采用HHT算法与卷积神经网络诊断轴承复合故障

针对农业机械装备中滚动轴承复合故障特征提取与智能诊断问题,该文提出了一种将希尔伯特-黄变换的改进算法(improved hilbert-huang transform,IHHT)与卷积神经网络(convolution neural network,CNN)相结合的诊断方法。首先,通过多种群差分进化改进的集合经验模式分解(multiple population differential evolution-ensemble empirical mode decomposition,MPDE-EEMD)和敏感固有模态函数筛选方法来改进HHT,提取出故障信号时频特征。然后,在AlexNet网络模型基础上遍历所有可能的CNN模型组合,构建出适应于滚动轴承故障诊断的CNN网络模型。再将训练集生成的IHHT时频图输入CNN中进行学习,不断更新网络参数;并将该模型应用于测试集,输出故障识别结果。最后,通过滚动轴承单一故障和复合故障2种试验,将所提出的IHHT+CNN方法分别与传统的BP神经网络、DWT+CNN和STFT+CNN方法进行比较。研究表明,该文的IHHT+CNN方法对单一与复合故障的正确率分别达到100%和99.74%,均高于其他3种方法,实现了不同工况下端到端的轴承复合故障智能诊断,并具有较好的泛化能力和鲁棒性。     

变分模态分解结合深度迁移学习诊断机械故障

针对机械故障振动信号在变工况条件下的特征提取与智能诊断问题,该研究提出了一种将变分模态分解(Variational Mode Decomposition,VMD)的优化算法与深度迁移学习(Deep Transfer Learning,DTL)模型相结合的故障诊断方法。首先,通过多种群差分进化(Multiple Population Differential Evolution,MPDE)算法和包络熵适应度函数来优化VMD,以解决VMD中本征模态函数分解个数k和惩罚因子α难以自适应确定的问题,再将VMD分解后的本征模态函数根据平均峭度准则进行重构,重构信号经过连续小波变换后获取信号时频特征。然后在深度残差网络(Deep Residual Network,ResNet)的基础上,将ResNet网络与迁移学习(Transfer Learning,TL)模型进行结合,采用边缘分布自适应方法缩小机械故障信号源域数据集与目标域数据集之间的差异,构建出适合于变工况条件下的机械故障诊断深度迁移学习模型。最后,在4个不同工况条件下的滚动轴承试验数据集中,将所提出的MPDE-VMD+DTL的故障诊断方法与传统BP神经网络、ResNet卷积神经网络和迁移成分分析进行对比。结果表明,该研究的MPDE-VMD+DTL方法诊断精度达到84.36%,BP、ResNet和迁移成分分析方法的诊断精度分别为23.60%、71.63%和19.68%,均低于该研究方法。MPDE-VMD+DTL方法实现了在不同工况下的端到端机械故障智能诊断,同时具有较好的泛化能力和鲁棒性。     

多特征融合的滚动轴承故障诊断

针对滚动轴承变工况条件下卷积神经网络在特征提取过程中无法充分提取全局特征信息的问题,该研究提出一种MSCNN-Swin滚动轴承故障诊断方法。首先,在数据处理模块中利用连续小波变换(continuous wavelet transform, CWT)将一维振动信号转化为二维时频图像,以保留原始信号的时频特性;然后,在局部感知模块中利用多尺度卷积神经网络(multiscale convolutional neural networks, MSCNN)对故障信息的局部特征进行提取,并使用卷积块注意模块(convolutional block attention module, CBAM)提取关键信息;进一步构建特征提取模块,引入残差连接提高前后特征信息的利用效率,通过SwinT网络(swin transformer)学习故障信息的全局特征;最后使用全局平均池化代替全连接层进行故障识别。使用美国凯斯西储大学轴承数据集与自制数据集进行试验验证,试验结果表明,本文方法在可视化试验中的故障识别准确率为99.67%,在变工况试验中的故障识别准确率为95.01%～99.66%,不同编码方式试验中的故障识别准确率为100%。在自制数据集中,故障诊断准确率达到99.18%。与CWT-LeNet5、CWT-VGG16、CWT-ResNet18和CWT-Swin相比,本文方法在变工况条件下的平均故障识别准确率分别提高8.79、8.64、3.49和3.18个百分点,在自制数据集中分别提高5.23、2.74、1.40和1.26个百分点。本文方法实现了变工况等复杂条件下滚动轴承不同故障状态的识别,能够充分提取轴承故障的全局特征信息,具有较高的故障诊断准确率和良好的泛化能力,可为变工况条件下的滚动轴承故障诊断提供参考。     

