农机部件加工夹具设计及其三维装配仿真——基于NX软件

为了降低农机部件加工时因夹具产生的误差,将NX软件三维建模和装配仿真技术应用到了夹具的设计过程中,并引入了神经网络智能化算法,对夹具引起的各种加工误差进行分析,进而减小误差;然后,通过对夹具零部件的三维建模和虚拟装配仿真,验证了智能算法对减小误差的作用。对比夹具采用与不采用神经网络算法引起的加工误差,结果表明:采用神经网络算法可以明显减小夹具引起的加工误差,提高农机部件的加工精度。     

不同采样密度的土壤水分特征参数预测

利用不同取样精度的土壤,将土壤质地(砂土、淤泥、粘土含量)和容重作为输入值,探讨了使用基于土壤转换函数的BP神经网络模型来预测0~20 cm表层土壤水分特征曲线参数,用甘肃省称钩河流域小流域的土样进行预测并进行了误差分析。结果表明,使用线性回归能够减小预测误差与实测值差距;使用BP神经网络来预测饱和体积含水量,其准确性比使用BP神经网络预测剩余体积含水量和田间持水量要高。为了进一步提高预测精度,还应尽可能地包括土壤结构、有机质含量等信息。     

基于改进BP神经网络的农业机械数据预测研究

为提高河南省农业机械数据预测的精度,获得更可靠的预测结果,提出基于自适应粒子群算法(APSO)优化的误差方向传播(BP)神经网络预测方法,利用APSO算法优越的全局搜索能力更新BP神经网络的权值和阈值,有效结合两种算法的优势,并引用河南省1986-2017年农业机械数据进行测试。仿真结果表明,本文提出的APSO-BP算法比同等条件下BP神经网络算法和PSO-BP算法预测误差平均可降低2.4%和1.35%,可以有效提高预测的速度和精度。     

高原鼠兔行为时间序列短期预测模型研究与应用

高原鼠兔的行为分析可为高原鼠兔的生态学研究与鼠害的防治提供依据。为提高高原鼠兔短期行为预测精度,通过序列图像的时空特征,定义了高原鼠兔的基本行为模式集合;依据自然生态环境下每一个行为模式都会持续一段时间的原则,对视频序列进行降采样从而获得行为时间子序列,以减小行为预测的数据处理量;采用小波神经网络方法建立高原鼠兔短期行为预测的数学模型,确定小波神经网络的参数,用所设计的小波神经网络对高原鼠兔的短期活动行为进行预测。试验结果表明:相对于BP神经网络,小波神经网络的预测准确率高,达到94.94%。预测误差小,均方误差仅有0.012 9。采用小波神经网络可对高原鼠兔的短期行为进行预测。该研究可为高原鼠兔的行为研究提供一种新的信息化思路。     

遗传神经网络在汽车轮胎号识别中的应用

为了提高汽车轮胎号自动识别的正确率,将遗传算法运用于神经网络初始权值的选取,进一步利用BP神经网络算法寻找最优权值。选用熵函数作为误差函数加速神经网络学习速度,引入选择因子自适应调整神经网络训练权值,防止训练发生振荡。将遗传神经网络应用于胎号字符图像的识别,对已分割的待识别胎号字符图像进行特征量提取,给出遗传神经网络的识别结果。实验证明,此方法使网络训练的收敛速度和胎号字符识别准确率都有较大提高。     

基于机器学习的拖拉机发动机扭矩的预测模型

拖拉机发动机扭矩实时测量需要进行大量的工作与昂贵的传感器，在农业生产中投入成本较高，不易进行广泛的推广使用。基于以上问题，采用了径向基函数（RBF）神经网络进行拖拉机发动机扭矩的预测，通过13种训练算法训练RBF神经网络模型，明确RBF神经网络模型基本结构与参数设置，并通过误差分析模型的预测性能。研究结果表明：RBF神经网络中R²=0.99,RMSE=0.5,EF=0.99,预测值与试验值之间的拟合程度价高，可用于估算发动机扭矩。研究结果对于提高拖拉机发动机扭矩的预测和分析提供理论支撑与科学依据。     

山药切片红外干燥温度神经网络预测

在不同单位辐射功率和辐射距离下对山药切片进行了红外辐射干燥温度试验。基于温度试验数据,通过Matlab神经网络工具箱,采用最速梯度下降法和L-M算法对这些数据分别进行了训练,将训练好的BP神经网络对山药切片进行温度预测。结果表明:L-M算法优于传统的最速梯度下降法,提高了BP神经网络的收敛速度和泛化能力,预测误差较小,适用性较强,可较好地预测红外干燥过程中山药切片的温度变化。     

