谱图像及ELM的生菜叶片氮素水平定性分析

基于高光谱图像技术与极限学习机(Extreme learning machine,ELM)模式识别方法构建一套生菜叶片氮素水平鉴别模型。利用3种不同氮浓度的营养液无土栽培各氮素水平生菜,在莲座期采集每类氮素水平生菜叶片各84片,利用高光谱图像采集系统采集生菜叶片高光谱图像,并在每个高光谱图像上选取叶片4个不同位置的60×60像素的感兴趣区域(ROI),求取感兴趣区域光谱数据平均值作为叶片样本的原始光谱,利用标准正态变量校正对原始光谱进行预处理,采用主成分分析法对光谱进行降维。采用ELM对训练样本进行建模,并与传统的BP及SVM算法模型进行对比。从实验结果可以看出,ELM模型训练时间和分类正确率分别为0.623 04 s和100%,在训练时间相当的情况下,ELM分类正确率高于SVM模型,在分类正确率相当的情况下,ELM模型的训练时间比BP模型要短。研究结果表明,基于高光谱图像技术及ELM可以构建生菜叶片氮素水平分类模型。     

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。     

基于特征降维和机器学习的覆膜冬小麦LAI遥感反演

为进一步提升无人机遥感快速监测覆膜条件下冬小麦叶面积指数(Leaf area index, LAI)的能力,以垄沟覆膜冬小麦为研究对象,利用无人机搭载五通道多光谱传感器获取2021—2022年冬小麦出苗期、越冬期、返青期、拔节期、抽穗期和灌浆期的遥感影像数据,使用监督分类剔除背景并计算50种可见光和近红外植被指数,采用主成分分析、相关系数法、决策树排序和遗传算法进行特征降维,结合偏最小二乘、岭回归、支持向量机、随机森林、梯度上升和人工神经网络6种机器学习算法建立不同输入特征变量下的覆膜冬小麦LAI反演模型,并进行精度评价。结果表明,剔除覆膜背景使冬小麦冠层反射率更接近真实值,提高反演精度。采用适宜的特征降维方法结合机器学习算法能够提高覆膜冬小麦LAI的反演精度和稳定性,对比特征降维前的反演精度,主成分分析和相关系数法无法优化反演效果,决策树排序只适用于基于树模型的随机森林和梯度上升算法,遗传算法优化效果明显,遗传算法-人工神经网络模型反演效果达到最优(决定系数为0.80,均方根误差为1.10,平均绝对值误差为0.69,偏差为1.25%)。研究结果可为无人机遥感监测覆膜冬小麦生长状况提供...     

基于正则化TSVR的甘蔗收割机切割器入土切割负载压力预测研究

为更准确、快速地对甘蔗收割机切割器入土切割时负载压力的预测,以机车行进速度、土壤含水率、土壤密度、刀盘入土深度以及甘蔗密度为模型输入,基于正则化孪生支持向量回归机(ITSVR)模型,结合基于遗传算法的粒子群优化算法对切割器负载压力进行仿真模拟预测,并将仿真结果与BP神经网络、支持向量回归(TSVR)、极限学习机(ELM)以及孪生支持向量回归(TSVR)模型进行比较分析,最后建立预测系统验证ITSVR的可行性。结果表明:测试样本中正则化孪生支持向量回归机(ITSVR)模型的RMSE、MAE、R²分别为0.0154、0.0108、0.9558,模型的预测时间为5.9 ms,该模型能较准确且较快地对负载压力与影响参数的非线性曲线进行拟合;ITSVR模型较其他模型具有良好的拟合能力以及较快的预测速度;在以5%和10%相对误差作为合格指标模型评价时,ITSVR模型预测的正确率分别为66.7%和100%,有力证明ITSVR模型的可行性。研究结果可为后续的切割自动控制系统设计提供参考依据。     

基于声学特性的西瓜糖度检测与分级系统研究

糖度是西瓜分级的重要指标之一,针对传统西瓜检测方法的弊端,探讨了声学特性结合机器学习用于西瓜无损检测与分级的可行性。设计了西瓜声学检测系统,采集了不同批次样本的时域信号。时域信号经归一化处理后,采用快速傅里叶变换得到频域信号,并对其进行去趋势预处理。采用主成分分析提取了频域信号主成分,其中前3个主成分累计方差贡献率为95.32%,第1主成分和第2主成分对不同等级样本具有可分性。利用4种不同的机器学习算法建立了西瓜全变量分级模型,验证集分类准确率均达到66%以上。使用稳定竞争性自适应加权算法提取了特征变量,减少了约84%的变量数,使用优化后的特征变量建立的分类模型,性能均得到了较好的提升,其中支持向量机模型取得了最高的验证集准确率（95.56%）、F1分数（96%）和Kappa系数（93%）。结果表明,声学特性结合机器学习的方法,对西瓜进行无损检测和分级是可行的。该研究为西瓜无损检测和分级提供了可行的技术方案。     

蝙蝠算法优化极限学习机模拟参考作物蒸散量

为提高参考作物蒸散量模拟的准确性,提出蝙蝠算法优化极限学习机的参考作物蒸散量模拟模型.基于汕头站1966-2015年月值气象数据(包括逐月最高温度、最低温度、地表总辐射量、风速和相对湿度),建立参考作物蒸散量的极限学习机模型,并采用蝙蝠算法通过交叉验证方法对极限学习机的正则化系数和径向基函数的幅宽进行优化,最后对参考作物蒸散量模拟效果进行评估.结果表明:与传统调参方法和遗传算法优化后的模型相比,蝙蝠算法优化参数极限学习机模型建立了整体性能优异并且稳定的参考作物蒸散量模型,提高了参考作物蒸散量的模拟精度.     