改进烟花算法和概率神经网络智能诊断齿轮箱故障

针对复杂环境下农机设备的齿轮箱系统在故障诊断时存在易受现场噪声干扰和故障识别率低等问题,提出了一种基于改进的烟花算法和概率神经网络的齿轮箱智能故障诊断方法。为提高现有概率神经网络模式分类方法的性能,定义了一项样本相似度衡量指标以提高建模过程中训练样本的质量。将烟花算法与概率神经网络技术有机融合提出了一种改进的烟花算法-概率神经网络模式分类方法,利用烟花算法优化概率神经网络的平滑参数以确定网络参数的最优值,提高模式分类与识别精度。将改进的烟花算法-概率神经网络模式分类方法用于噪声环境下齿轮箱的故障诊断建模,构建故障特征参量与齿轮箱工作状况间的复杂非线性映射关系。应用结果表明,与基于BP神经网络、GABP(genetic algorithm back propagation)神经网络和概率神经网络的故障诊断模型相比,在不同程度噪声影响下烟花算法-概率神经网络模型均具有最高故障识别率。当噪声控制系数为0.01、0.02、0.04和0.06时,模型的故障识别率分别为100%、95.83%、93.33%和88.33%。该研究可为非线性复杂系统的故障诊断提供了一种可行的解决方案。     

基于混合3D-2D CNN的多时相遥感农作物分类

准确的农作物分类图是农业监测和粮食安全评估的重要数据来源,针对传统的深度学习模型在多时相农作物遥感分类方面精度较低的问题,该研究将卷积维度单一的卷积神经网络(Convolutional Neural Networks,CNN)进行改进,提出了一种混合三维和二维卷积的神经网络识别模型(HybridThreeDimensionalandTwoDimensionalConvolutional Neural Networks,3D-2D CNN)。该模型首先通过多个三维卷积层提取时空特征,其次将输出的特征降维压缩后通过二维卷积层执行空域特征分析,最后将高层特征图展平后通过全连接层进行类别预测。试验以Landsat8多时相影像为数据源,将美国加利福尼亚州北部研究区的地块按照2:2:6分层随机划分为训练集、验证集和测试集。试验结果表明3D-2DCNN对13种农作物分类的总体精度(89.38%)、宏平均F1值(84.21%)和Kappa系数(0.881)均优于三维卷积神经网络(Three Dimensional Convolutional Neural Networks,3D-CNN)、二维卷积神经网络(Two Dimensional Convolutional Neural Networks,2D-CNN)、支持向量机(Support Vector Machines,SVM)和随机森林(Random Forest,RF)等方法,并在参数量和收敛时间方面比3D CNN大幅度减小。同时,在较小样本训练集下3D-2D CNN仍表现最优。该模型综合利用空间-光谱-时间特征并具有较高的分类精度和较强的鲁棒性,这为解决多时相遥感农作物分类问题提供了一个有效且可行的方案。     

基于改进空洞卷积神经网络的丘陵山区田间道路场景识别

基于机器视觉的自主导航是智能农业机械的主要导航方式之一。丘陵山区复杂的田间道路场景,使得智能农机在田间道路上的自主导航与避障存在较大的困难。该文根据丘陵山区田间道路图像特征,将田间道路场景对象分为背景、道路、行人、植被、天空、建筑、牲畜、障碍、水塘、土壤和杆等11类,构建了基于空洞卷积神经网络的田间道路场景图像语义分割模型。该模型包括前端模块和上下文模块,前端模块为VGG-16融合空洞卷积的改进结构,上下文模块为不同膨胀系数空洞卷积层的级联,采用两阶段训练方法进行训练。利用CAFFE深度学习框架将改进的网络模型与经典的FCN-8s网络模型进行了对比测试,并进行了道路阴影的适应性测试。语义分割测试结果表明:Front-end+Large网络的统计像素准确率、类别平均准确率以及平均区域重合度都最高,而FCN-8s网络最低;Front-end+Large网络在无阴影道路训练集和有阴影道路训练集上的平均区域重合度分别为73.4%和73.2%,对阴影干扰有良好的适应性。该文实现了丘陵山区田间道路场景像素级的预测,能为智能农业机械在田间道路上基于机器视觉的自主导航和避障奠定基础。     

