二次聚类与神经网络结合的日光温室温度二步预测方法

精确预测日光温室温度是实现对温室精准调控的前提。由于温室是复杂非线性系统，受室内外众多环境因素影响，且部分因素难以准确测量和建模，因此，难以通过机理分析建立室外因素精确影响室内温度的物理模型。而现有时间序列分析、人工神经网络等仅基于数据的方法预测准确度也较低。本文提出连续时间段聚类与BP神经网络相结合的二步日光温室温度预测方法。首先，进行二次聚类，对室外温度情况相似的日进行聚类，并将全年划分为若干个类似时间段，根据连续时间段内相似日的数量进行聚类，将全年内的连续时间段归入若干类别。其次，对不同类别的时间段，分别采用BP神经网络建立室外温度、相对湿度、太阳辐射、风速和温室室内温度间的关联模型，通过数据训练，能够较为准确的根据室外环境数据预测室内温度。通过涿州实验农场2年数据试验验证，通过二次聚类，全年连续时间段可划分为3类，通过分别建立BP神经网络并分别训练，结果表明本方法预测误差仅为6.23%，与现有未分类的BP神经网络预测算法对比，本文方法有效地提高了准确度，平均误差降低5.4个百分点。     

径向基神经网络在猪胴体瘦肉率预测中的应用

猪胴体瘦肉率(LMP)是评价猪肉品质的重要指标之一,在生产线上快速而准确地预测出其数值并进行分级是并不可少的。目前,国内大部分厂家依然采取屠宰后人工称重测量的方法,耗时耗力,且存在相当大的误差。为此,随机抽取了116头皖北地区商品猪,选定眼肌面积、背膘厚及腿臀比作为参考数据,以Mat Lab工具箱作为研究工具,利用BP、Elman和RBF等3种不同的神经网络建立预测模型,统计后进行比较分析。实验表明:3种模型的神经网络均可用于瘦肉率预测,但RBF网络误差最小,训练速度最快,学习能力最强,最适合用于建立瘦肉率的预测模型。     

基于神经网络的多功能收割机发动机性能仿真及优化

随着全球经济和工业的快速发展,能源危机和环境保护问题越来越突出,传统内燃式发动机受到了巨大冲击,因此研究高效、节能的发动机显得尤为重要。为此,研究一种压缩比为10.6多功能收割机,并设计了基于MatLab仿真平台的GT-Power神经网络模型,利用神经网络训练和测试的数据自动进行仿真和储存,采用拉丁超立方采样算法设计试验,简化运算过程提高寻优效率。实验结果表明:神经网络模型转矩、比油耗和温度等参数模型预测误差很小、精度很高,可用于多功能收割机发动机的性能预测,使其各项指标参数最优化。     

基于人工智能的农用拖拉机发动机故障快速诊断研究

为了达到拖拉机发动机不解体故障诊断的目的,提高诊断效率,利用发动机缸盖的振动信号的采集原理,提出了一种基于神经网络的人工智能故障检测方法,并构建了拖拉机发动机振动信号采集系统。基于人工智能的拖拉机发动机故障诊断系统,综合运用信号采集技术、信号处理技术、数据库技术、神经网络技术和人工智能专家系统,实现了和数据库及具有强大信号分析的处理功能,提高了系统的诊断实时性和诊断精度。最后,采用田间试验方法,对拖拉机故障快速诊断系统进行了试验验证。试验结果表明:采用人工智能诊断方法不仅可以有效提高系统的准确率,而且诊断系统的响应更加迅速,并且曝晒、震动、灰尘等恶劣的现场环境中仍能保持正常工作的稳定性。     