基于深度自编码器的大型龙门加工中心热误差建模方法

为提高热误差模型的预测能力,提出一种基于深度学习方法的数控机床热误差建模方法。利用模糊聚类法和灰色关联度分析法选取温度变量的热敏感点,采用深度自编码器（Stacked automatic encoder, SAE）网络从选出的输入样本中提取特征,构建特征集,然后使用遗传优化算法（Genetic optimization algorithm, GA）对BP神经网络参数进行寻优,从而提出一种基于SAE-GA-BP的数控机床热误差建模方法。以某大型龙门五面加工中心为实验对象,研究并选择了加工中心加工过程中的主要误差源——主轴热误差进行补偿,对主轴热误差深度学习模型和多元回归模型进行了分析对比。结果表明,在预测精度方面所提出的建模方法优于传统多元回归模型,从而验证了该建模方法的可行性和有效性。     

基于建模预测与关系规则的养殖水体溶解氧含量调控方法

为了保证养殖水体溶解氧充足,水产养殖普遍采用全天大功率开启增氧机的生产方式,这造成了很大的能源消耗。针对上述问题,本文提出了一种基于建模预测与关系规则库的溶解氧调控方法,首先构建了一种自适应增强的粒子群优化极限学习机预测模型（AdaBoost-PSO-ELM）,实现溶解氧含量的准确预测;然后进行增氧预实验,采用曲面拟合方法对溶解氧初始含量、曝气流量和增氧机开启时间之间的作用关系进行精确量化,构建关系规则库;最后专家系统基于溶解氧含量预测值,调用已建立的关系规则库,合理控制增氧机的开启功率与时间。与其它常规的预测模型相比,AdaBoost-PSO-ELM模型的MSE、MAE和RMSE均为最优,分别为0.0055mg2/L2、0.0531mg/L、0.0745mg/L,可以实现溶解氧的准确预测。增氧实验结果表明,基于三次多项式的先验方程能够对〖JP2〗溶解氧初始含量、曝气流量和增氧机开启时间之间非线性关系进行准确量化,拟合R2均在0.99以上。由此可知,基于量化结果所构建的规则库与预测模型相结合能够合理控制增氧机的开启功率与时间,节省电能和提高养殖效率。     

基于建模预测与关系规则的养殖水体溶解氧含量调控方法

为了保证养殖水体溶解氧充足,水产养殖普遍采用全天大功率开启增氧机的生产方式,这造成了很大的能源消耗。针对上述问题,本文提出了一种基于建模预测与关系规则库的溶解氧调控方法,首先构建了一种自适应增强的粒子群优化极限学习机预测模型（AdaBoost-PSO-ELM）,实现溶解氧含量的准确预测;然后进行增氧预实验,采用曲面拟合方法对溶解氧初始含量、曝气流量和增氧机开启时间之间的作用关系进行精确量化,构建关系规则库;最后专家系统基于溶解氧含量预测值,调用已建立的关系规则库,合理控制增氧机的开启功率与时间。与其它常规的预测模型相比,AdaBoost-PSO-ELM模型的MSE、MAE和RMSE均为最优,分别为0.005 5 mg²/L²、0.053 1 mg/L、0.074 5 mg/L,可以实现溶解氧的准确预测。增氧实验结果表明,基于三次多项式的先验方程能够对溶解氧初始含量、曝气流量和增氧机开启时间之间非线性关系进行准确量化,拟合R²均在0.99以上。由此可知,基于量化结果所构建的规则库与预测模型相结合能够合理控制增氧机的开启功率...     

基于LightGBM-SSA-ELM的新疆羊舍CO2浓度预测

为减少肉羊集约化养殖过程中因环境恶化产生的应激反应,精准调控CO₂质量浓度,提出了基于分布式梯度提升框架（LightGBM）、麻雀搜索算法（SSA）融合极限学习机（ELM）的CO₂质量浓度预测模型。首先利用LightGBM筛选出与CO₂质量浓度相关的重要特征,降低预测模型的输入维度;然后选择Sigmoid为激活函数,使用具有较强非线性处理能力的单隐含层ELM神经网络算法构建CO₂质量浓度预测模型;最后通过麻雀智能优化算法对ELM模型中所需要的超参数进行优化,并将优化后模型应用于新疆玛纳斯集约化肉羊养殖基地。试验结果表明,该模型预测均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）分别为0.021 3 mg/L、0.013 6 mg/L和0.988 6,综合性能指标优于支持向量回归（SVR）、反向传播神经网络（BPNN）、长短记忆神经网络（LSTM）、门限循环单元（GRU）和LightGBM等;CO₂质量浓度预测曲线贴近真实曲线,具有良好的预测...     

基于改进神经网络算法的蛋鸡产蛋率预测研究

为提高蛋鸡产蛋率预测效果,采用改进神经网络算法。首先依据神经网络误差与动态因子来优化神经网络权值,神经网络自适应学习速率在算法运行前期较大从而加快学习,后期迅速减小,加速收敛,减小误差,提高网络训练精度;接着神经网络的激活函数采用修正线性激活函数ReLu,使得计算速度加快;然后建立预测模型以及产蛋率预测评价指标;最后给出蛋鸡产蛋率预测流程。试验仿真显示:本文算法对蛋鸡产蛋率预测接近实际值,相关系数相比SVM、ELM、NN、PSONN、ACNN分别提高0.58%、0.48%、0.40%、0.28%、0.23%,均方误差相比SVM、ELM、NN、PSONN、ACNN分别减少5.89%、4.92%、3.93%、2.67%、1.81%,优于其他算法,为蛋鸡产蛋率预测提供新的思路与方法。