吕梁市农机总动力预测

以1979—2015年吕梁市农机总动力为研究基础，利用指数函数、三次多项式函数及BP神经网络分别建立农机总动力预测模型并进行样本比对。结果表明，BP神经网络和指数函数模型的平均绝对误差分别为1.11%和3.22%，低于三次多项式函数的平均绝对误差（8.05%）。利用BP神经网络模型和指数函数模型对2016—2021年吕梁市农机总动力进行预测，以期为农业机械化水平的发展提供参考。      

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.     

基于粒子群神经网络的农机调度网络安全态势评价

在规模化农机作业过程中,由于农机作业信息发布滞后和农机资源调度不合理,会造成农机作业效率低下的问题,特别是在农忙时节,会影响农作物的收割效果。为了提高农机作业效率,往往需要具备大规模的农机调度网络系统,以对农机资源进行合理的分配。农忙时网络系统使用的时间比较集中,为了不耽误作业调度系统的顺利运行,网络安全问题不容忽视;而农机调度网络系统的数据较为庞大,想要对其进行网络态势安全评价需要高效的处理算法。为此,将粒子群优化的神经网络算法引入到了农机调度网络安全态势评价过程中,并对其可行性和可靠性进行了验证。实验结果表明:采用粒子群优化的神经网络算法对于网络安全评价的效率较高,可以满足农机网络调度系统网络安全态势评价的需要。     

基于GA-LM-BP模型的云南省农机总动力预测

为预测云南省农机总动力的发展变化趋势,提出一种将GA算法、LM算法与BP神经网络相结合的农机总动力预测方法,克服了BP神经网络易陷于局部极小的缺点。选取1985-2015年云南省农机总动力数据作为样本,建立GA-LM-BP神经网络模型进行仿真预测,结果表明:该模型的平均相对误差为0.313 362%,明显优于BP神经网络的0.926 674%、LM-BP神经网络模型的0.654 053%和GA-BP神经网络模型的0.493 122%,具有较好的预测精度。在此基础上,对云南省2016-2020年农机总动力的发展趋势进行了预测,结果表明:2 0 1 6年农机总动力达3 4 3 9.4 9万k W,超过云南省农业厅预测的3 4 0 9万k W,2 0 2 0年云南省农机总动力达3 952.78万k W,为云南省农机化的发展规划提供了理论依据。     

基于RBF神经网络的农机企业顾客满意度测评研究

提出一种基于RBF神经网络的农机企业顾客满意度测评模型,它是一种典型的局部逼近神经网络,可快速完成对样本的学习与拟合,对于数据较多的情况非常适用。网络最终测评结果较BP神经网络更有效、更准确。实例证明该神经网络测评模型收敛速度快、预测精度高,为农机企业顾客满意度测评提供了实用的方法。     

基于串联型灰色神经网络新疆兵团农机总动力预测

为了准确了解兵团农机总动力的发展趋势,该文以兵团1989-2008年和2009-2011的农机总动力分别作为训练样本和检测样本,采用串联型灰色神经网络（SGNN）预测兵团农机总动力,并与灰色GM（1,1）模型法和BP神经网络法的预测结果进行比较分析。研究结果表明,SGNN模型对兵团农机总动力的预测精度明显高于灰色GM（1,1）模型法和BP神经网络法,可以作为兵团未来农机总动力发展预测及政策制定的有效方法和工具。     

农机BDS/INS组合导航算法研究

针对农机在环境干扰情况下BDS失调、INS单独导航误差大的不足,以BDS/INS两者间位置、速度差值为模型,提出蜂群算法优化BP神经网络辅助卡尔曼滤波的算法组合导航,精准定位农机位置速度信息.BDS有效时,BDS/INS组合导航结合卡尔曼滤波,校正INS的位置、速度偏差,BP神经网络进行训练模式;BDS失调时,BP神经...     

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PLC的农机控制系统可靠性研究

针对农机控制系统可靠性较低的问题,基于PLC系统对农机控制系统进行了设计,并对其可靠性进行了研究.该农机采用可编程控制器PLC进行控制,其硬件系统主要组成为踏板、方向盘、挡位和牵引装置等,软件系统对农机的自动导航和电-液悬挂系统进行控制.农机的可靠性评价采用模糊神经网络模型,通过确定神经网络结构、计算法方式和评价模型对...     

基于LM-BP神经网络的农机总动力预测

利用黑龙江省1983-2013年农机总动力数据,运用标准BP神经网络和LM-BP神经网络对黑龙江省未来5年的农机总动力进行预测。预测结果表明:在达到相同的误差目标值(即计算期望精度),LM-BP神经网络与标准PB相比,具有更快的收敛速度。如果需进一步减小误差目标值(即提高计算期望精度)时,标准BP神经网络在16h内都无法满足给定的精度要求;而LM-BP神经网络在20s内即可满足给定的精度要求。此时,LMBP神经网络的收敛速度优势非常明显,而拟合的精度也进一步提高,表明LM-BP神经网络具有较高的预测精度。准确的预测黑龙江省农机总动力,可为黑龙江省农业机械化发展规划的制定和近阶段农业机械化的发展水平提供参考依据。     

基于实数遗传算法与神经网络的农机总动力预测及分析

为了能够更好地确定黑龙江省农机总动力带来的影响,从提高黑龙江省农机总动力预测精度出发,运用黑龙江省1983-2014年农机总动力数据,以实数遗传算法训练神经网络对2015-2019年的黑龙江省农机总动力进行预测。预测结果表明:在达到相同精度的目标下,基于实数遗传算法来训练神经网络的农机总动力预测比标准BP神经网络对农机总动力的预测具有更快的收敛速度,预测速度优势明显,且拟合的精度也得到了很大提高。数据结果还表明:离需要预测的年代(2015-2019年)越近,预测数据的绝对误差越小,因此运用实数遗传算法训练神经网络有较好的预测性能。最后,运用2017年和2018年的预测数据来确定农机总动力对与其相关方的影响,并给了出参考建议。     

