自适应性神经网络预测模型及其在农机动力需求预测中的应用

建立了一个自适应性神经网络模型,它在Ｂ－Ｐ网络模型基础上,对网络的自身结构及学习规则进行了动态优化。网络能自组织和自学习自己的结构,即在学习过程中,网络可根据具体问题自动调整本身的结构,从而使结构达到最优。学习速度具有动态调节功能,根据每次学习时得到的误差不同,网络不断调整学习速率,从而在不引起系统振荡的情况下加速了收敛过程。在此基础上,对我国农机总动力需求进行了预测,预测结果和实际结果有很好的一致性。     

基于L-M优化算法的水稻螟虫预测模型及其初步应用

农村稻区水稻螟虫发生量与多种气候因素相关，各因素之间存在相互作用，是非线性系统。神经网络能有效地描述非线性模型多输入和不确定的特性。传统的BP网络在训练时易陷入局部极小点从而导致训练时间长、收敛速度慢，采用Levenberg-Marquardt优化算法(简称L-M算法)能克服其缺点。在MATLAB中应用L-M算法对辽宁盘锦田间稻区进行水稻螟虫发生量的仿真预测，试验结果表明L-M优化算法的预测精度和收敛速度明显提高，为稻区防控虫害和精确喷药提供参考，具有实用价值。     

强跟踪自适应卡尔曼滤波在高铁沉降监测中的应用

以高铁沉降监测为应用背景,研究了一种强跟踪自适应卡尔曼滤波算法,并将其与其他几种卡尔曼滤波算法进行仿真对比。结果表明,滤波算法具有较高的精度和较强的跟踪能力。     

模糊自适应PID控制器在太阳能干燥温度控制中的应用

基于中国农村对特色农副产品干燥设备的需求现状，设计了一种热能辅助型太阳能箱式干燥器。该装置由干燥箱、热风炉和循环系统构成。针对太阳能辅助热能干燥过程参数时变性和模型不确定性设计了一种基于模糊推理的参数自适应PID控制器。仿真结果表明，该控制器具有理想的动态和稳态以及抗干扰性能，超调量、过渡过程时间等控制性能指标优于传统PID控制器，能够满足太阳能干燥系统对参数控制的要求。     

方差补偿自适应卡尔曼滤波在GPS滑坡监测中的应用研究

卡尔曼滤波是目前处理滑坡监测数据的主要方法。针对传统卡尔曼滤波中动态噪声不准或不容易确定而导致滤波发散的现象,提出用动态噪声的方差阵补偿法对滤波中的方差-协方差误差进行修正,结合三峡实测数据处理,证明该方法能有效地克服滑坡监测数据处理中滤波模型发散的问题。     

小波自适应算法在车身振动主动控制中的应用

针对大型、非线性结构的振动抑制问题,提出基于在线系统辨识的小波自适应控制策略,进行车身结构振动主动控制。通过小波自适应控制策略分析、车身结构模态分析和数学模型拟合,搭建了基于并行在线系统辨识的小波自适应控制系统,应用压电智能元件作为传感器和控制器,搭建了车身结构振动控制试验平台。通过小波自适应控制,车身壁板振动幅值减小60%左右,特别是被动控制效果较差的低频区域,壁板振动幅值约减小40%～80%。试验结果表明,该文所建立的在线系统辨识小波自适应控制系统,对于轿车车身这样大型的非线性结构在时变、不确定激励下的振动,能够取得良好控制效果,为解决各类工程机械减振降噪问题提供参考。     

BP网络在预测土壤pH值中的应用研究

掌握土壤pH值的变化情况,对于研究植物的生长情况与分布有重要意义。利用西藏察雅县105个土样资料建立了CaCO_3—pH神经网络模型,预测土壤pH值,并与刘世全等所做的回归模型在拟合精度和预测性能方面进行了比较。结果显示,BP网络在拟合性能方面不亚于回归方法,在预测性能上要优于回归方法。     

GM(0,N)灰色预测模型在云南小春作物产量预报中的应用

利用1972-2004年的云南小春作物单产和与其灰关联度最优的10个气象因子时间序列,采用原始序列和残差序列进行GM（0,N）预测建模,对云南小春作物产量趋势进行预测.结果表明：通过残差修正后所建立的云南省小春作物产量预测模型适用于产量趋势预报,通过了小概率统计检验,预报结果有一定的参考价值.     

基于密度参数K-均值算法的RBF网络及其在降水量预测中的应用

径向基函数（Radial Basis Funtion,简称RBF）神经网络是一种收敛速度快、逼近能力强的前馈型神经网络。为提高网络的训练速度,采用基于密度参数的K-均值算法,消除传统K-均值算法对初始聚类中心的敏感性,构建了基于K-均值算法的RBF降水预报模型,并应用于挠力河流域的友谊农场汛期月降水量预报中,以检验所建模型的有效性。结果表明,与标准的K-均值算法RBF网络模型和BP（Back Propagation）网络模型相比,所构建的RBF降水预报模型对2008年,2009年,2010年各年间汛期（6—9月）降水量的预测平均相对误差为9.270 7％;确定性系数为0.96。预报精度均有所提高,且满足水文预报要求。     

BP神经网络算法在河西绿洲玉米生产碳排放评估中的应用及算法有效性研究

针对作物生产碳排放预测较为困难的实际问题,提出基于BP神经网络算法的玉米生产碳排放预测模型。选择地处河西走廊石羊河下游的民勤绿洲246家农户,面对面调查玉米种植户农场内生产投入数据,将玉米生产投入数据作为神经网络输入层;查阅和梳理国内外相似区域玉米生产环节碳排放系数,运用碳足迹生命周期法计算得到的碳排放值作为神经网络输出层;基于BP人工神经网络算法,运用试凑法确定网络隐含层节点个数,建立河西绿洲玉米生产碳排放预测模型,选择多元线性回归模型、多元非线性回归模型,对该模型有效性进行评估。研究结果表明,3层且各层节点数9、10、1的神经网络结构能够准确预测河西绿洲玉米生产碳排放,其碳排放预测值为0.763 kg(CO_2-eq)·kg~(-1)(DM);9-10-1结构的神经网络预测模型的相关系数(R~2=0.984 7)高于多元线性和非线性回归模型,该神经网络结构模型的均方根误差(RMSE=0.069 1)、平均绝对误差(MAE=0.051 3)均低于其他模型,BP神经网络算法预测性能明显优于其他预测模型。该研究为准确预测农业生产碳排放提供了新思路和可操作方法。     

虚拟水理论及其在粮食安全中的应用

中国的水资源短缺直接影响到粮食生产,进而影响粮食安全。运用虚拟水理论,通过虚拟水战略,使缺水的国家和地区以贸易的方式获得本地区所需要的水资源,促进商品生产和服务,进而稳定本地区经济可持续发展。该文着重介绍了农作物和畜牧产品的虚拟水计算方法,并结合中部四省区在农业生产中的实例,指出虚拟水战略作为解决水资源短缺的一种备选方案,通过虚拟水贸易使虚拟水在全球范围进行配置。作为一种调节手段,可增加水资源紧缺地区的水资源供应,从而维护区域或国家的水资源安全和粮食安全。对实现水资源的优化配置和粮食安全生产有着重要的理论和现实意义。