四轮驱动汽车牵引力模糊控制方法仿真研究

建立了四轮驱动汽车加速过程的数学模型,采用模糊控制方法,建立了以滑转率为控制对象的汽车牵引力控制系统TCS(Traction Control System),用Matlab的模糊工具箱进行了模糊控制器的设计,并在Simulink仿真环境下进行了动态仿真,结果表明:基于模糊控制的TCS可将驱动轮滑转率控制在最佳值附近,有效地改善车辆的牵引性和动力性,抑制驱动轮过度滑转。     

初果期苹果树剪枝仿真研究

苹果树的剪枝对果树坐果和树形塑造起着重要的作用。本文选用五年生苹果树为研究对象，对其进行仿真研究。首先，采用三维激光扫描仪对冬季落叶后的果树进行扫描获取点云数据，经过去噪、重采样和软件处理获得苹果树的骨架节点。其次，再对苹果树进行4种不同类型的剪枝处理，经过一个生长期后，记录被修剪枝条的生长数据，进行定性和定量分析。分析结果表明，随着果树修剪的加重，潜伏芽率、短枝率会逐渐下降，中枝率变化不显著，但长枝率会逐渐增加。根据每种修剪类型后对应母枝的抽枝类型与母枝上的节位规律变化，生成了对应的多项式拟合函数，为虚拟苹果树修剪仿真提供数学规律。最后，建立了苹果树修剪仿真软件用于初果期苹果树剪枝仿真，修剪后仿真抽枝结果的变化规律与实际修剪产生的抽枝规律相符，可为初果期苹果树来年坐果或塑形提供修剪参考方案。     

基于聚类分析的农业SCADA服务器预警阈值提取方法

针对计算机服务器预警阈值人为设定不准确的问题,该文以某农业数据采集与监视控制系统(supervisory control and data acquisition,SCADA)中Apache服务器为研究对象,提出一种基于聚类分析提取服务器监控指标预警阈值的方法。首先对服务器运行数据与某类异常发生前的预警信息进行特征选择。在数据分布形状未知的情况下,对特征选择结果分别用K-means和CURE(clustering using representative)2种聚类算法挖掘异常发生前服务器运行状态的普遍特征,将聚类结果用于提取该类异常的预警阈值。试验表明:特征选择可提取出影响该SCADA系统中服务器性能的监控指标。对比聚类结果,CURE算法聚类质心与正常信息质心的距离范围为0.02~0.05,而K-means算法聚类质心与正常信息质心的距离范围为0.15~0.2,CURE算法提取的预警阈值更加靠近预警发生时的服务器临界状态。在实际验证中,CURE相较于K-means预警时间至少提前24 h,该文方法提取的服务器预警阈值相比人工方式能更早地发现系统潜在风险,可用于动态更新预警阈值。     

3-PRR柔性并联机构动力学分析

提出一种可应用于微/纳操作领域的3-PRR柔性并联机构,基于Euler-Bernoulli梁理论,采用假设模态法,分析支链上从动杆的柔性,结合实例说明了将从动杆视为刚性杆处理的依据.为进一步分析各构件惯量参数和柔性构件刚度对系统固有频率的影响,采用拉格朗日方程建立了修正的机构动力学振动微分方程,并结合实例进行分析,利用仿真计算验证了所建模型的有效性.     

基于滑转率的四轮驱动汽车防滑模糊控制仿真

建立了四轮驱动汽车加速过程的数学模型,以滑转率为调节对象,提出一种基于模糊PID控制的驱动防滑控制ASR算法，设计了以发动机油门为控制对象的模糊-PID控制器并讨论了控制器切换参数的选取,并针对均一低附着路面以及分离路面在Simulink仿真环境下进行了动态仿真.对比仿真结果,表明模糊PID控制性能优于单一的模糊控制.     

生物杀虫剂在蜂业生产中的应用进展

蜂业生产中使用化学杀虫剂在有效抵抗病虫害的同时也可能给蜂产品带来一定程度的污染,因此,开发环境友好型生物杀虫剂势在必行。近年来,低毒、低残留的生物杀虫剂在蜂业生产中得到广泛应用。详细介绍了蜂业生产中常见的生物杀虫剂及其分类和作用机理,总结了国内外生物杀虫剂在蜜蜂病虫害防治中的应用,对生物杀虫剂在蜂业生产中应用的可行性进行了评估,旨在为广大养蜂者提供更安全、高效的防治蜂群病虫害的方法,以期实现生物杀虫剂在蜂业生产中的合理应用。     

基于SVM和AdaBoost的棉叶螨危害等级识别

针对自然条件下棉叶螨虫害等级识别难的问题,在自然条件下以普通手机采集棉叶图像作为实验对象,首先使用大津法和连通区域标记算法,将棉花叶片图像与背景分离,然后,提取不同棉叶螨危害等级棉叶图像的颜色、纹理和边缘特征数据,使用支持向量机(Support vector machine,SVM)单独进行分类实验,得到平均识别正确率为76. 25%,最后,采用SVM和AdaBoost相结合的算法,生成最优判别模型,实现对棉叶螨危害等级的识别,平均识别正确率为88. 75%。对比实验表明,提出的棉叶螨危害等级识别方法比BP神经网络的平均识别正确率高13. 75个百分点,比单独采用SVM算法高12. 5个百分点,比单独采用AdaBoost算法高8. 75个百分点,SVM和AdaBoost相结合的算法可较好地对棉叶螨危害等级进行识别,为棉叶螨数字化防治和变量喷药提供了数据支持。