基于机器视觉棉叶螨自动监测与分级方法研究

为实现棉叶螨自动监测与分级,研究了受叶螨危害棉叶的颜色统计特征,对不同等级螨害棉叶进行比较,利用颜色特征的均值和方差,自动监测棉花是否发生螨害,最后对棉花叶螨危害程度进行自动分级。结果表明:采用机器视觉技术对棉叶螨进行自动监测分级能够取得较好的效果。     

棉叶螨机力防治的方法及效果

通过近几年调查比较,防治棉叶螨采用的四种机械中,以大型机车带喷雾机效果最好,中型四轮机车带喷雾机其次,弥雾机居第三位,手动式工农16型喷雾器效果最差。     

基于无人机数码影像的棉叶螨严重度监测

棉叶螨是影响棉花产量和品质的主要虫害之一。为快速、准确、有效地监测棉叶螨发生情况,利用无人机搭载数码相机获取数码影像,并计算多种可见光植被指数作为初选特征因子,然后采用ReliefF-Pearson特征降维方法选取最佳建模特征,分别构建偏最小二乘回归(PLSR)、BP神经网络(BPNN)、随机森林(RF)的棉花冠层叶片叶绿素相对含量(SPAD)值遥感估测模型和棉叶螨严重度遥感估测模型。结果表明,棉叶螨严重度与棉花冠层叶片SPAD值呈显著负相关关系。经过精度评价,确定RF模型具有最佳性能,模型验证的决定系数和均方根误差为0.74、2.13。该研究结果表明利用棉花冠层叶片SPAD值遥感估测模型可准确估测棉叶螨为害情况,为棉叶螨的无损监测和病虫害防治提供参考依据。     

RBF神经网络方法在水质评价中的应用

就径向基函数人工神经网络(RBF)在水质评价中的应用做了探讨。分别从网络结构的选择、可调参数的优化方法和学习样本的代表性3方面作了详细的分析、阐述,并提出了一些解决办法,为RBF网络在水质评价中的应用提供了一定的参考材料。最后以博斯腾湖为例,利用RBF网络建立水质评价模型,模型评价结果趋势基本符合实际,效果较好。     

基于SVM和AdaBoost的棉叶螨危害等级识别

针对自然条件下棉叶螨虫害等级识别难的问题,在自然条件下以普通手机采集棉叶图像作为实验对象,首先使用大津法和连通区域标记算法,将棉花叶片图像与背景分离,然后,提取不同棉叶螨危害等级棉叶图像的颜色、纹理和边缘特征数据,使用支持向量机(Support vector machine,SVM)单独进行分类实验,得到平均识别正确率为76. 25%,最后,采用SVM和AdaBoost相结合的算法,生成最优判别模型,实现对棉叶螨危害等级的识别,平均识别正确率为88. 75%。对比实验表明,提出的棉叶螨危害等级识别方法比BP神经网络的平均识别正确率高13. 75个百分点,比单独采用SVM算法高12. 5个百分点,比单独采用AdaBoost算法高8. 75个百分点,SVM和AdaBoost相结合的算法可较好地对棉叶螨危害等级进行识别,为棉叶螨数字化防治和变量喷药提供了数据支持。     

基于RBF网络的双燃料发动机排放模型

建立了基于径向基函数（RBF）神经网络的天然气／柴油双燃料发动机的排放模型。并利用模型分析了各运行参数对发动机排放的影响。试验证明，该模型可以很好地预测双燃料发动机的排放指标。     

RBF网络在电喷发动机故障诊断中的应用

提出了一种用RBF网络（径向基函数网络）简化汽车故障诊断仪数据流功能的方法.首先建立了RBF网络故障诊断模型,然后以捷达ATK型发动机为例,设计故障样本集,用大量的故障样本集数据对网络进行训练和仿真,并与BP网络作了比较.结果表明,RBF网络比BP网络更适合于故障诊断,可以简化故障诊断仪的数据流功能.     

用西方肓走螨防治苹果园山楂叶螨的试验

通过大量的试验示范,总结出用西方肓走螨防治苹果园山楂叶螨的最佳方法,为大面积开展生物控螨提供了重要依据。     

基于SVM的RBF网络在农机总动力预测中的应用

径向基神经网络是一种单隐层的三层前向网络,具有结构简洁、学习速度快等优点。为此,分析了径向基神经网络采用传统聚类方法确定基函数中心存在的问题,提出了一种基于支持向量机聚类确定径向基网络基函数中心的方法。该方法以最大间隔原理和结构风险最小化原则为前提,利用核方法把输入空间的样本映射到高维特征空间完成聚类工作来确定基函数的数量。采用改进的方法训练的径向基神经网络对黑龙江省农机总动力进行非线性时间序列预测,结果表明:改进的网络在确定网络结构、学习速度和提高网络预测精度方面都有较好的效果。     

