基于粗糙集理论和BP神经网络的粮食产量预测方法

结合粗糙集理论和BP神经网络在信息处理方面的优势,建立了一个基于粗糙集理论和BP神经网络的系统模型,并在此基础上用于粮食产量预测。仿真结果表明,该模型较之传统的预测方法显著地提高了预测的速度和精度,在实际中有着良好的应用前景。     

基于流量调节阀和神经网络的植保机械在线混药装置

农药的小流量、高精度实时动态测控是在线混药装置急需解决的一个关键问题。流过调节阀的流量与阀前后压差、流体密度、阀开度有关,通过建立流量与这3个变量间的关系表达式,即可利用调节阀对药液流量进行实时检测和控制。设计了利用流量计和调节阀分别对水和农药原液进行计量的在线混药装置,在提出调节阀相应标定方法的基础上,建立了调节阀的流量关系表达式,并在室内进行了测试。结果表明,农药流量在24~240 m L/min范围内时,混药装置的药液流量相对偏差均小于4%。     

一种基于神经网络的扇贝图像识别方法

为了满足计算机视觉辅助下应用机器人进行扇贝自动分拣的实时性和鲁棒性要求,提出了一种基于神经网络的扇贝识别和分级方法.首先对图像进行灰度化处理,并用canny算子检测目标边界,然后用8-连通邻域追踪算法提取目标边界像素坐标,最后计算目标边界到中心点的平均距离及其绝对平均误差,并作为特征信息训练BP神经网络,实现对扇贝图像识别和分类.实验结果表明,该方法可以快速实现扇贝的自动识别和分级工作.     

基于灰色神经网络的换热器污垢预测研究

由于影响换热器污垢热阻的因素较为复杂,对其预测比较困难.针对这种情况,提出了利用灰色神经网络预测方法对污垢热阻进行预测.本文用一种灰色理论算法改进模型和RBF神经网络分别对换热器污垢热阻值进行预测,并对预测结果进行最优组合,同时给出了预测曲线.结果表明与GM（1,1）模型相比较,灰色神经网络组合模型（GMNN）预测精度更高,可以较准确地预测污垢热阻随时间的变化趋势.     

忆阻Fourier神经网络在图像复原中的应用

将传统Fourier神经网络与忆阻器相结合,用忆阻器做突触,构建新型的忆阻Fourier神经网络.推导忆导变化与权值更新的关系,提出忆阻突触权值更新规则,构建单输入忆阻Fourier神经网络,提出忆阻BP算法对模糊二值图像和灰度进行处理.Matlab仿真实验表明该算法可以有效实现图像复原,提高图像清晰度.忆阻Fourier神经网络有望用于解决复杂的图像处理问题.     

基于模型剪枝的棉花氮素营养水平诊断

确定棉花的氮素营养水平是实施精准施肥的先决条件和基础。近年来,深度学习逐渐应用于氮素营养水平诊断中,但该方法对高性能设备的依赖性较高,限制了其在资源受限边缘设备上的部署应用。针对这一问题,该研究提出一种基于树莓派4B的棉花氮素营养水平诊断方法。研究采用ResNet101网络构建诊断模型,并通过网络瘦身算法对模型进行剪枝优化,最终将剪枝比例为87%的模型部署在资源受限的树莓派4B上。试验结果表明：当剪枝比例达到87%时,模型精度损失2.55个百分点,同时剪枝后模型参数量、计算量和存储体积分别为4.37 M、1.05 G和16.65 MB,明显提高模型在计算能力有限设备上的推理速度,有助于快速、准确地评估田间棉花的氮素营养状况,从而实现对棉花的精准施肥,提高产量和质量。该研究不仅为实现棉花氮素营养水平的大面积快速诊断提供了技术参考,同时对于作物营养水平诊断的智能终端装备研发具有参考价值。     

基于近红外光谱及 BP 神经网络分析法磁预测森林土壤有机碳含量

为快速测定森林土壤的有机碳含量,从取自小兴安岭带岭林业局东方红林场的120个土壤样品中采集350～2500 nm的土壤近红外光谱数据,对光谱做一定的预处理后,运用主成分分析法压缩提取前8个主成分,结合BP神经网络非线性方法建立土壤有机碳含量的预测模型并进行验证。结果表明,验证集的相关系数为0.78002,均方根误差为0.5002,预测集的相关系数为0.84941,均方根误差为0.4538。应用近红外光谱技术及BP神经网络非线性方法建模可以有效地预测土壤的有机碳含量,为野外大面积快速测定森林土壤碳含量提供了技术依据。     

基于Hopfield算法的特色旅游路线设计——以大岭山森林公园为例

针对特色旅游路线的选择问题,提出了使用Hopfield神经网络的算法和优化模型,并结合东莞市大岭山森林公园地图,着重考虑公园景点评分、出入口设置、最短路径等因素,构建了Hopfield神经网络模型。依据该神经网络模型算法,设计了休闲保健、户外体验、花季特色旅游路线,并通过与现实旅游路线相比较,证明了基于Hopfield神经网络算法设计的旅游路线是合理可行的。     

BP人工神经网络模型在珠江口水质评价中的应用

根据海水水质标准GB30971997,应用VB编程语言在各类海水水质指标浓度区间内生成足够多的随机分布样本,以此作为海水水质评价BP人工神经网络模型的训练、检验和测试样本,利用训练后的海水水质评价BP人工神经网络模型对珠江口2002～2003年水质状况做出评价。结果表明,训练后的海水水质评价BP人工神经网络模型具有较好的泛化能力,能够准确评价未知海水样本的水质类别;2002～2003年珠江口的水环境总体状况较差,绝大部分区域属于II～IV类海水,在其分布上,珠江口西部海域水质状况好于东部海域,这是由于珠江口东部沿岸城市东莞和深圳较大的排污量和繁忙的海上运输所引起。     

基于卷积神经网络的养殖鱼类品种识别模型

随着人工智能、大数据、机器学习、计算机视觉等技术的发展,卷积神经网络（CNN）越来越多地应用于图像识别领域,图像数据集的丰富性以及多样性对CNN模型的性能和表达能力至关重要,但现有的鱼类图像公共数据集资源较匮乏,严重缺少训练集以及测试集样本,难以满足深度CNN模型优化及性能提升的需要。实验以大黄鱼、鲤、鲢、秋刀鱼和鳙为对象,采用网络爬虫以及实验室人工拍照采集相结合的方式,构建了供鱼种分类的基础图片数据集,针对网络爬虫手段获取到的鱼类图像存在尺度不一、格式不定等问题,采用图像批处理的方式对所有获取到的图像进行了统一的数据预处理,并通过内容变换以及尺度变换对基础数据集做了数据增强处理,完成了7 993个样本的图像采集与归纳;在权值共享和局部连接的基础上,构建了一个用于鱼类识别的CNN模型,采用ReLU函数作为激活函数,通过dropout和正则化等方法避免过度拟合。结果显示,所构建的CNN鱼种识别模型具有良好的识别精度和泛化能力。随着迭代次数的增加,CNN模型的性能也逐步提高,迭代1 000次达到最佳,模型的准确率为96.56％。该模型采用监督学习的机器学习方式,基于CNN模型,实现了5种常见鱼类的鱼种分类,具有较高的识别精度和良好的稳定性,并且模型本身具有一定程度的鱼种推广可能性,为养殖鱼类的品种识别提供了一种新的理论计算模型。