足球过人战术在采摘机器人路径规划中的应用

随着人口老龄化的到来及农村青壮年的流失,实现农业生产自动化的需求越发迫切。采摘具有劳动强度大、技能要求高的特点,是发展自动化的核心领域。为此,以测距传感器作为检测元件,设计了采摘机器人的行走机构及路径规划系统。路径规划系统采用4层模糊神经网络架构,采用足球过人战术建立避障规则和目标导引规则。采用梯度下降法对神经网络进行训练,通过调整连接权系数ω_(li)、高斯隶属函数中心值c_(jk)及宽度值σ_(jk),使实际输出向输出期望快速逼近,当满足阀值要求时,输出机器人速度V和转角Δa。仿真实验结果表明:系统具有良好的路径规划精度,且结构简单、生产成本低,适于大范围推广。     

基于LM-BP神经网络的采摘机器人智能运动策略研究

首先介绍了BP神经网络和LM-BP神经网络的原理,然后介绍了采摘机器人运动学模型,最后采用LM-BP神经网络实现了采摘机器人智能运动策略。MatLab仿真表明:对于不同的果树种植布局及不同的起点和终点,采摘机器人采用该算法均能产生可行的无碰撞路径,以顺利完成采摘作业。     

基于图和神经网络的数控加工特征识别

本文从当前特征识别方法中存在的问题出发,提出了一种基于图(属性邻接图)和神经网络的数控加工特征识别方法,结合属性邻接图实现对产品数据相关文件的预处理,并运用遗传算法,对BP神经网络进行了优化,希望能够为特征识别提供一种有效方法。     

基于BP神经网络的欠发达地区失地农民生计方式选择预测——以甘肃省兰州市安宁区为例

[目的]探析欠发达地区失地农民生计方式选择的影响因素,推进失地农民可持续生计研究,为精准实现失地农民可持续生计提供政策参考.[方法]以甘肃省兰州市安宁区失地农民群体为研究对象,基于可持续生计分析框架及实地调查数据,采用BP神经网络及二元Logistic回归模型定量分析人力资本和政策性因素对失地农民生计方式选择影响的边际效应.[结果]BP神经网络检验分类预测准确率达92.44%,二元Logistic回归模型检验分类预测准确率为78.15%,且BP神经网络的AUC值显著高于二元Logistic回归模型,表明BP神经网络具有更好的拟合性能,能更有效地分析失地农民生计资本对其转移就业选择的影响及边际效应.因征地补偿所获得的财产性收入和转移性收入在一定程度上降低了失地农民转移就业率;年龄对转移就业概率的边际效应呈倒U形,35岁以上失地农民的转移就业概率显著低于35岁以下群体,45岁以上失地农民的转移就业概率已低至0.5以下;欠发达地区教育水平仍是影响非农就业水平的关键因子,且高中以上教育水平对就业概率提升的影响显著.[建议]提高人力资本存量,增强职业技能培训;选取更合理的征地补偿措施,正确引导失地农民合理分配使用货币性补偿;完善失地农民劳动力市场体系,提供更有针对性的就业扶持及保障措施,缓解失地农民提前退出劳动力市场的现状.     

FCN用于母猪性能测定的探索

种猪性能测定对于猪的育种工作至关重要。目前常用B超测定猪活体的背膘厚和眼肌面积,但是也存在一些问题。全卷积神经网络(FCN)在计算机视觉方面应用广泛。基于FCN模型和猪B超图片,开展背膘厚和眼肌面积的图像识别很有价值,但是也存在一定的挑战。对FCN应用于种猪性能测定的前景和技术进行分析     

采用卷积神经网络构建西北太平洋柔鱼渔场预报模型

对远洋渔场资源和位置进行预报可以为远洋渔业生产及管理提供重要信息。该研究针对西北太平洋柔鱼渔场，利用海洋表面温度遥感信息和中国远洋渔船生产资料，基于深度学习原理，选取卷积神经网络构建西北太平洋柔鱼渔场预报模型。根据不同月份、不同通道构建了多种数据集，用于训练渔场预报模型。训练结果表明，4个通道组合的数据集的训练结果最优，渔汛早期（7-8月）、中期（9月）和后期（10-11月）测试样本的准确率分别为80.5%、81.5%和81.4%。以2015年的真实渔场数据对模型进行验证，模型的平均召回率为82.3%，平均精确率为66.6%，F1得分平均值为73.1%，预测的高产渔区与实际作业的高单位捕捞努力量渔获量区基本匹配。该研究构建的渔场预报模型可以获得较好的准确率，可为其他鱼种的渔场预报模型构建提供新的思路。     

基于迁移学习的棉花叶部病虫害图像识别

针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。     

基于改进极限学习机的水体溶解氧预测方法

为了有效地指导水产养殖生产，提高溶解氧浓度预测的精度，提出了基于因子筛选和改进极限学习机（Extreme Learning Machine，ELM）的水产养殖溶解氧预测模型。首先，利用皮尔森相关系数法计算各影响因子与溶解氧浓度间的相关系数，提取强关联因子，降低预测模型的输入量维度；采用偏最小二乘算法（Partial Least Square, PLS）优化传统ELM神经网络，避免网络中隐含层共线性问题，保障输出权值的稳定性；然后，结合新型激活函数，构建水体溶解氧浓度预测模型。最后，将SPLS-ELM（Selection Based Partial Least Square Optimized Extreme Learning Machine）预测模型应用到江苏省无锡市南泉基地某试验池塘的水体溶解氧预测中。试验结果表明：该模型的预测均方根误差为0.3232，与最小二乘支持向量机（Least Square Support Vector Machine，LSSVM）、BP神经网络、粒子群（Particle Swarm Optimization，PSO）优化LSSVM和遗传算法（Genetic Algorithm, GA）优化BP神经网络相比分别降低40.98%、44.48%、34.73%和44.18%。且该模型的运行时间仅0.6231s，预测精度和运行效率明显优于其他模型。该模型的溶解氧预测曲线接近真实溶解氧变化曲线，能够满足水产养殖实际生产对水体溶解氧预测的要求。     

基于迁移学习和改进残差神经网络的黄瓜叶部病害识别方法

针对在黄瓜叶部病害识别过程中使用传统卷积神经网络存在模型训练时间长、识别准确率低等问题，提出一种迁移学习和改进残差神经网络相结合的方法对黄瓜叶部病害进行识别。首先对数据集图像进行预处理，将数据集划分为训练集和测试集；然后对传统残差神经网络进行改进；最后使用迁移学习的方式对网络模型进行训练。利用该研究方法对不同的黄瓜叶部病害进行识别试验，结果表明该方法具有较高的识别准确率，可为其他作物的识别方法研究提供参考。