汽油机电液式可变气门正时系统响应性能仿真与试验

汽油机电液式可变气门正时系统(VVT)的响应性能对发动机燃烧、排放均有重要影响,汽油机瞬态过程中电液式VVT应根据发动机工况快速调整到目标相位,但由于电液VVT的响应性能受到多方面因素的影响,其速度尚有进一步提升的空间。基于试验和仿真分析,对影响电液VVT响应性能的发动机转速、机油温度、机油压力等因素进行了分析,并详细分析了VVT阶跃响应过程各阶段的影响因素,提出了基于MAP查表的VVT前馈控制算法,试验结果表明,该算法能够实现VVT快速响应,同时保证稳定性。     

基于量子遗传模糊神经网络的苹果果实识别

针对田间苹果采摘机器人视觉系统中彩色图像边界像素的模糊性和不确定性影响苹果果实识别精度和速度问题,提出了一种将量子遗传算法的全局搜索能力和模糊推理神经网络的自适应性相结合的算法来识别苹果果实。利用量子遗传算法对模糊神经网络的可调整参数初始值进行了全局优化,加快了网络学习速度,避免了传统BP误差反向传播学习算法易陷入局部极小值、迭代次数多等弊端。实验表明：该识别模型高速且稳定,鲁棒性好,对于果实本身颜色不均匀样本正确识别率为100%,对自然光照引起颜色不均匀样本正确识别率为96.86%,对邻接图像正确识别率为94.29%,对重叠图像正确识别率为92.31%。     

母亲

我相信,一直以来,母亲的心中都蕴藏着一种力量。我更相信,正是这种力量支撑着母亲实现了她一生中最美的梦想,最大的心愿。记忆中,我有一个快乐的童年。母亲说我是她六个孩子中最淘气的一个。我懂事晚,从不去想日子的艰难,更不曾体会母亲的辛苦和不易。     

温室逐时参考作物腾发量的估算

为建立适合逐时计算温室ET0的模型,基于自然气象条件下的逐时Penman-Monteith(PM)公式,对其空气动力项进行修正得到了温室条件下的修正PM公式.并对比了修正PM公式与PM公式计算得到的温室逐时ET0.结果表明,修正PM公式与PM公式计算的温室逐时ET0年内变化趋势基本相同,但修正PM公式得出的逐时ET0负值较少,稳定性较高.修正PM公式计算的逐时ET0与时平均气温、时最高气温、时最低气温及时平均相对湿度有极好的相关性.     

基于BP神经网络的HCNG发动机非正常燃烧仿真研究

为了解HCNG发动机某工况下的缸内燃烧情况,利用该工况的台架试验缸压数据,分析对比每个循环缸压值与平均缸压值,从理论上确定发生失火等非正常燃烧的循环。在Matlab中建立BP神经网络,利用理论分析的数据对其进行训练仿真。仿真结果显示,BP神经网络的表现函数mse为0.0229,可用于准确判断缸内的非正常燃烧情况。     

常规稻与杂交稻谷的仿生电子鼻分类识别

气味是进行稻谷品种及其品质识别的重要方法之一,作为一种基于仿生嗅觉的机器检测方法,仿生电子鼻在水稻品种的分类识别中具有较好的应用前景。常规稻与杂交稻在食味品质等方面存在一定的差异,为了解应用电子鼻进行常规稻谷与杂交稻谷识别的可行性,采用PEN3电子鼻对同季同地域收获的3种常规稻(中香1号、湘晚13、瑶平香)和3种杂交稻(伍丰优T025、品36、优优122)稻谷样品的气味信息进行了采集和分析。首先通过过载分析(Loadings)法分析了电子鼻检测稻谷气体挥发物时的各传感器贡献率,分别针对基于特征值的提取和稻谷气味检测对电子鼻传感器阵列中的传感器进行了优选,阐明了稻谷气体挥发物检测中应以对硫化物、氮氧化合物、芳香成分和有机硫化物敏感的传感器为主。随后,分别采用主成分分析法(principal component analysis,PCA)、线性判别法(linear discriminant analysis,LDA)和BP神经网络对6种不同稻谷之间、常规稻与杂交稻之间的分类识别进行了研究。结果表明,PCA分析法与LDA分析法在对6种不同稻谷之间的分类以及常规稻与杂交稻之间的分类中均未取得理想的效果,存在部分样本数据点重叠或样本数据点较近的情况,在实际应用中易发生混淆;而BP神经网络在对6种不同稻谷之间的分类中对测试集的识别正确率分别达到了90%,在常规稻与杂交稻之间的分类识别中对测试集的识别正确率达到了96.7%。上述试验验证了电子鼻用于常规稻与杂交稻稻谷分类识别的有效性,为常规稻与杂交稻的快速、无损分类识别提供了一种新的方法。     

