基于CMAC神经网络的自适应渠道输水自动控制研究

介绍了小脑模型神经网络CMAC的原理及基于CMAC的自动控制方法。在渠道输水控制技术的基础上,依据CMAC神经网络学习速度快、能够表达复杂非线性关系、适合于适时控制的特点,提出了基于CMAC的渠道输水控制模型。仿真结果表明,基于CMAC的渠道输水控制,算法简单方便,具有实时性、稳定性和较强的鲁棒性,控制效果较为理想。     

基于随机森林回归算法的小麦叶片SPAD值遥感估算

使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。     

引入因素分析法的神经网络在洪水

因素分析法是一种多元统计法，可以通过线性变换，将原有数据转换成彼此不相关且维数较少的数据，本文将因素分析法引入洪水预报神经网络的输入单元精简过程，详细介绍了建模和神经网络训练过程中包括STA训练控制在内的一些关键技术问题，并通过实例评价了此应用方法的效果，通过分析，表明此方法可以在不损失或较小损失的前提下方便有效的对洪水预报神经网络结构进行精简，大大缩减了神经网络的规模，提高了效率，具有很高的实用价值。     

模糊神经网络分层递阶控制在智能交通系统中的应用

结合济南市经十路交通干线车流拥挤问题，提出了利用模糊神经网络分层递阶控制城市交通干线车流量的方法，分析结果表明采用该方法可以减少车辆的停车次数和延误时间。     

神经网络模糊PID算法在温室温度控制中的仿真研究

为了更好地实现对温室温度的控制,提出了温室温度控制的一种新的控制方法;通过仿真比较证明了此方法的有效性,并对其动静态特性、鲁棒性和抗干扰能力进行了探讨。结果表明,采用神经网络模糊PID算法的温室温度控制方法具有较好的动静态特性、鲁棒性和抗干扰能力。     

基于可见光机器视觉的棉花伪异性纤维识别方法

为提高皮棉质量和皮棉中异纤的检测精度,提出了一种基于机器视觉的棉花伪异性纤维识别方法。皮棉经过开松装置被制成薄棉层,检测通道两侧的相机对棉层进行拍摄,并将采集到的棉层及异纤和伪异纤图像保存到工控机,通过图像分块及阈值分割等算法,提取伪异纤目标区域,统计获取区域的数个颜色、形状和纹理特征,基于特征数据,分别使用BP神经网络、一对一有向无环图策略线性核函数支持向量机和径向基核函数支持向量机对两大类棉花杂质进行分类识别。实验结果表明,99.15%的伪异纤目标可被准确识别,径向基核函数支持向量机在棉花异纤和伪异纤分类识别中,总分类正确率为95.60%,能够满足在线检测的要求。     

桃的电特性及新鲜度识别

为了解采后果品电特性变化机理，并探索基于电特性识别果品品质的方法，研究了桃采后电特性和生理特性的变化。结果表明，随着桃新鲜度下降，相对介电常数呈余弦规律变化，损耗角正切逐渐减小，呼吸高峰时相对介电常数最大。分析了电特性变化的原因，进而建立了采后桃电特性与生理特性之间的关系模型。以相对介电常数和损耗角正切为输入特征参数，应用BP神经网络技术识别桃的新鲜度等级，平均识别率为82％。     

人工神经网络与近红外光谱分析

介绍了人工神经网络的原理、结构、算法和研究进展,以及该方法在近红外光谱分析中的重要地位和应用。     

Design of Double Layer Torsional Reticulated Shell Using Back- Propagation Neural Network

In this paper artificial neural networks are used for design of large span double layer torsional reticulated shell. The torsional reticulated shells with spans varying between 50.0 - 80.0m are considered, Back -propagation algorithm is employed for training efficient neural networks for evaluation of the maximum deflection, weight and design of double layer torsional reticulated shell. A special method is developed for data ordering to reduce the nonlinearity of data and to increase the speed of training. This approach also provides the necessary stability. It shows that it is feasible to design double layer reticulated shell with artificial neural networks.     

Craft Orbit Selection by Knowledge Based Neural Network

There are more than one measure devices during the craft launching proceeding, reliable craft orbit measurement selection is important for launching monitor and safety control. This paper proposes a novel orbit selection method by knowledge based neural network, which combines the human knowledge and orbit samples based training together. The false spur orbit data are deleted according the data continuity rule at first, then the difference between orbit data is computed, and at last a neural network is trained to test reliability of each data and select the orbit with high precision among all orbit data. Simulations and experiments show the efficiency and reliability of our method.