基于BP神经网络的温室生菜CO2施肥研究

目前,温室CO2施肥主要采用试验定性分析确定适合范围,难以实现高精度温室产业生产控制。根据光合作用对温室环境因子的非线性,结合BP神经网络对非线性的良好辨识能力,研究出一种CO2施肥技术。结合温室光照、CO2浓度变化规律以及温室生菜生长规律,运用BP神经网络建立温室生菜光合速率与二者的量化模型,预测出在不同温室环境条件下,通过生菜的光合作用速率来衡量生菜生长状况,在温室小气候条件下实现对生菜产量的量化控制。     

基于RBF神经网络的地下水动态预测

以内蒙古自治区巴彦淖尔市金泉工业园区为例,基于园区B248号长观井2001-2008年的地下水埋深资料,首先建立了地下水埋深RBF神经网络预测模型,而后对该模型的模拟结果作误差分析,并将相应值与BP网络模型进行对比。RBF神经网络模型和BP网络模型的最大相对误差分别为9.88%和19.67%,最大绝对误差分别为0.81和1.56,均方误差分别为0.19和0.98。显然,RBF神经网络具有较高的预测精度和较强的非线性映射能力。用上述训练好的RBF神经网络模型对研究区2009-2013年平水年条件下的地下水埋深进行预测,结果表明,研究区已出现地下水位持续下降的趋势。最后,根据地下水资源保护规划方案,在逐时段压缩地下水开采量10%的情况下,研究区2025年即可恢复到2001年的地下水水位值。     

基于RBF神经网络与BP神经网络的核桃作物需水量预测

采用RBF网络与BP网络的方法,利用MATLAB工具箱并结合气象资料中的相对湿度、平均气温和太阳日辐射量,建立了预测核桃作物需水量的神经网络预测模型.两种预测模型通过实例证实了预测的准确性,并且将这两种网络模型进行了比较分析.RBF神经网络预测作物需水量的绝对误差平均值为0.254 7 mm/d、相对误差平均值为5.47％,BP神经网络预测作物需水量的绝对误差平均值为0.320 6mm/d、相对误差平均值为6.97％,由此可见,RBF网络预测的精度比BP网络高.并且,通过程序记时显示RBF网络训练用时0.063 0 s,比BP网络训练所需的时间要短的多,因此RBF神经网络具有较好的实用价值,实现了精度与实用性的统一.     

基于RBF神经网络马尔可夫模型的降水量预测

降水量预测是制定抗旱防涝对策的重要依据,其预测方法是科学准确预测降水的重要手段.为提高降水量预测的精确度,应用RBF神经网络与马尔可夫相结合,建立R-M降水量预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后将该模型应用于降水量预测工作中,实例验证结果令人满意.     

基于遗传算法的模糊神经网络温室温度控制器

为了创造适合作物生长的环境,针对温室系统的特点提出了一种新的基于遗传算法的模糊神经网络控制器,利用遗传算法训练模糊神经网络模型,并采用此模糊神经网络控制器控制温室温度系统.运用该方法对温室温度控制系统进行了Matlab 仿真,结果表明:采用遗传模糊神经控制器的系统,不但提高了阶跃响应的快速性,而且大大减少了超调量.     

基于RBF神经网络函数拟合方法的仿真与研究

为了解决非线性系统采用常规方法建模难的问题,利用神经网络可逼近任意连续有界非线性函数的能力,提出基于RBF神经网络逼近函数的方法,并详细论述了RBF神经网络的结构原理与学习算法。应用函数逼近实例,基于MATLAB仿真软件,仿真结果表明,RBF神经网络能较好地逼近函数,适用于非线性动态系统的建模与估计。     

基于RBF神经网络的农用柴油机故障诊断研究

柴油机以其良好的动力性、可靠性、经济性在农用机械中广泛应用,但对农用柴油机施行及时的不解体故障诊断却并非易事。为此,以配气机构故障为例,提出了将小波包分解与RBF神经网络结合的故障诊断方法,对降噪后的气缸盖振动信号进行小波包分解,构造故障特征向量作为故障样本,并用训练好的RBF神经网络进行模式识别。试验结果证明,该方法具有良好的诊断效果和广泛的工程应用前景。     