光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型

为了进一步提高种子含水率的高光谱估算精度，该研究测定了156份油用牡丹种子的近红外吸收光谱及其对应的含水率值，分析了近红外吸收光谱、一阶微分光谱、水分吸收特征参数与含水率的相关关系，构建了基于特征波长吸收光谱、特征波长一阶微分光谱、水分特征吸收参数和BP神经网络的油用牡丹种子含水率估算模型，并对模型进行了验证；再结合一元线性回归（SLR，Single Linear Regression）、逐步多元线性回归（SMLR，Stepwise MultipleLinear Regression）、偏最小二乘回归（PLSR，Partial Least Squares Regression）模型与BP神经网络（BPNN，BP Neural Network）模型进行比较。结果表明：1）油用牡丹种子含水率的吸收光谱特征波长位于1 410、1 900、1990 nm，一阶微分光谱特征波长位于1 150、1 950、2 080 nm；2）以DF2080和AD2140为自变量建立的一元线性回归模型预测效果较优，在能够满足水分估算精度的情况下，是最优的选择方法。3）将优选的特征参数作为输入，实测含水率值作为输出，构建BP神经网络模型，其建模与验模R2分别为0.978和0.973，RMSE分别为0.22%和0.242%，而RPD值分别为6.478和5.889，与其他模型相比，BP神经网络模型的建模及预测精度均最高，是估算油用牡丹种子含水率的最优模型，其次为逐步多元线性回归模型。研究结果表明BP神经网络模型对种子含水率具有更好的预测能力，是估算油用牡丹种子含水率的有效方法。     

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。     

采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题，提出了一种联合全卷积神经网路（fully convolutional neural network，FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合，然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明，联合全卷积神经网络与Stacking算法能有效提取湿地信息，总体分类精度为88.16%，Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了4.87%，5.31%和5.08%；与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果，该文提出的湿地分类方法在总体分类精度上分别提高了2.78%，4.48%与4.91%；该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征，另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组，从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

基于广义回归神经网络的灌溉系统首部多用户配水快速PID控制

针对多用户配水状态下灌区流量、压力需求变化范围大,传统流量、压力控制响应速度慢等问题,建立适用于多用户灌区配水的灌溉系统首部控制技术。该研究通过分析供水系统流量、压力调节方式,提出了流量、压力PID(Proportion Integration Differentiation)耦合调节方法,建立以电动阀开度为流量控制量、变频器频率为压力控制量对流量和压力进行调控的灌溉首部控制系统。为了减少系统的调节时间,提高系统的运行效率,采用广义回归神经网络(Generalized Regression Neural Network,GRNN)建立流量、压力和电动阀控制模拟量、变频器控制模拟量间的预测模型,形成神经网络PID控制模型(GRNN_PID),并进行模型精度和控制精度验证。GRNN训练结果显示,变频器控制模拟量的相对误差为0.11%～3.86%,电动阀控制模拟量相对误差为0.09%～5.74%,模型精度较高。使用3个调节过程模拟3个用户的需水行为对模型进行验证,结果表明,GRNN_PID模型3个过程的调节时间分别为11.6、10.7和7.2 s,PID模型3个过程的调节时间分别为31.7、29.6和16.9 s,GRNN_PID模型大幅减少了系统的调节时间,提高了系统的运行效率;分别计算了2种模型的控制精度,GRNN_PID调节方法和传统PID调节方法的稳态流量和压力误差都在1%以内,最大超调量为8%,控制精度较高但相差不大,表明GRNN是从策略上加速系统调节速度,其本身并没有对PID的参数进行调整,因此对系统的控制精度影响不大。研究可为灌溉系统流量压力快速控制提供参考。     

基于深度学习的牛肉大理石花纹等级手机评价系统

大理石花纹是影响牛肉品质等级的重要指标,目前中国牛肉加工企业对大理石花纹的评价是由专业分级人员参照标准图谱完成,具有主观性强、耗费人工的缺点。针对上述问题,该研究提出了基于深度学习的智能分级方法,设计一种具有4层卷积的神经网络结构,实现了大理石花纹特征的自动提取,并基于智能手机开发了牛肉大理石花纹检测软件。该研究共采集样本图像1 800张,按3:1:1分为校正集、验证集和测试集。为进一步验证模型,将该方法与传统机器视觉方法进行了比较,提取了牛肉大理石花纹的大、中、小脂肪颗粒个数,脂肪总面积和脂肪分布均匀度5个参数,并建立了多元线性回归模型。试验结果表明,该研究所用方法大理石花纹检测准确率更高,验证集检测正确率为97.67%。最后编写了手机软件,将模型移植入Android手机,在手机平台上调用模型进行大理石花纹检测。试验表明,该软件对测试集样本的检测准确率为95.56%,单张检测时间低于0.5 s。该研究结合卷积神经网络分类能力强和智能手机运行速度快等优点,开发了牛肉大理石花纹的手机评价系统,具有较好的实用性和便携性,可提高牛肉大理石花纹检测效率,有助于提高农畜产品检测的智能化水平。