采用改进CNN对生猪异常状态声音识别

猪只声音能够体现出其生长状态,该研究针对人工监测猪只声音造成的猪只疾病误判以及耗时耗力等问题,研究基于卷积神经网络（Convolutional Neural Network,CNN）的生猪异常状态声音识别方法。该研究首先设计猪只声音实时采集系统,并利用4G通讯技术将声音信息上传至云服务器,基于专业人员指导制作猪只异常声音（生病、打架、饥饿等）数据集,提取猪只异常声音的梅尔谱图特征信息;其次引入多种注意力机制对CNN进行改进,并对CBAM（Convolutional Block Attention Module）注意力机制进行优化,提出_CBAM-CNN网络模型;最后将_CBAM-CNN网络模型分别与引入SE_NET（Squeeze and Excitation Network）、ECA_NET（Efficient Channel Attention Networks）和CBAM注意力机制的CNN神经网络进行对比,试验结果表明该文提出的_CBAM-CNN网络模型在最优参数为128维梅尔频率、2 048点FFT（Fast Fourier Transform）点数、512点窗移下的梅尔谱图特征下相较于其他模型对猪只异常声音识别效果最佳,识别率达到94.46%,验证了算法的有效性。该研究有助于生猪养殖过程中对猪只异常行为的监测,并对智能化、现代化猪场的建设具有重要意义。     

基于层次多尺度散布熵的滚动轴承智能故障诊断

针对全寿命周期内滚动轴承振动信号的特征提取与智能诊断问题,该研究提出一种基于层次多尺度散布熵的滚动轴承智能故障诊断方法。首先,在散布熵的基础上,结合层次分解和多尺度分析的理论思想,提出一种信号复杂性度量方法——层次多尺度散布熵(Hierarchical Multiscale Dispersion Entropy, HMDE);其次,为了避免HMDE按经验性选取参数的缺陷,借助鸟群优化算法(Bird Swarm Algorithm, BSA)自适应地确定其重要参数,并采用参数优化的HMDE提取原轴承振动信号中的多层次、多尺度故障特征;最后,将构建的多维度故障特征矩阵输入到支持矩阵机(Support Matrix Machine,SMM)中进行模型训练并完成轴承故障模式及程度的自动判别。通过2组轴承加速寿命试验对所提方法进行了有效性验证。通过与精细复合多尺度散布熵(RefinedCompositeMultiscaleDispersionEntropy,RCMDE)、广义复合多尺度排列熵(GeneralizedCompositeMultiscalePermutationEntropy,GCMPE)、广义精细复合多尺度样本熵(GeneralizedRefined Composite Multiscale Sample Entropy, GRCMSE)、层次模糊熵(Hierarchical Fuzzy Entropy, HFE)、层次样本熵(Hierarchical Sample Entropy, HSE)、修改的层次多尺度散布熵(Modified Hierarchical Multiscale Dispersion Entropy, MHMDE)和层次多尺度排列熵(Hierarchical Multiscale Permutation Entropy, HMPE)方法的识别精度对比,对于XJTU-SY轴承加速寿命试验,本文方法的平均识别精度分别提高了3.89、12.34、6.63、9.15、7.09、0.81和2.63个百分点。对于ABLT-1A轴承加速寿命试验,本文方法的平均识别精度分别提高了2.17、3.51、6.17、9.51、11.51、1.17和3.01个百分点。本文方法实现了全寿命周期内滚动轴承不同故障模式及程度的识别,与传统的基于多尺度熵或层次熵的故障诊断方法相比,能够获取更全面、更丰富的轴承故障特征信息,识别精度得到了较大的提升。本文研究可为全寿命周期内滚动轴承故障诊断提供参考。     

基于主成分分析和集成神经网络的发动机故障诊断模型研究

针对发动机废气排放参数和故障之间复杂的非线性关系，提出了一种基于主成分分析和集成神经网络技术的发动机故障诊断分析模型。该模型首先运用主成分分析方法降低故障诊断样本的输入维数，然后按发动机不同运转状态将样本分组，并用于子网络训练；故障诊断时，各子网络分别诊断出相应的结果，最后采用投票法融合各输出结果。试验结果表明，这种模型能有效简化训练样本和样本属性参数，优化网络结构，其诊断精度及学习能力优于单一神经网络诊断模型，能较好地解决网络规模大、训练速度慢、诊断精度低等缺点。     