基于RBF神经网络的农用车油耗值标定方法

油耗直接影响着农用车的经济性,真实油耗数据的准确检测对农用车产品管理的科学化以及建设资源节约型社会具有积极的意义.为此,针对行车电脑往往不能准确显示油耗值的缺点,提出油耗值的RBF神经网络标定方法.实验表明,该方法能取得较好的标定效果,简单实用,为农用车油耗值的实时监测提供了一种有效的手段.     

基于差分进化算法优化的RBF神经网络的发动机故障诊断研究

在RBF神经网络中采用差分进化算法来优化RBF神经网络的模型结构,并对其重要参数进行全局寻优。实例仿真结果表明,经过差分算法优化的RBF神经网络不仅相对BP网络学习收敛速度更快,而且提高了发动机故障识别的精确度,从而验证了此种方法的正确性和有效性。     

基于RBF神经网络的混合输入机构自适应控制

提出一种伺服电动机对常速电动机运动进行闭环跟踪的控制策略,控制伺服电动机的运动,以实现对常速电动机速度波动的补偿.由于系统精确模型难以获得,设计了基于名义模型的径向基函数网络自适应控制器,进行混合输入机构轨迹的跟踪,应用径向基函数(RBF)神经网络对系统中摩擦、外部扰动和动力耦合等不确定因素的和进行逼近,网络输出权值由自适应算法学习确定,并对该控制器进行稳定性分析.仿真结果表明,所设计的控制器稳定有效, 具有较强的鲁棒性.     

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。     

基于灰色关联分析与RBF神经网络的土壤浸提液电导率预测

采用灰色系统理论中的关联分析方法,对影响土壤浸提液电导率的主要盐分离子类型进行分析,挑选出影响土壤浸提液电导率的主要因素.与此同时,介绍了径向基函数(RBF)神经网络的原理、训练算法,并建立了基于RBF神经网络与灰色关联分析的土壤浸提液电导率预测模型.结果表明,所建模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,预测精度较高,可以应用于生产实践中.     

RBF神经网络增量式PID自动转向控制系统设计

平地机在田间作业环境下存在复杂非线性时变系统,很难建立精确模型,而传统的PID控制仅仅局限应用于线性系统,控制效果不佳等问题.为了提高田间作业时的转向控制精度,提出了一种基于RBF神经网络增量式PID的控制方法.该方法采用RBF神经网络对增量式PID增益参数进行自适应调整和辨识,并针对控制模型通过仿真实验对比分析了所提...     

BP和RBF神经网络在水轮机非线性特性拟合中的应用比较

利用神经网络对水轮机综合特性曲线进行数据处理和延伸,不必建立具体的函数关系表达式,就可对已知的离散数据进行拟合。并且还可以结合边界约束条件对未知区域内的数据进行预测,从而提高了水轮机综合特性曲线数据处理的工作效率和数据精度。分别介绍了用BP神经网络和RBF神经网络对水轮机综合特性曲线数据处理和延伸的方法。并采用一机组的样本数据进行训练,比较2种方法的训练结果得出结论。     

基于神经网络的底盘测功机控制策略研究

针对底盘测功机控制系统在动态控制方面延迟较高和误差大的问题,提出一种基于RBF(径向基函数)神经网络的底盘测功机控制策略。通过对比分析汽车实际运行工况与底盘测功机加载工况的动力学特征,建立了底盘测功机输出力加载模型。基于电涡流测功机的加载力输出特性设计了控制系统框架和RBF神经网络控制器。通过MATLAB中的S-function函数语言编写了控制策略,且在DCG-10E型底盘测功机上进行了硬件在环试验。对比PID控制下的加载力输出曲线,结果表明,输出力上升过程稳定且快速。本文验证了在底盘测功机上应用RBF神经网络PID控制策略的可行性。