基于LM-BP神经网络的喷药飞行器轨迹跟踪方法研究

首先介绍了LM-BP神经网络算法的特点和优势,依据喷药飞行器的机械结构和工作原理应用飞行控制理论,实现了喷药飞行器轨迹跟踪方法。最后,利用MatLab进行了仿真试验,结果表明:喷药飞行器期望飞行和实际飞行的两条轨迹基本重合,误差很小,达到了预期要求;且采用LM-BP神经网络算法进行迭代学习,能够较快地使误差趋于零,提高了喷药过程中的控制输入。     

支持向量回归机在水质预测中的应用与验证

以干旱区浅水湖泊乌梁素海的多年实测pH值为例,在分析支持向量回归机算法（ε-SVR）核函数选取的基础上进行了回归分析及预测,并与线性回归、BP神经网络、RBF网络等算法进行了比较。研究结果显示：：（1） 基于径向基核的支持向量回归机模拟效果优于其它核函数;（2）ε-SVR模拟结果与线性回归（LR）、BP神经网络和RBF网络等算法模拟结果相比,其拟合精度与预测精度均比其它三种方法要高。计算结果充分证明了支持向量回归机有较强的学习能力和泛化能力且该方法可以应用于水质预测研究。     

基于改进深度学习的车辆道路场景识别

为提高自动驾驶车辆对道路场景的识别效果,针对ReLU模型存在的神经元"坏死"问题,基于ReLU,结合Sigmoid模型提出了新的激活函数ReLU-Sigmoid。通过分析激活函数作用原理,给出激活函数设计要点并将Sigmoid和ReLU在x轴正、负半轴进行组合,优化了道路场景识别模型。在伯克利大学道路数据集上的实验表明,相比ReLU和LReLU模型,ReLU-Sigmoid模型有效提高了卷积神经网络对道路场景的识别准确率,从75.12%和67.15%提高到了83.70%,证明了算法可以提高深度学习模型对道路场景的识别性能并缓解神经元"坏死"现象,从而提高车辆对道路环境的感知能力。     

基于改进支持向量机算法的农业害虫图像识别研究

为提高农业害虫图像识别效果,采用改进支持向量机算法.首先通过交叉验证优化惩罚因子,Manhattan距离确定核函数选择;然后建立农业害虫图像的特征模型,包括颜色特征、纹理特征、形状特征;接着对害虫图像多特征融合识别,各种害虫的颜色特征、纹理特征、形状特征所分配的权值通过Fisher计算,避免害虫识别误判的发生.试验仿真...     

基于支持向量机的玉米品种识别

选取郑单958、辽单565、京科25玉米品种作为研究对象,从玉米籽粒的数字图像中提取与玉米籽粒的颜色、形状、尺寸等有关的6个形态结构参数,利用支持向量机(SVM)算法进行训练识别,同时与BP人工神经网络(NN)方法进行比较,结果表明,SVM算法识别效率较高,达到92.3%.     

基于植物电信号的环境因子预测模型

以采集的植物电信号为生理指标,综合分析其时域、频域和时频域中的典型特征值,利用学习速度快、泛化性能好的极限学习机算法,以电信号的多个特征及环境参数作为输入量,建立适合植物生长的环境因子（温度、湿度、光照度）预测模型。结果表明：通过对采集的碧玉叶面电信号进行不同域的分析,得出植物电信号属于低频微弱信号;利用极限学习机(ELM)分别对适合碧玉生长的温度、湿度及光照度3个环境因子建立预测模型,通过与传统的BP神经网络对比,ELM算法下的均方根误差小于0.97,而决定系数大于0.92,训练所需的时间低于0.03s,验证了此方法的可行性,为科学指导温室环境因子调控提供科学依据。     

对虾养殖溶解氧浓度组合预测模型EMD-RF-LSTM

溶解氧(DO)浓度是对虾养殖水质检测的核心指标.为提高对虾养殖溶解氧浓度的预测精度,本研究提出了一种基于经验模态分解、随机森林和长短时记忆神经网络(EMD-RF-LSTM)的对虾养殖溶解氧浓度组合预测模型.首先采用经验模态分解(EMD)对养殖水质溶解氧浓度时序数据进行多尺度特征提取,得到不同尺度下的固有模态分量(IMF...     

基于LightGBM-SSA-ELM的新疆羊舍CO2浓度预测

为减少肉羊集约化养殖过程中因环境恶化产生的应激反应,精准调控CO2质量浓度,提出了基于分布式梯度提升框架(LightGBM)、麻雀搜索算法(SSA)融合极限学习机(ELM)的CO2质量浓度预测模型.首先利用LightGBM筛选出与CO2质量浓度相关的重要特征,降低预测模型的输入维度;然后选择Sigmoid为激活函数,使...     