基于BP神经网络的锡青铜连杆衬套磨损量预测

利用连杆衬套—活塞销往复摩擦磨损试验机,获得锡青铜QSn7-0.2连杆衬套在不同工况(载荷、转速、连杆衬套和活塞销间隙)下的磨损量数据。基于BP神经网络技术,建立了运行工况和磨损量之间的非线性函数关系。用连杆衬套—活塞销往复摩擦磨损试验结果训练神经网络模型,得到和试验数据相匹配的BP神经网络模型。最后进行神经网络模型检验,结果表明:BP神经网络模型具有很高的预测精度,可以较好地预测锡青铜连杆衬套的磨损量。     

基于大数据预测模型的农机数字化设计研究

首先,介绍了大数据的基本概念,设计了基于BP神经网络的大数据挖掘模型,并基于Pro/Engineer实现了农机产品模型参数化设计,基于大数据预测模型实现了农机数字化设计系统。实验结果表明:系统能够快速设计出农机零部件,可较大幅度降低设计周期,减少产品设计修改次数,对于现代化农业设计制造具有重要意义。     

RBF与GRNN神经网络模型在河流健康评价中的应用

利用层次分析法构建符合区域中小河流健康评价指标体系和分级标准,基于RBF与GRNN神经网络算法原理,分别构建RBF与GRNN神经网络算法的河流健康评价模型,采用内插法构造网络训练样本,将河流健康分级评价标准值作为“预测”样本进行“预测”,并将结果作为河流健康等级评价的划分依据,对文山州区域中小河流健康状况进行评价分析。结果表明：①RBF与GRNN神经网络模型对区域中小河流健康评价结果完全相同,与BP神经网络评价结果基本相同,表明研究建立的河流健康评价模型和评价方法均是合理可行的,同BP网络算法相比,RBF与GRNN神经网络模型有收敛速度快、预测精度高、不易陷入局部极小值等优点,且调整参数较少,只有一个SPREAD参数,可以更快地预测评价网络,具有较大的计算优势。②文山州区域主要河流健康评价等级为Ⅱ～Ⅲ级,即处于健康与亚健康之间,客观反映了区域中小河流健康状况,可为区域河流的可持续管理和生态环境建设提供参考依据。     

基于PCA优化—BP神经网络算法的农田土壤养分评价

为达到对膜下滴灌土壤养分综合评价的目的,采用描述性统计分析、主成分分析(Principal Component Analysis,PCA)和Back Propagation(BP)神经网络方法对通辽市科左中旗农田土壤养分进行评价,结合单因子指数法,并与传统方法中运用最广的模糊数学综合评价结果进行对比分析。依据《全国第二次土壤养分分级标准》,经实测数据验证,结果表明:2015年和2016年科左中旗农田土壤养分综合评价良好;将PCA与BP神经网络相结合的方法运用到解决土壤学问题中,可获得客观的结果;经检验PCA与BP神经网络模型相结合的评价方法适用于因子多且复杂、精度要求高的样本。将PCA与BP神经网络相结合既可以解决信息过多、分析困难的问题,又可以降低模糊性、减少精度下降,将各自优点有效的联系在一起,相较传统方法可以更加科学合理、准确有效地对土壤养分进行综合评价。     

基于AIGA—BP神经网络的粮食产量预测研究

针对BP神经网络进行粮食产量预测时易陷入局部最优的缺陷,本研究借鉴免疫算法和遗传算法的优点,设计具有浓度调解机制和全局寻优特性的自适应免疫遗传算法(AIGA),用该算法来优化BP神经网络的权值和阈值,并最终给出AIGA—BP神经网络的MapReduce实现。通过仿真实验验证:在精准度方面,AIGA—BP神经网络对于粮食产量预测的精度要明显优于BP神经网络;在效率方面,该算法的MapReduce实现具有更快的处理速度和良好的加速比,在使用大尺寸训练集时优势更为明显。     

BP神经网络最优组合预测方法及其应用

为了解决各种单一传统的预测方法中存在的问题，提出了一种BP神经网络最优组合的预测方法。将单一预测方法所得到的预测值作为BP神经网络的输入样本，相应历史数据的实际值作为样本的输出，经过样本训练达到期望精度，应用BP神经网络进行预测。通过对浙江省农机总动力需求预测，表明该方法比各种单一的预测方法都有更高的精度。     

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。     

农业机械风险评价研究

针对目前农机安全事故频发的现状,对农业机械的风险评价进行了研究。根据风险评价的有关理论,阐述了农机风险评价的基本程序和评价方法,并结合WSR系统方法论,提出了基于WSR的农机风险减小策略。农业机械产品关乎农民的生命财产安全,农机风险评价的有效开展可以保障农业机械化又快又好的发展,并且可以为农机安全监理提供科学依据。     

基于神经网络的农机液压系统故障诊断专家系统

随着农机液压系统的功能越来越多、结构越来越复杂,加上农业机械的工作环境较为恶劣,其发生故障的几率也将随之增多.为此,根据农机液压系统故障的特点,应用专家系统原理和面向对象的设计方法,设计了一种基于BP神经网络的农机液压系统故障诊断专家系统,阐述了该专家系统的基本结构,以及知识库、推理机和解释机的实现方法.该系统充分发挥了神经网络在处理复杂非线性关系时的优点,大大提高了农机液压系统故障诊断的效率和准确率.