基于遗传BP神经网络的核桃破裂功预测模型

针对核桃壳破裂所需机械能易受核桃含水率、加载速度和体积级别等多种因素影响,提出一种核桃壳破裂功预测方法。以南疆地区温185核桃为研究对象,选择核桃含水率(4%、6%、8%、10%)、加载速度(100、200、300、400 mm/min)和横径级别(1、2、3、4级)3个因素作为BP神经网络模型的输入量,利用遗传算法优化神经网络的权值与阈值,建立温185核桃破壳破裂功的遗传BP神经网络预测模型。结果表明:遗传BP神经网络模型能较好表达温185核桃破壳破裂功与主控因素之间的非线性关系,预测结果与实测值之间的平均绝对百分比误差为0.035,测试样本的网络输出值与网络目标值的相关系数达0.92488,模型预测效果较佳。研究结果为温185核桃破壳取仁加工过程的在线监控提供参考依据。     

采用广义回归神经网络建立酪蛋白乳化性与疏水性关系

为了研究琥珀酰化修饰后酪蛋白乳化性与疏水性关系,该文以琥珀酰化牦牛乳酪蛋白为研究对象,分析了不同酰化程度酪蛋白乳化性及疏水性变化趋势,采用广义回归神经网络建立了牦牛乳酰化酪蛋白乳化性与疏水性关系模型。结果显示,琥珀酰化牦牛乳酪蛋白乳化性和疏水性均与酰化程度、pH值有关,pH值为5以上,随着酰化程度的增加,酪蛋白乳化活性增大;等电点附近,酪蛋白乳化活性较差,等电点之后乳化活性迅速增大。pH值介于2-6时,所有酪蛋白乳化稳定性较强,pH值介于6-11之间时,酪蛋白乳化稳定性差异较小,pH值为12时乳化稳定性有所增加。酪蛋白内荧光与1-苯胺基萘-8-磺酸(1-aniline napthalene-8-sulfonic acid,ANS)外源荧光最大荧光强度和最大发射波长随酰化程度及pH值变化表现出较为复杂的关系。通过广义回归神经网络(generalized-regression-neu-network,GRNN)建立了牦牛乳酪蛋白疏水性参数、pH值、酰化程度与乳化性关系,网络模型对乳化性的预测相对误差小于10%,预测结果良好。研究结果为酪蛋白乳化性研究提供了参考依据。     

概率神经网络在玉米叶部病害识别中的应用

根据锈病、灰斑病、小斑病、褐斑病和弯孢菌叶斑病等5种主要玉米叶部病害的特点,提出了一种基于图像处理技术和概率神经网络技术的玉米叶部病害识别方法.首先,对田间采集的玉米叶部病害图像样本进行去噪处理、图像分割和特征提取;然后,利用遗传算法优化选择出4个独立、稳定性好、分类能力强的分类特征;最后,提取目标对象的特征向量作为输入向量,由概率神经网络(PNN)分类器识别病害类别,平均正确识别率为90.4%,高于BP神经网络.试验结果表明了该方法的有效性,可为田间作物病虫害的快速智能诊断提供借鉴.