基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类

高精度监测土地利用对实现可持续发展有重要意义。然而,由于遥感传感器成像的限制和地物的复杂性,单一的高光谱和多光谱图像已经不能满足高精度土地利用分类的要求,充分利用高光谱和多光谱遥感图像的互补信息能克服仅采用单一遥感图像分类的不足。该研究设计双分支卷积神经网络协同高光谱和多光谱遥感图像进行土地利用分类。针对高光谱图像设计3维-1维卷积神经网络(3D-1D Convolutional Neural Networks,3D-1D CNN)分支自动提取高光谱图像的空间-光谱特征;针对多光谱图像,设计3维卷积神经网络(3D Convolutional Neural Networks,3D CNN)分支提取多光谱图像的空间-光谱特征;设计融合层将从高光谱和多光谱图像提取的特征进行融合,最后通过全连接层输出土地利用类别。研究表明,与决策树(Decision Tree,DT)、支持向量机(Support Vector Machine,SVM)以及1D、2D和3D CNN方法相比,该文提出的基于双分支卷积神经网络的方法在两个数据集上Kappa系数平均分别提升了15.9、8.1、5.4、5.4和2.7个百分点。     

基于优化Transformer网络的绿色目标果实高效检测模型

果园环境中,检测目标果实易受复杂背景、果实姿态和颜色等因素影响,为提高绿色目标果实检测的精度与效率,满足果园智能测产和自动化采摘要求,本研究针对不同光照环境和果实姿态,提出一种适于样本数量不足的绿色目标果实高效检测模型。该模型采用优化Transformer结构,首先借助卷积神经网络(Convolutional Neural Network,CNN)网络提取图像特征;然后输入编码-解码器生成一组目标果实预测框,最后通过前馈神经网络(Feed-forward Network,FFN)结构预测检测结果。在训练过程中,引入重采样法扩充样本数量,解决样本数量不足问题;引入迁移学习,加速网络收敛。分别制作苹果、柿子数据集用于模型训练。试验结果表明,经迁移学习后该模型训练效率大幅提高;与流行的目标检测模型相比,优化后的模型在检测绿色柿子与绿色苹果时,精度分别为93.27%和91.35%。该方法可为其他果蔬绿色目标检测提供理论借鉴。     

基于改进CYCBD的滚动轴承复合故障自适应诊断方法

为实现滚动轴承复合故障自适应诊断,该研究提出了基于循环含量比-归一化谐波比例（Ratio of Cyclic Content-Normalized Proportion of Harmonics,RCC-NPH）融合指标改进的最大二阶循环平稳盲解卷积（Maximum second order cyclostationary blind deconvolution,CYCBD）方法。首先,构建了RCC-NPH融合指标,解决了CYCBD算法循环频率确定依赖先验知识及遍历所有故障频率空间耗时的问题。其次,根据RCC-NPH融合指标图估计CYCBD的循环频率集,实现了CYCBD参数的自适应选择。再次,采用自适应参数CYCBD方法对输入信号进行解卷积运算,提取了不同循环频率对应的故障信号。最后,对提取的故障信号进行Hilbert包络解调分析,完成故障的辨识。利用该方法分别对仿真信号和轴承复合故障信号进行试验,均能有效检测信号中包含的故障成分,实现了复合故障的自适应诊断。与其他指标相比,该方法能够有效避免噪声和谐波的干扰,适用于复合故障诊断。     

