基于BP神经网络的车辆跟驰模型研究

课题组进行实际道路跟驰实验,利用GPS采集跟车驾驶行为数据。以GPS采集到的车辆行驶轨迹数据为基础,提取前车车速、相对距离、前车对后车的相对速度以及后车车速作为输入,后车下一时刻的车速作为输出,建立BP神经网络跟驰模型,并使用遗传算法（GA）对BP神经网络跟驰模型进行优化。结果表明,GA-BP神经网络模型与BP神经网络模型对比,GA-BP神经网络跟驰模型预测性能的各个评价指标都优于BP神经网络跟驰模型。     

铲刀式拔棉秆机阻力分析

以铲刀式拔棉秆机械的工作部件为研究对象,分析其受力和各项功耗,得出各项阻力在总阻力中所占的比例关系。根据各参数与总阻力之间的数学关系建立函数图像,分析得出影响牵引阻力的主要参数与阻力之间的关系,结合试验进一步得到铲刀参数间的优化组合。为铲刀式拔棉杆机械的进一步优化设计提供参考。     

基于BP神经网络的鲜鸡蛋货架期预测模型

为研究不同温度范围内鸡蛋的品质变化及货架期,通过实验室模拟,检测了鲜鸡蛋在5、25、35℃条件下的哈夫单位值、蛋黄系数等理化指标,分别构建了同等实验条件下的鲜鸡蛋货架期动力学预测模型和BP神经网络预测模型,并选取5、25、35℃温度下共6组数据进行模型验证。结果表明,基于BP神经网络的鲜鸡蛋货架期模型预测精度达到95.93%,动力学模型预测精度为90.79%,BP神经网络能更精确地预测鲜鸡蛋在5~35℃贮藏温度范围内的货架期。     

仿生推土板工作阻力研究

以仿生推土板为研究对象,采用有限元法分析其工作过程中切削角对工作阻力的影响,并与圆弧推土板作对比,分析仿生推土板的减阻效果;设计制作了相关推土板的实物模型,进行室内土槽试验,验证有限元分析结果的正确性。研究结果表明,仿生推土板减阻效果明显,并且两种方法测定的结果变化趋势吻合良好,在推土板耕深为30mm,工作速度分别为0.08m/s、0.16m/s时,仿生推土板的减阻率均在切削角为55°时达到最大,有限元模拟和土槽试验平均减阻率分别为42.50%和40.20%。     

基于BP神经网络的果蔬热导率预测模型

通过微热探针法测试装置研究了30个品种的果蔬热导率与可溶性固形物含量、含水率、密度和硬度等因素的变化关系,提出了一种基于BP神经网络的果蔬热导率预测模型,并根据误差比较分析进行了模型优化。结果表明,该优化网络模型具有较好的热导率预测效果,平均相对误差为1.11%,平均绝对误差为0.0057W/(m?K),可以用于果蔬贮藏加工业中果蔬热传递过程的计算。     

基于BP神经网络的降雨量预测研究

使用2种方法,即用前5年降雨量来预测后1年的降雨量和用气象资料预测降雨量,应用BP神经网络对降雨量进行预测,试图找出应用BP神经网络预测降雨的最佳方法.通过对青海省10个气象站的降雨进行预测分析,得到结论如下:两种方法均适合于降雨预测,其被选择概率均等.     

基于BP神经网络的土壤氮素运移模型

随着淡水资源的日益紧缺,再生水灌溉已成为人们日益瞩目的研究方向,而再生水灌溉条件下土壤氮素运移规律与模拟成为这个研究的关键环节之一.以往对土壤氮素运移的模拟主要聚焦在数值模拟上,鉴于数值模拟在应用上的复杂性,为了寻找一种简便实用的模拟方法,尝试引入人工神经网络技术对土壤氮素运移进行模拟,经模拟计算得出,拓扑结构为10:12:7的BP网络模型可以较精确地模拟再生水灌溉条件下的土壤氮素运移,此研究为土壤氮素运移的研究开辟了新方向.     

基于遗传算法和BP神经网络的用水

为避免BP算法易陷入局部极小的缺陷，根据遗传算法具有全局寻优的特点，将二者结合起来形成GA-BP混合算法。以GA优化BP网络的初始权值和阈值，按负梯度方向修正网络权值及阈值，对网络进行训练。最后，用matlab编写GA-BP计算程序，以多组数据进行测试，并与纯BP算法进行分析比较，结果表明该方法可以有效、准确的应用于城市用水量预测。     

基于灰色理论及BP神经网络的尿素水解预测模型研究

研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。     

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

基于BP神经网络的农业机械数量预测

为了提高农业机械化水平、农业生产效率和优化农业产业结构,保证在农业机械生产与实际需求的一致性,在制订农业机械化水平发展规划过程中需要对农业机械数量进行预测。为此,采用基于遗传算法的BP神经网络预测算法,对我国从1997-2013年期间以农机总动力、中大型拖拉机数量和小型拖拉机数量为内容的主要农业装备数量进行预测。预测结果表明,利用遗传算法与BP神经网络相结合的方法预测全国农业机械装备数量,农机总动力预测值与绝对值平均误差为1.080%、农用大中型拖拉机数量预测值与绝对值平均误差为1.352%、小型拖拉机数量预测值与绝对值平均误差为1.765%,预测精度稳定,该预测方法适用于本时间序列预测问题。     

