人工神经网络方法在黄瓜霜霉病预报中的应用

选取与黄瓜霜霉症发生程度显著相关的温度和湿度作为预报因子，采用神经网络的BP网络模型进行预报霜霉病的初步试验，取得了满意的效果。     

基于遗传神经网络的水田下陷量的预测

分析了遗传算法GA（Genetic Algorithm)和人工神经网络ANN（Artifical Neural Network)的主要内容和各自的优缺点，给出了将遗传算法和人工神经网络有机结合的遗传神经网络，并提出了一种新型的预测水田土壤下陷量的方法。结果表明，遗传神经网络作为预测的一种有效方法是可行的。     

人工神经网络在葡萄霜霉病预测中的应用

近年来,人工神经网络模型开始逐渐应用于植物病虫害的预测预报中,并取得了良好效果,已成为植物病虫害预测预报的新途径.为此,以温度、相对湿度、累积降雨量及累积降雨日作为预测因子,以葡萄霜霉病的感病指数为预测目标,利用人工神经网络的BP算法建立了葡萄霜霉病预测模型.以陕西杨凌地区2004年和2006年的数据作为BP网络的训练资料,对2007年霜霉病的流行状况进行预测,预测的变化趋势与该年霜霉病实际的流行趋势吻合.由此证实,利用神经网络建立葡萄霜霉病预测模型是可行的.     

基于图像处理的温室黄瓜霜霉病诊断系统

为进一步提高温室黄瓜霜霉病诊断的准确率,构建了一个基于图像处理的温室黄瓜霜霉病诊断系统。针对温室黄瓜栽培现场采集的病害图像,采用基于条件随机场(Conditional random fields,CRF)的图像分割方法进行病斑图像分割,并采用决策树模型扩展一元势函数,提高病斑图像分割的准确性;将分割后的病斑图像转换到HSV颜色空间并提取其颜色、纹理和形状等25个特征,利用粗糙集方法进行特征选择与优化;构建了基于径向基核函数的SVM分类器,准确地识别与诊断温室黄瓜霜霉病。系统试验验证结果表明,该系统采用的病斑分割方法,能够克服复杂背景和光照条件的影响,准确地提取病斑图像;采用粗糙集方法能够有效地选择分类特征,将25个初始特征减少到12个,提高了运行效率;黄瓜霜霉病识别准确率达到90%,能够满足设施蔬菜叶部病害诊断的需求。     

温室大棚黄瓜霜霉病综合治理方案

总结出一套温室大棚黄瓜霜霉病综合防治技术。通过实践，取得了很好的效果。     

神经网络在温室小气候预测中的应用

近年来,随着以日光温室为主要形式的设施栽培技术的兴起以及神经网络在语音识别、计算机视觉、序列分类领域取得重大突破,作为一种实现时间序列预测的有效工具,越来越多的神经网络技术开始应用在温室小气候预测技术中。按照神经网络的发展顺序对不同类型的神经网络模型在温室小气候预测中的应用进行总结叙述,分别针对前馈神经网络、循环神经网络、深度神经网络及混合神经网络的发展现状和研究者对网络模型的优化情况进行详细的介绍。在此基础上,分析当前针对温室小气候预测的神经网络模型存在模型输入参数单一而无法考虑温室整体环境变化、模型结构单一导致鲁棒性不足以及模型可靠性检验方法不合适、深度模型难以实地部署的问题,提出建立混合模型、改进模型检验方式、优化深度模型网络结构等建议。以期为面向温室智能控制的进一步研究提供参考。     

保护地黄瓜霜霉病的综合防治方法初探

通过对目光温室黄瓜霜霉病发生及防治方法的探讨，针对性地提出了日光温室黄瓜霜霉病的防治方法及补救措施，以保证其产量和质量。     

临猗县日光温室黄瓜霜霉病的发生及防治

通过对日光温室黄瓜霜霉病的危害症状及其发病规律的探讨,从而有针对性地提出了日光温室黄瓜霜霉病的防治办法和措施。     

基于高光谱病害特征提取的温室黄瓜霜霉病早期检测

针对温室黄瓜早期霜霉病高光谱图像田间采集环境光照的影响及有效病害特征难以提取的问题,提出融合病害差异信息改进的竞争性自适应重加权算法(Competitive adaptive reweighted sampling, CARS)和连续投影算法(Successive projections algorithm, SPA)相结合的特征波段提取方法,并建立了黄瓜霜霉病早期检测模型。首先,采集黄瓜健康叶片和染病12d内每天的高光谱图像,按病程分为7类;提取感兴趣区域,并计算平均光谱作为光谱数据;采用包络线消除法确定霜霉病害差异波段,基于病害差异波段采用CARS对7个不同阶段的光谱数据分别提取特征波段,再利用SPA进行二次降维寻优;最后,将各特征波段组合,得到47个特征波段数据,据此建立最小二乘-支持向量机(Least square support vector machines, LSSVM)模型,用于病害检测。在94个叶片样本组成的测试集上进行了病害检测实验,结果表明,融合病害差异信息的Dis-CARS-SPA-LSSVM对染病2d到发病12d均能取得100%的检测识别率;对染病1d的测试集检测识别率达到95.83%,其中染病样本的召回率达到100%,相较于未融合病害差异信息的CARS-SPA特征提取方法识别率高4.16个百分点。说明所提出的Dis-CARS-SPA-LSSVM模型能够有效实现温室黄瓜霜霉病害的早期检测。     