基于SDAE-BP的联合收割机作业故障监测

为了解决联合收割机作业故障的非线性特征信号难以提取的问题,该研究提出了一种基于堆叠去噪自动编码器(Stack Denoising Auto Encoder, SDAE)和BP神经网络(Back Propagation,BP)融合的联合收割机作业故障监测及诊断的方法(SDAE-BP)。以转速传感器采集联合收割机脱粒滚筒转速、籽粒搅龙转速、喂入搅龙转速、杂余搅龙转速、风机转速、输送链耙转速、割刀频率以及逐稿器振动频率,并将采集的数据集作为系统的输入。利用SDAE提取输入信号的深层次特征,并由BP神经网络辨识收割机作业状态,实现联合收割机故障监测。在SDAE-BP模型训练过程中,去噪自动编码器(Denoising Auto Encode, DAE)依次经带有不同分布中心噪声的原始数据进行训练,然后将其堆叠,并通过误差反向传播算法对模型参数进行优化,以提升模型识别故障性能和泛化能力。试验结果表明,对于2018年联合收割机田间试验数据,模型的故障诊断准确率达到99.00%,与SDAE和BP神经网络相比,分别提高了1.5和4.5个百分点。将SDAE-BP故障诊断模型用2019年的试验数据进行更新,并用2018年和2019年试验数据进行测试,结果表明,更新后的模型对2018年试验数据的故障识别准确率为99.25%,对2019年试验数据的故障识别准确率为98.74%,更新后模型在2019试验数据集上的故障识别准确率较未更新模型提高了6.52个百分点。该文所建模型能够准确识别联合收割机的故障类型,且具有较好的鲁棒性,对旋转型机械故障监测及预警具有参考价值。     

基于CNN-BiLSTM的棉花产量预测方法

针对传统的作物产量估算方法在模型泛化方面的不足及缺少时序特征和空间特征的问题,该研究以机采棉为研究对象,结合无人机遥感平台与深度学习技术对棉花进行多期遥感观测与估产。以棉花苗期、蕾期和花期的影像为时间序列数据集,构建基于卷积神经网络（Convolutional Neural Network,CNN）和双向长短期记忆（Bidirectional Long Short-Term Memory,BiLSTM）的混合模型（CNN-BiLSTM）进行棉花产量预估,提高时间维度和空间维度方面的特征提取能力,并分别验证CNN和BiLSTM的性能以及不同网络深度对估产的影响。研究结果表明,CNN和BiLSTM深度分别为14和1的CNN14-BiLSTM模型准确率最高,对比单一结构的BiLSTM该模型决定系数从0.851提升至0.885,其均方根误差和平均绝对百分比误差也均明显下降,在2.3 m×2.3 m的样方内,结果分别为147.167 g和6.711%。该研究实现了基于时间序列的棉花产量估算,可为类似的作物产量估算提供参考。     

自适应最大相关峭度反褶积方法诊断齿轮轴承复合故障

为了解决传统最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)在故障诊断中容易出现因参数选择不当而影响诊断效果的问题,该文提出了一种基于量子遗传算法(quantum genetic algorithm,QGA)的自适应最大相关峭度反褶积方法(maximum correlated kurtosis deconvolution with quantum genetic algorithm,QMCKD)用于齿轮和轴承复合故障诊断。通过量子遗传算法自适应选择最大相关峭度反褶积的2个关键参数滤波器长度(L)和反褶积周期(T)。使用QMCKD处理原始振动信号,提取复合故障信号中的所有单个故障信号,分别对单个故障信号进行频谱分析从而识别故障特征。在对齿面磨损-滚动轴承外圈损伤复合故障诊断中,QMCKD能够识别齿轮故障频率及其2~4倍频,识别轴承故障频率及其2~6倍频,且主要频率成分周围干扰谱线很少,故障类型容易识别。与直接频谱分析和变分模态分解(variational mode decomposition,VMD)相比,该方法在诊断效果上具有优越性。在对齿根裂纹-轴承滚动体损伤复合故障诊断中,QMCKD能够突出齿轮故障频率及其2~5倍频,突出轴承故障频率及其2~8倍频,齿轮和轴承故障特征明显,验证了方法的稳定性。试验结果表明QMCKD能够有效识别复合故障中齿轮和轴承的故障特征,可用于齿轮箱的齿轮、轴承复合故障诊断。     

基于Stacking集成卷积神经网络的水稻氮素营养诊断

【目的】为实现水稻氮素营养状况的快速、准确诊断,提出了基于集成卷积神经网络的水稻氮素营养诊断模型,为建立高性能的氮素营养诊断模型提供思路和方法。【方法】水稻田间试验以超级杂交水稻‘两优培九’为材料,设置4个施氮水平(0、210、300、390 kg/hm²)。扫描获取水稻幼穗分化期顶部3片完全展开叶的叶片图像,将图像裁剪至只包含叶尖片段的图像,进行水稻叶片图像数据采集。分别以单一卷积神经网络模型DenseNet121、ResNet50、InceptionResNet V2为基学习器,多层感知机(MLP)为元学习器,集成卷积神经网络模型,比较了集成模型与单一卷积神经网络模型以及不同基学习器组成的集成模型的氮素营养诊断结果。【结果】4个单一模型中,DenseNet121的氮素诊断准确率最高,为96.41%。二元集成模型和三元集成模型的准确率均高于任意一个单一模型的准确率,由3个基学习器组成的集成模型的准确率最高,达到98.10%,相比准确率最高的单一模型准确率提高了1.69个百分点。【结论】采用DenseNet、ResNet50、InceptionResNet V2集...     