电控发动机怠速RBF神经网络控制

提出发动机怠速控制的神经网络方法,给出了RBF神经网络模型,并将带遗忘因子的梯度下降法应用于RBF神经网络的参数调整。利用RBF神经网络良好的非线性映射能力,通过对发动机转速及转速变化率映射,得到步进电机相应驱动信号,从而实现怠速控制。实验结果表明,神经网络控制响应快、鲁棒性强,可有效提高发动机怠速品质,改善发动机的性能指标。     

基于叶面积指数的河北中部平原夏玉米单产预测研究

为解决玉米单产预测的时效性和业务化问题,以河北中部平原为研究区域,选取与籽粒产量密切相关的叶面积指数(LAI)作为遥感特征参数,对研究区2016—2018年夏玉米单产进行预测研究。基于求和自回归移动平均(ARIMA)模型及径向基神经网络(RBFNN)分别逐像素预测研究区域的LAI,结果表明,基于ARIMA模型的LAI预测精度比RBF神经网络的预测精度高,1步、2步LAI预测结果的RMSE较RBF神经网络分别降低了0.18、0.14 m2/m2,更适合于河北中部平原的夏玉米单产预测。基于LAI监测数据和加权LAI与夏玉米单产的相关性研究成果,并结合基于ARIMA模型的LAI预测数据,得到2016—2018年夏玉米监测单产和向前1旬、2旬和3旬的单产预测结果。结果表明,无论是县域尺度还是像素尺度,向前1、2、3旬夏玉米的单产预测精度均较高,2016—2018年县域尺度预测单产与监测单产间最大相对误差仅为3.73%。     

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。     

RBF网络在西安渭滨地下水位埋深预测中的应用

基于径向基（RBF）神经网络建模,对西安市渭滨地下水水源地的地下水位埋深进行了模拟和预测。将降雨、径流和人工开采量作为输入变量,对研究区域内的潜水和承压水位埋深分别进行预测。1984—2001年的数据用于径向基网络模型训练,2002-2005年的数据用于模型的验证,最后对2006—2023年共18年的地下水位埋深进行预测。结果表明,径向基神经网络模型对20年左右的数据序列有较好的预测效果,且根据降雨、径流和开采量,能较准确的预测地下水位埋深。     

基于RBF的电液变量施肥控制系统PID参数整定

电液变量施肥控制系统的非线性和PID算法的局限性,导致常规PID控制已不能满足控制系统性能要求。为此,提出了基于RBF神经网络整定PID参数的方法,利用自适应RBF神经网络辨识被控对象Jacobian信息,采用梯度下降法计算PID参数Δk_p、Δk_i、Δk_d,对系统进行增量式PID控制。与采用增量式PID的系统阶跃响应曲线对比可知,利用RBF-PID算法的系统具有良好的动态性能及较强的自适应性。     

区域土壤水盐动态人工神经网络预测研究

根据黄河河套灌区多年的区域水盐监测资料 ,比较了 ANN三层、四层 BP网络不同学习速率下的收敛效果 ,拟合精度 ,应用四层 BP网络模型对灌区的年内不同时期的土壤水分、盐分的动态变化进行了模拟预测。研究表明 ,BP网络可以用于区域土壤水盐动态预测 ,方法简便可行 ,有较高的精度 ,是对传统的区域水盐动态模数值拟预测方法的补充。     

基于径向基函数神经网络右江灌区有效灌溉面积的预测

根据人工神经网络的理论和方法,建立径向基函数神经网络模型,以右江灌区的统计数据为例预测该灌区的有效灌溉面积,结果表明模型有较强非线性处理能力和逼近能力,具有学习时间短,预测精度高,适应性强等优点。     

基于高斯径向基函数神经网络的十字路口车流量预测

采用径向基函数预测功能的神经网络,对十字路口的车流量进行实时预测,仿真实验结果表明使用该神经网络对交又口车流量进行预测可以得到令人满意的结果。     

基于小波-BP神经网络的贝叶斯概率组合预测模型及其应用

采用一元线性回归模型模拟贝叶斯分析的先验分布和似然函数,建立了基于小波-BP神经网络的贝叶斯概率组合预测模型,在结合区域的水文特性对数据进行预处理的基础上,将其应用于老挝Namngum水库的月径流量预测中,结果表明,该方法较单一BP神经网络模型和小波-BP神经网络模型而言,有效的提高了月径流量的预测精度;同时相对于确定性水文预报方法而言,基于小波-BP神经网络的贝叶斯概率组合预测模型定量地、以分布函数形式描述水文预报的不确定度,能向用户提供更多、更全面的信息,为决策提供更有价值的技术支持。