基于BP神经网络的土壤养分综合评价模型

以土壤养分指标体系作为神经网络的输入,以土壤养分等级评分作为输出,基于BP神经网络,建立了具有5个隐含层节点、3层网络的土壤养分综合评价模型;以土壤养分指标的各级评价标准作为模型的训练样本和检验样本,利用Matlab软件对BP神经网络进行训练和检验,并对安塞县土壤养分进行综合评价.结果表明BP神经网络对检验样本的模拟输出和期望输出是一致的;对安塞县土壤养分综合评价结果与模糊模式识别、主成分分析结果也是完全一致的.     

基于改进BP神经网络的复合叶轮离心泵性能预测

应用Matlab建立了复合叶轮离心泵效率和扬程的BP神经网络预测模型.选取73组试验结果作为样本,采用LevenbergMarquardt法则对构建的网络进行训练,并随机选取12组训练样本外的数据对训练好的网络进行测试.试验的主要参数为流量Q, 叶片数z,叶片出口安放角β2,短叶片进口直径Di,叶片出口宽度b2,效率η以及扬程H.其中选取Q,z,β2,Di,b2作为网络的输入层,η和H作为输出层.预测结果的分析表明,预测值与试验值具有较好的一致性,利用BP神经网络对复合叶轮离心泵性能进行预测是可行的,可用来作复合叶轮的辅助设计,从而缩短试验时间,降低成本.     

基于BP神经网络的旁热式辐射与对流粮食干燥过程模型

针对旁热式辐射与对流粮食干燥机的干燥特点,建立了一种粮食干燥机干燥过程的BP神经网络预测模型。该模型采用了3层神经网络结构(8-10-1),模型输入为粮食干燥机的8个变量,模型输出为出口粮食水分比或干燥速率。通过编写Matlab建模程序,基于实际干燥实验的样本数据训练与测试网络,实现了红外辐射与对流联合干燥的动力学模型,并给出了相应的模型数学表达式,模型预测的出口水分比与干燥速率的R2分别为0.998 9和0.998 0,均方根误差分别为0.009和0.004 1,预测结果与实际测量数据拟合较好;另外,结合实验干燥条件对模型干燥性能的预测结果进行了分析与总结,并依据同样方法建立了顺逆流粮食干燥过程的出口粮食水分比预测模型,对比了2种干燥方式的干燥性能。仿真预测表明用BP神经网络方法建模简单,具有自适应性、灵活性和自学习性等特点,相比于其他粮食干燥的经验数学模型,能综合考虑多种影响因素,可为红外辐射与对流联合干燥过程提供一种新的建模方法。     

基于BP神经网络的排种器充种性能预测

在分析丸粒化玉米种子精密排种器工作原理的基础上,运用Matlab神经网络工具箱建立了排种合格指数A的BP神经网络预测模型,选取排种轴转速n、型孔直径D和排种盘的锥角Ф作为试验因素进行排种性能试验,得到81组合格指数的试验结果。选取其中的60组进行样本训练,并对剩下的21组结果对训练好的网络进行预测,n,D,Ф为输入层,A为输出层,网络结构为3-11-1的3层网络。预测结果表明,预测值与试验值误差较小,为排种器的优化设计及参数的选择提供了依据。     

基于BP神经网络的农业机械化作业水平预测

我国农业机械化作业水平的发展变化具有增长性和波动性,对预测的方法要求较高。鉴于单一预测模型的局限性,在确定我国农业机械化作业水平各单一预测模型的基础上,建立了基于BP神经网络的农业机械化作业水平非线性组合预测模型,并对我国农业机械化作业水平进行预测。误差分析表明,该模型可以有效地提高农业机械化作业水平的预测精度,用该模型对我国2012-2020年农业机械化耕、播、收作业水平进行了预测。预测结果表明,在未来几年我国农业机械化作业水平将保持快速增长趋势,到2020年机耕、机播和机收作业水平分别为91.37%、66.77%和71.93%。     

基于MATLAB的BP神经网络对特细砂混凝土强度预测的研究

混凝土抗压强度是混凝土最重要的性能之一,是混凝土质量控制最核心的内容。通过介绍混凝土强度的预测方法、BP神经网络预测的过程,在主要考虑水灰比、砂率和水泥用量3个因素的情况下,基于MATLAB用BP神经网络预测特细砂混凝土强度。分析表明：通过BP神经网络模型拟合的计算期望值和实际值的相关系数达到0．96287,相关性非常显著。     

基于神经网络红枣红外辐射干燥预测模型建立

针对红枣红外辐射干燥含水率的变化具有非线性和时变性、很难利用现有的模型构造一个数学模型来描述其变化规律的问题,利用Mat Lab神经网络工具箱和红枣红外辐射干燥特性试验数据建立了神经网络预测模型。通过对实测值和模型预测值进行分析研究,得出利用BP神经网络可以较快速、准确地建立模型来描述含水率的变化规律,且模型的预测值与试验测试值误差较小,能很好地实现在线预测的效果。