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。     

新形势下如何加强和创新社会管理

有效的社会管理是经济持续健康发展的前提,是社会稳定的基石.当前,我国正处在经济社会转型的重要时期,伴随着经济的快速增长,各类社会矛盾和社会问题呈现出多样、多发的态势,这给社会的管理带来了新的挑战.我们必须加强和创新社会管理,在战略全局上重视,同时注重改善民生、加强对权力的监督、建立健全的制度等不断提升和创新社会管理的整体实力.     

基于网络技术数字化图书馆建设探讨

介绍了目前网络技术的发展以及在数字图书馆中的应用情况。     

论信息时代网络语言中的外来语

随着信息时代网络交流的日益普及,网络与语言结合,形成了一种全新的语言模式—网络语言。网络语言中一个突出的现象是大量外来语杂糅其中。通过分析网络语言中外来语的表现形式,探讨网络语言中外来语流行的原因,并提出如何正确看待这一现象。     

实时混合对抗蠕虫的建模和分析

传统的防病毒技术难以抵御蠕虫的传播，为此本文提出实时混合对抗技术，该技术在被对抗蠕虫感染的主机与易感染主机数量相等时转换对抗策略，并建立实时混合对抗蠕虫的传播模型.最后，通过仿真实验从对抗有效性、资源消耗和应对突发事件能力三个方面验证实时混合对抗技术的性能.理论分析和实验结果表明，实时混合对抗技术能更好地满足对抗有效性和低资源消耗要求，并能应对突发事件.     

砾石对石灰土表面干缩裂隙发育特征的影响

[目的]研究砾石粒径及含量对石灰土表面干缩裂隙发育特征的影响,为探索喀斯特地区的水土流失机理提供参考依据。[方法]通过室内模拟试验和数字图像处理技术,研究了砾石粒径(2.0～5.0 mm和5.0～12.5 mm)和砾石含量(0%,10%,20%,30%,40%)条件下的石灰土表面干缩裂隙特征。[结果]①无砾石石灰土平均表面裂隙率仅为3.03%,含砾石石灰土具有更大的表面裂隙率,在大粒径(5.0～12.5 mm)高含量(40%)条件下,表面裂隙率最大,达到8.66%;②当砾石含量增加时,裂隙的形态变得细小且密集,小粒径砾石会使裂隙网络更复杂;③大粒径(5.0～12.5 mm)条件下的土壤表面裂隙率与砾石含量成正线性相关,而小粒径(2.0～5.0 mm)条件下的裂隙率与砾石含量成负线性相关;④砾石会成为裂隙发育的基点,每个砾石颗粒周围都有可能产生围绕砾石或是向外延伸的裂隙。且在砾石形态的棱角处,容易产生向外延伸的裂隙。[结论]石灰土中存在砾石会导致表面裂隙率提高,弱化土体的抗侵蚀能力,是石漠化治理不容忽视的问题。     

Modelling soil erodibility in mountain rangelands of southern Kyrgyzstan

Soil erosion in mountain rangelands in Kyrgyzstan is an emerging problem due to vegetation loss caused by overgrazing. It is further exacerbated by mountain terrain and high precipitation values in Fergana range in the south of Kyrgyzstan. The main objective of this study was to map soil erodibility in the mountainous rangelands of Kyrgyzstan. The results of this effort are expected to contribute to the development of soil erodibility modelling approaches for mountainous areas. In this study, we mapped soil erodibility at two sites, both representing grazing rangelands in the mountains of Kyrgyzstan and having potentially different levels of grazing pressure. We collected a total of 232 soil samples evenly distributed in geographical space and feature space. Then we analyzed the samples in laboratory for grain size distribution and calculated soil erodibility values from these data using the Revised Universal Soil Loss Equation (RUSLE) K-factor formula. After that, we derived different terrain indices and ratios of frequency bands from ASTER GDEM and LANDSAT images to use as auxiliary data because they are among the main soil forming factors and widely used for prediction of various soil properties. Soil erodibility was significantly correlated with channel network base level (geographically extrapolated altitude of water channels), remotely sensed indices of short-wave infrared spectral bands, exposition, and slope degree. We applied multiple regression analysis to predict soil erodibility from spatially explicit terrain and remotely sensed indices. The final soil erodibility model was developed using the spatially explicit predictors and the regression equation and then improved by adding the residuals. The spatial resolution of the model was 30 m, and the estimated mean adjusted coefficient of determination was 0.47. The two sites indicated different estimated and predicted means of soil erodibility values (0.035 and 0.039) with a 0.05 significance level, which is attributed mainly to the considerable difference in elevation.     

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。