遗传优化模糊控制器在温室控制系统中的应用

提出了采用遗传算法优化隶属函数实现模糊控制器优化设计的方法，并将这种优化设计的模糊控制器应用于温室集散控制系统中。试验结果表明，优化后的模糊控制器具有良好的、静态性能和较好的节能效果。此外，这种控制模式还能降低控制系统的成本，提高整个系统的运行效率和可靠性。     

人工神经网络模型应用于大坝变形

利用已有的垂线原型观测资料，建立了基于人工神经网络的大坝变形计算模型，并用原型观测数据对其进行了校核和检验。结果证明，用人工神经网络建立坝体变形的神经网络模型对大坝变形能够进行较高精度的预测，并具有一定的优越性。     

基于参数化遗传神经网络的植物病害预测方法

将混合神经网络(PFNN—FG)技术应用于植物病害预测，其输入矢量含模糊分量，遗传算法优化配置各参数。变形Sigmoid函数用于不同的隐含层，构成参数化神经网络。网络的输入层引入模糊集合理论，使网络能处理语义变量。将PFNN—FG和其他神经网络(如前向神经网络、径向基神经网络等)用于大豆基准问题进行分析比较，结果是PFNN—FG在精度和训练速度上优于其他网络。将PFNN—FG和前向神经网络用于2组黄瓜霜霉病数据，前者测试组的均方根误差小于后者。     

基于色度和纹理的黄瓜霜霉病识别与特征提取

研究了可见光波段的黄瓜霜霉病信息分布和分割方法,有效实现了温室非结构环境下黄瓜病害信息识别。通过研究温室黄瓜图像在RGB、HIS和YCbCr颜色空间的分布特点,建立了光照分析模型,提高了不同光照条件下的病害提取适应性。分析了病害目标与环境背景Cb和Cr均值差,提出了CbCr组合算法,实现了目标的快速有效识别,满足了实时对靶施药的要求。通过随机抽取30幅黄瓜霜霉病图像进行算法验证,结果表明图像的平均识别正确率达90.6%。     

人工神经网络的混合算法在发动机故障诊断中的应用

提出一种基于混合神经网络的发动机振动故障诊断方法,即迭代前期采用BP算法而迭代后期采用梯度优化法进行计算。通过BP算法和混合算法对相同算例网络权值和阈值的计算,验证所提出的混合算法的有效性和实用性。     

人工神经网络在PID控制算法中的应用

根据过程实测的输入输出数据,将实际对象输出的旧值输入BP网络的输入层,从而得到一动态神经网络,作为控制中非线性系统的预测模型。既利用了系统的已知规律,提高了辨识的可靠性,又使得网络结构不必过于庞大,改善了实时性。分析了积分分离PID控制算法,在此基础上,将应用最广泛的PID控制器与具有自学习功能的神经网络相结合。得到了基于BP神经网络的PID控制算法。在已有的控制系统中嵌入了神经网络控制算法,用以调节PID控制器的三个可调参数Kρ,KI,KD。     

Elman神经网络与遗传算法在变速器故障诊断中的融合应用

提出了基于Elman神经网络的变速器故障诊断方法,以克服传统方法不能用于时变系统的缺陷。由于加入了短时记忆环节和局部逆回互联功能,Elman神经网络具有优秀的时间序列预测能力,变速器故障就从特征信号平方预测误差的期望中检测出来。同时,引入了遗传算法来辅助神经网络的训练,以期获得最佳的检测性能。最后,通过变速器故障台架试验来验证该方法的有效性。     

人工神经网络在预报土壤墒情中的应用

依据从2005年1～12月所采集的365组试验数据,建立了一个能够反映土壤墒情变化与气候因素之间关系的人工神经网络模型.模型共分输入层、隐含层和输出层3层.输入层的输入变量包括数据采集当天的10 cm、20 cm和40 cm深度的土壤含水量以及当天的日照时数,空气湿度,平均气温和降雨量.输出层的输出变量包括1天后的10 cm、20 cm和40 cm深度的土壤含水量.模型的学习因子为0.1,动量因子为0.05.模型经过25 000次训练后收敛,收敛误差为8×10 -4 ,这说明该模型能够很好的反映出输出量与输入量的关系,并能够准确预报出土壤水分信息.     

基于改进Hu矩和遗传神经网络的稻飞虱识别系统

针对稻飞虱识别实时性差和BP神经网络分类有一定误差的问题,设计了1种基于DSP硬件平台和遗传神经网络算法的稻飞虱识别系统.系统硬件以AT89S52单片机控制拍摄移动装置,以DM6437处理器作为算法处理平台;系统软件设计主要包括基于改进Hu矩的特征值提取和基于遗传算法优化神经网络的识别算法.系统通过CCD摄像机拍摄稻飞虱视频信号传送到DSP识别系统,从中提取图像,识别图像中的稻飞虱.实验对稻飞虱、水蝇和潜蝇等80个样本进行了训练和测试,结果表明遗传神经网络对稻飞虱的正确识别率达到90％.     

基于遗传算法和神经网络的泵站经济运行研究

以泵站总耗能最小为目标，建立了叶片可调节泵站站间和站内经济运行优化数学模型，采用遗传算法应用Matlab语言实现优化计算。对江都第4站1999年实际运行资料进行优化计算，总消耗功率比经验操作可减小3．39％左右。针对泵站的流量和扬程变化频繁而一般的优化计算方法速度较慢的问题，以仿真优化结果为样本，利用人工神经网络对相似工况进行预测，预测结果平均误差为1．99％。遗传算法和神经网络联合应用，求解精度和可靠性较高，是解决泵站优化运行问题的有效方法。