基于人工神经网络的PV/T热电联供系统性能预测

为研究太阳能PV/T热电联供系统的性能和针对太阳能PV/T系统复杂的能量平衡方程,搭建了太阳能PV/T系统试验台,同时建立了基于改进灰狼优化的BP神经网络(back propagation neural network model based on improved grey wolf algorithm, IGWO-BP)预测模型,在晴朗天气下进行试验,并采用该模型对系统电功率以及蓄热水箱内水温进行预测。结果显示,晴朗日系统的电效率8.7%～12.2%、热效率51.7%;预测结果与BP神经网络预测模型、基于粒子群优化的BP神经网络(back propagation neural network based on particle swarm optimization, PSO-BP)预测模型和卷积神经网络（convolutional neural network, CNN）预测模型预测结果进行比较,结果显示IGWO-BP预测模型电效率预测模型的绝对百分比误差(mean absolute percentage error, MAPE)、决定系数(determination coefficient, R ² )、均方根误差(root mean square error, RMSE)、效率因子(efficient factor, EF)和Pearson相关系数(pearson related coefficient, r )分别为4.5E-05、0.99、0.24、0.99和1.00,在储热罐温度预测中,上述指标分别为8.90E-04、0.98、0.07、0.98、0.99,均优于其他预测模型,IGWO-BP神经网络预测模型具有更好的预测性能。研究结果可为太阳能PV/T热电联供系统性能预测与优化控制提供参考。     

Recording cerebellar neuron activities in swimming goldfish

ABSTRACT:   Neuronal activities were investigated in the cerebellum of immobilized and swimming goldfish Carassius auratus . Extracellularly recorded neural activities of the cerebellum in immobilized goldfish were characterized and classified into five types. Based on the waveforms and recording depths, these five neural activity types were estimated to originate from three identified classes of cerebellar neurons: Purkinje cells, eurydendroid cells, and granule cells. Chronic recording of cerebellar neuron activities in unrestrained goldfish was performed for more than 100 h. During the chronic recordings, a submersible amplifier attached to the goldfish head, and a multielectrode array developed for the present study were used. Neuronal activities in the cerebellum of free-swimming fish could also be classified into five types as in the immobilized condition. Firing patterns of two neurons identified as Purkinje cells and eurydendroid cells were analyzed during turning movements of the goldfish. The firing patterns of these neurons changed in relation to turning movements. Although some improvements are required, the chronic recording method developed in the present study can be applied to further investigations concerning the direct relationship between brain neural activities and certain behavior.     

基于全卷积神经网络的猪背膘厚快速准确测定

为了有效地弥补猪B超图像人工手绘背膘厚的不足,为生猪育种工作提供更精准和稳定的背膘厚测定新方法。该研究将全卷积神经网络（Fully Convolutional Networks,FCN）模型应用于猪B超图像的背膘分割和背膘厚测定上,开发出一套使用Python调用FCN模型对猪B超图像背膘厚进行自动测定的系统。通过开展验证集验证试验、屠宰比对试验和人员比对试验,发现模型测定结果和标注结果之间差异不显著（P>0.05）,两者相关系数达0.92（P<0.01）;B超标准测定背膘厚和FCN分割测定背膘厚的相关系数达到0.97（P<0.01）;专家组组内标准差为0.17（最小）,行业外组组内标准差为1.67（最大）,而FCN分割结果稳定性强,不受人员因素的影响。因此,该方法可以实现对外种猪B超背膘厚的精准、快速、稳定测量,减少猪场对专业人员的依赖,降低测定人员培训成本,减少工作人员工作量。     

土壤硝态氮含量原位检测系统设计

针对现阶段土壤硝态氮测量成本较高、无法长期原位测量等问题,该研究提出了一种使用钛烧结滤芯收集土壤溶液,通过近红外光谱法检测土壤溶液中的硝酸根浓度进而得到土壤中硝态氮含量的方法,并设计了相应的检测装置。通过试验对比陶土头与钛烧结滤芯在不同土壤条件下的土壤溶液收集效果,选用钛烧结滤芯作为土壤溶液采集器收集土壤溶液,以近红外LED作为测量光源,采集人工配置土壤溶液的光谱数据,利用BP神经网络进行预训练建立硝态氮含量预测模型。建立的硝态氮含量预测模型其训练集皮尔逊相关系数、测试集皮尔逊相关系数、预测均方根误差分别达到0.997、0.995、3.43。实地测量土壤溶液并与硝酸根离子电极以及土壤养分速测仪进行对比,最大相对偏差为5.9%,可满足实际测量准确性要求。该套检测设备在深度为10～40 cm、含水率为15%以上的土壤中有较好的土壤溶液采集效果;检测装置的长期测量标准差为0.006,动态响应时间为1.4 s,具有良好的特性。试验结果表明,使用溶液吸光度数据建立的硝态氮预测模型具有较好的预测效果,可以应用于土壤溶液硝态氮原位监测,为长期自动测量土壤硝态氮及水肥一体化系统的搭建提供了一种可行的方案。     