基于改进CNN的猕猴桃根区土壤含水率反演方法

为解决无人机遥感领域根据冠层光谱信息对猕猴桃果树根系土壤含水率（root soil water content, RSWC）进行反演时,现有算法对冠层图像信息分析不足的问题,该研究对传统卷积神经网络模型进行改进,提出一种复合视觉卷积回归神经网络（compound visual convolutional regression network, CVCRNet）,该网络复合两种不同尺寸卷积层对图像数据进行卷积特征提取,并使用全连接层对卷积特征值进行降维,从而直接以多光谱图像为分析对象对RSWC进行反演,充分利用多光谱图像内所有数据,提升反演精度。研究采集徐香猕猴桃果树果实膨大期（5—9月）冠层多光谱信息和深度40 cm处的RSWC,把基于图像的CVCRNet网络反演方法与基于植被指数的传统反演方法进行对比,CVCRNet训练结果在验证集R²为0.827,RMSE为0.787%,相较于传统方法在验证集R²为0.759,RMSE为0.983%,反演结果相关性有了明显提升,准确率也有得到一定提高。结果表明,改进后的CNN网络能够作为冠层信息反演的重要工具,在冠层复杂的场景下达成良好的土壤数据反演效果。     

变速箱齿轮磨损故障的极坐标角-频表示与诊断

变速箱齿轮磨损将导致振动信号中出现冲击响应成分,通过对每转内冲击响应成分的监测,可实现变速箱齿轮磨损故障诊断。为了提高变速箱齿轮磨损故障可视化监测与诊断效果,该文提出了一种极坐标角频分布方法。将采集的变速箱振动信号通过连续小波变换进行消噪处理并转变为极坐标角频分布,充分表现变速箱齿轮不同磨损工况时冲击成分的变化。以每种磨损工况时6转内的能量作为齿轮磨损特征向量,并将特征向量输入给BP神经网络进行分类训练和模式识别,有效地识别了变速箱的4种磨损状态。该研究结果为极坐标角频分布方法在变速箱状态监测与故障诊断的工程应用提供了参考。     

面向苹果叶部病害识别的细粒度蒸馏模型

为了提高轻型卷积神经网络（convolutional neural networks,CNN）在苹果叶部病害识别中的精度，使其更加适于布署到智慧农业移动终端，该研究设计了一种细粒度知识蒸馏（fine-grained knowledge distillation,FGKD）模型。首先，利用上下文信息与空间-语义关系分别设计了上下文空间注意力（spatial attention,SA）与细粒度特征提取（fine-grained feature extraction,FGFE）模块，且将它们嵌入到Resnet50与设计的轻型CNN，分别作为教师与学生网络；然后，构造SA与FGFE知识蒸馏损失函数，以将教师网络中的特征提取与细粒度知识表示能力迁移到学生网络之中，以增强其对苹果叶部病害图像的局部特征提取能力与高层语义表达能力，使轻型学生网络在参数量很小的条件下，其性能接近复杂的教师网络。基于标准苹果叶部病害数据集的对比试验结果表明，经知识蒸馏之后的学生网络精度为98.60%，模型参数量仅0.75 MB，平均推理时间为25.51 ms，能够有效地满足实际智慧农业移动端对模型的需求，快速准确地实现苹...     

粗集-神经网络在农业工程项目评估中的应用

该文提出一种基于粗集-神经网络项目评估新方法,该方法应用粗糙集理论对神经网络的输入数据进行预处理,提取其中的关键成分作为网络的输入,提高了神经网络的收敛速度和逼近精度,并以中国农业水利工程项目为背景进行了实例研究,结果表明,建立的模型不仅较公平、合理,而且提高了神经网络模型的学习效率。