基于分水岭算法结合卷积神经网络的玉米种子质量检测

为实现玉米种子快速、准确地优选,以不同质量的玉米种子为研究对象,提出一种分水岭算法结合卷积神经网络对玉米种子进行质量检测的方法。首先利用分水岭算法分割出单粒玉米种子,然后通过卷积神经网络模型对每粒种子进行质量分类,根据分水岭算法得到的单粒种子的位置,将结果在图像中进行标注,实现种子质量检测。使用改进型的InceptionV3模型进行试验,模型测试结果表明：质量良好和带有缺陷的两类种子的平均准确率为94.18%,平均召回率为94.61%,F1值（调和平均评价）为94.39%。同时为突出卷积神经网络模型的性能,将结果与传统的机器学习方法进行比较,其F1值高出LBP+SVM模型20.39%。     

基于物联网的浮标水质监测系统与溶解氧浓度预测模型

为促进近海养殖业信息化发展,更好地实现对近海养殖环境的监控,设计了基于浮标平台的环境监测系统。利用STM32L475微控制器定时采集光照、温度、pH值、溶解氧浓度等信息,通过物联网技术将数据传输至云监测平台,实现了多区域环境信息远程监测和多终端访问。提出了改进遗传算法BP神经网络的溶解氧浓度预测模型,实现对近海养殖环境的预测;根据所采集的数据,利用改进遗传算法对初始权重和阈值进行优化得到最优参数,在此基础上构建BP神经网络溶解氧浓度预测模型。通过试验验证了该系统海洋环境信息采集的准确性与可靠性,以及溶解氧浓度预测模型的有效性;与传统遗传算法BP神经网络预测模型相比,平均误差由0.0778mg/L降至0.0178mg/L,能够满足近海养殖的实际需求。     

基于深度自编码器的大型龙门加工中心热误差建模方法

为提高热误差模型的预测能力,提出一种基于深度学习方法的数控机床热误差建模方法。利用模糊聚类法和灰色关联度分析法选取温度变量的热敏感点,采用深度自编码器（Stacked automatic encoder, SAE）网络从选出的输入样本中提取特征,构建特征集,然后使用遗传优化算法（Genetic optimization algorithm, GA）对BP神经网络参数进行寻优,从而提出一种基于SAE-GA-BP的数控机床热误差建模方法。以某大型龙门五面加工中心为实验对象,研究并选择了加工中心加工过程中的主要误差源——主轴热误差进行补偿,对主轴热误差深度学习模型和多元回归模型进行了分析对比。结果表明,在预测精度方面所提出的建模方法优于传统多元回归模型,从而验证了该建模方法的可行性和有效性。     

基于ELM模型的浅层地下水位埋深时空分布预测

选用石家庄平原区补排因子的多种组合为输入参数,利用28眼水井的实测资料作为预测目标值,首次建立基于极限学习机(Extreme learning machine,ELM)的地下水位埋深时空分布预测模型,讨论补排因子在不同缺失情况下对模型精度的影响;利用Arc GIS分析误差空间分布趋势,并与常用的三隐层BP神经网络模型进行对比。结果表明:基于水均衡理论的ELM地下水位埋深模拟模型能够准确反映人类和自然双重影响下地下水系统的非线性关系,模型输入因子中缺失降水量或开采量的模拟结果均方根误差(RMSE)比缺失其余因子的RMSE高2.00倍及以上,同时模型有效系数(E_(ns))和决定系数(R~2)进一步降低;与BP模型相比,ELM模型可使RMSE减小43.6%,误差区间降低46.4%,Ens和R2提高至0.99,且RMSE在空间相同区域上均明显呈现出ELM模型小于BP模型;ELM模型在南部高误差区的移植精度(RMSE低于1.82 m/a,E_(ns)高于0.95)高于BP模型(RMSE超过3.00 m/a,Ens低于0.85);因此,影响地下水位埋深的主导因素是降水量和开采量,且ELM模型在精度、稳定性和空间均匀性上较优,移植预测效果较好,可利用已知资料推求区域空间内其余未知水井的浅层地下水位埋深;该模型可作为水文地质参数及补排资料缺乏条件下浅层地下水位埋深预测的推荐模型。     

基于长短期记忆神经网络的健康状态估算

当前电池健康状态估算与预测在处理大量电池数据、时间间隔较长存在一定缺陷。长短期记忆神经网络算法在解决该问题时效果明显。在完成电池循环充放电实验基础之上,分析和提取电池放电过程中外部信号变化的特征指标,以电池放电数据中放电容量、放电时间、循环次数训练并建立了长短期记忆神经网络预测模型,采用3种不同的自适应学习率优化算法对学习训练部分进行优化,最后对比分析模型预测的准确程度。结果表明,长短期记忆神经网络估算电池健康状态的误差小于5%,证明预测模型的有效性。