基于轻量级SSD模型的夜间金蝉若虫检测

为实现夜间树上金蝉若虫的快速准确检测,该研究以自然环境图像数据集为研究对象,结合近距离实际应用场景,考虑到嵌入式系统的模型小型化和计算过程轻量化,在保持精度指标基本不变的前提下,基于适度削减模型深度、宽度的思路对已有目标检测网络MobileNet-SSD提出改进。具体措施包括：删除骨干网络末端的小尺寸特征图卷积层,逐级裁剪模型整体宽度、适当增加中高层卷积深度,在目标检测的分类层和预测框的回归层中使用深度可分离卷积代替传统3×3卷积等措施,先后获取3种改进的精简模型以进行比较。夜间图像测试结果表明,在基本保持网络性能的前提下,改进后的模型大小及计算量均呈现大幅减小,其中最优模型大小从原MobileNet-SSD的15.22 MB减少到1.51 MB,模型的浮点运算量也由原先的1.13×109减少到1.26×108,其平均准确率达90.46%,平均交并比达83.52%,F1分数达92.35%,GPU上的检测速度达179.3帧/s,CPU上的检测速度达到6.49帧/s,与改进前的模型相比具有更好的综合性能,白天图像的试验结果也显示出较好的泛化性能。该文提出的改进模型在大幅减少模型大小及其计算量的同时使模型性能保持在一个较高的水平,更适合部署在移动终端等资源受限设备上,可为金蝉的人工养殖提供有益参考。     

基于Transformer的强泛化苹果叶片病害识别模型

模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet。该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征。与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80%的识别精度,相较卷积神经网络EfficientNetV2提升7.21个百分点,相较Transformer网络PVT提升26.63个百分点,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题。     

线性回归与BP神经网络方法的山东粮食产量预测比较研究

山东省是我国传统农业大省,粮食产量对我国粮食总产量的影响较大,因此对山东省粮食产量进行预测具有重大意义.分别利用多元线性回归方法和BP神经网络两种预测方法对山东粮食产量进行预测,并对两种方法的预测结果进行分析比较,实验证明,BP神经网络平均预测精度高于多元线性回归模型,且各期预测精度较多元线性回归模型更稳定,但随时间推移,误差增大,因此BP神经网络预测模型较适用于近期粮食产量预测.     

面向农业环境的无线传感器网络部署算法研究

设计了基于改进微粒群和初始能量分配的综合优化算法。通过合理的无线传感器网络节点部署,在保证网络通讯质量的同时,根据不同节点的实际功耗,均衡每个节点的能量,有效延长整个网络的生命周期,促进无线传感器网络技术在农业环境监测中更广泛的应用。     

组合预测模型在黑龙江省农机总动力预测中的应用

农机总动力是反映和评价农业机械化水平的一个重要指标.通过对黑龙江省农机总动力历史数据进行分析,建立了指数模型、GM（1,1）模型和BP神经网络模型3种预测模型,其次,应用基于离异系数法、二次规划法、Shapley值权重分配法分别构建组合预测模型.拟合结果表明,各种组合预测模型优于各单一模型.最后应用基于Shapley值权重分配法对黑龙江省农机总动力进行组合预测,为制定农机动力发展规划提供了依据.     

基于红外光谱概率神经网络的诃子产地鉴别

利用傅里叶变换红外光谱,测定了不同产地诃子(Terminalia chebula Retz.)样品的红外光谱图.采用常规预处理方法和小波变换对红外光谱原始数据进行了预处理,并采用主成分分析进一步压缩光谱数据,前3个主成分的累积贡献率为98.054％.以前3个主成分作为网络输入,诃子产地类别作为网络输出,建立了概率神经网络,同时对建立该网络模型的扩展常数进行了分析.模型分析表明,建立的网络模型能够对40个诃子样品进行产地鉴别,红外光谱法结合神经网络可作为中药材产地分类鉴别的一种新的现代化方法.