基于BP神经网络的润滑流量因子系数的预测

因现有润滑方程中的流量因子系数值有限，不能满足摩擦学研究的需要。本文利用BP神经网络，使用L—M规则，对润滑方程中流量因子系数进行了预测。训练时，以微凸体的纵横比v为输入样本,输出样本为压力流量因子的两个系数。结果表明：训练良好的BP网络输出数据与实测数据吻合较好，并具有收敛速度快等特点。     

华北型日光温室升温系统的节能设计专家系统

目前温室的采暖设计理论未考虑新节能技术和温室采用的智能控制系统对温度的影响，因而容易造成设备容量过大和燃料储备过多的现象。为此，使用基于神经网络和模型的模糊专家系统来设计适当的加温设备和经济的燃料储备，可以大量地节约温室运行成本。     

基于NNARMAX模型的地下水位预报研究

区域地下水系统是一个受多种因素影响的复杂的非线性动态系统 ,应用遗忘因子的递归最小二乘( RLS)算法进行训练 ,采用通过减少网络节点间的连接权值 ,进而裁减冗余节点来选择适宜的网络拓扑结构 ,建立了非线性自回归滑动平均神经网络 ( NNARMAX)模型 ,地下水位预报结果表明 :通过对网络结构的优化达到了自动确定非线性自回归模型阶数和影响因素的选择 ,能有效地表示区域地下水动态系统内部及其外部诸多影响因素间的不确定关系 ,是预测区域地下水动态变化较为有效的方法之一。     

排种器性能检测中种子位置智能检测方法

根据基于计算机视觉的排种器性能检测的特点，提出了基于神经网络的种子位置智能检测方法。采用两个光轴互相垂直的摄像机监测投种规律，并把以矩法求取的质心图像坐标作为输入节点，构造检测种子质心实际坐标的两个神经网络，并行处理左右两幅图像，从而快速求得种子位置。实践表明，此方法不仅能求出种子位置，而且可全面监测种子的运动情况。     

基于GS的降雨径流预报方法研究

为满足降雨径流预报的需要，研究了基于GIS的降雨径流预报方法。分析了水文过程的影响因素并阐述了数据信息的预处理方法；提出了基于遗传算法的神经网络模型，该模型提高了神经网络的训练精度和效率，将该模型应用在降雨径流预测中能有效提高预测水平；提出了结合地理信息系统流域降雨径流预报，通过GIS对降雨信息的处理，提高了降雨径流预报模型的输入数据的精度；通过实例分析，验证了该方法在降雨径流预报应用中的可靠性和高效性。     

基于迁移学习的无人机影像耕地信息提取方法

随着精准农业技术的发展,对农作物用地信息快速、准确提取的需求越来越高。同时,无人机技术以其方便、高效、具有低空云下飞行能力等优势被广泛应用于自然资源的调查中。但无人机影像普遍光谱信息较为匮乏,因此很难准确、快速地提取出耕地信息。基于此,提出了一种利用迁移学习机制的耕地提取方法(TLCLE)。首先,利用深度卷积神经网络(DCNN)剔除线状地物(道路、田埂等),然后,通过引入迁移学习机制将DCNN特征训练过程中得到的特征提取方法迁移到耕地提取中,最后,将所提方法与利用易康(e Cognition)软件进行耕地提取(ECLE)结果进行对比。研究结果表明:对于实验影像1、2,TLCLE方法耕地提取总体精度分别为91.9%、88.1%,ECLE方法总体精度分别为90.3%、88.3%,2种方法提取精度相当,在保证耕地地块完整、连续性上TLCLE方法优于ECLE方法。     

时滞半主动悬架模糊神经网络控制

建立了含时滞半主动悬架数学模型,分析了悬架系统产生时滞的原因,设计了含时滞补偿模糊神经网络自适应控制策略,开发了C8051单片机为内核的半主动悬架控制系统,仿真分析后,在全真半主动悬架试验台上进行了台架试验。结果表明,实施半主动悬架神经网络时滞补偿控制,解决了控制中的“不合拍”问题,较好地协调了车辆舒适性和安全性之间的矛盾。     

多元线性回归和神经网络在水库调度中的应用比较研究

采用多元线性回归和改进人工神经网络算法分别建立水库多目标调度函数，并进行实例计算验证。通过比较分析，表明人工神经网络的非线性映射能力能够更好地反映水库调度中多个自变量和因变量之间的复杂关系，具有较高的模拟精度和较好的可行性，且应用简便。     

基于神经网络的发动机实时检测与故障诊断系统

提出了一种基于神经网络的发动机性能实时检测与故障诊断系统，其诊断的特点是利用各种传感器实时采集数据，结合人工神经网络，从不同的角度，不同层次进行诊断推理，并以神经网络来完成自学习功能，大大提高了诊断的效率，研究提出了实时诊断系统的各种抗干扰措施，通过实验验证，该系统具有较高的准确性，并且易于操作和使用。     

BP神经网络在焉耆盆地农田排水量

利用BP神经网络技术对焉耆盆地农田排水量进行预测。利用灰色关联度分析确定了排水量与各影响因素的关系，选取了对排水量影响最大的5个因素作为BP网络的输入，利用均匀设计方法，确定了最优的神经网络结构。估算结果表明利用BP神经网络可以准确的估算农田排水量，最大相对误差仅为-2.45％。