基于人工神经网络的感应电动机转子电阻参数辨识

为应用人工神经网络于感应电动机传动系统中,提出了一种基于Ｈｏｐｆｉｅｌｄ神经网络的感应电动机参数辨识方法。这种方法的精确性不受网络初值及控制参数的影响。仿真结果证明了人工神经网络辨识方法的精确性和快速性。     

煤层底板突水人工神经网络预测

本文综合考虑水源、水压、隔水层、断层等因素对煤层底板突水的影响，建立了煤层底板突水人工神经网络预测模型。实例分析表明，该模型具有较高的预测精度，预测结果比较可靠。     

模糊优选神经网络BP模型在植被生物量参数反演中的应用

根据模糊优选神经网络BP模型，利用1988年小麦生长期中生物量参数和微波（10.2GHz）主被动遥感实测数据，作为输入输出I／O矢量对，计算出网络模型的正向传输权重矩阵及反向传输权重矩阵。用1989年小麦生长期中微波实测数据和该神经网络模型得到的权重矩阵，来反演其生物量参数在整个1989年生长期中的变化，反演结果与遥感实测结果的比较说明了所提方法的准确性。     

在模拟降水和践踏处理复合作用下长芒草典型草原土壤可蚀性研究

模拟降水和试验践踏通过各种不同强度的组合方式改变土壤抗蚀性,从而起到对草地土壤侵蚀的增减作用。在同一模拟降水量条件下,随着践踏强度的逐渐加大,土壤可蚀性K值依次增大,表明践踏增大了放牧侵蚀的风险;但K值的增幅显然与模拟降水量相关,践踏强度由轻度递增到重度,K值的增幅在干旱、自然降水、平水、丰水条件下依次为干旱>自然降水>平水和丰水,表明模拟降水和践踏对K值的影响存在交互效应,模拟降水具有减缓K值随践踏强度增大的趋势。从简单相关关系来看,K值与践踏强度呈极显著正相关(相关系数0.741),与降水呈负相关(相关系数-0.378),但K值并不是可以由践踏强度和模拟降水量二元线性回归可以解说地。与传统回归模型相比较,BP网络模型能更好地刻画土壤可蚀性K值的复杂非线性特性,具有自学习、自组织、自适应和容错性等一系列优点,因而,以牧草生长期单位面积累计践踏量和模拟降水量为自变量的土壤可蚀性K值的ANN(artificialneuralnetworks)关系模型具有较好的拟合结果和预测能力,说明直接从输入到草地生态系统的外侵蚀营力着手,跨越系统内土壤可蚀性变化的内在的复杂的隐含过程建立的输出端——土壤可蚀性K值与土壤侵蚀外营力的ANN关系模型,是准确确定土壤可蚀性K值的一次成功尝试。     

基于机器视觉的玉米叶片透射图像特征识别研究

【目的】建立玉米品种的叶片透射图像特征数据库,研究特征随品种的变化规律,分析各类特征的识别效果,为进一步研究玉米生长期间的机器视觉品种识别提供依据。【方法】以生产中推广的21个常规玉米品种为供试材料,分别采集拔节期、小喇叭口期、大喇叭口期、抽雄开花期4个生育时期的玉米叶片。在灯箱内,采集每一叶片的高画质透射图像,共计420张。基于Matlab R2009a开发了“玉米叶片特征提取与识别软件”,包括图像预处理、特征提取、神经网络识别和阈值选取4个功能模块。依据开发的特征识别平台,对玉米叶片透射图像进行图像预处理和特征提取。提取形态类、颜色类和纹理类共计48个特征,特征数据量共计20 160条。分析48个特征品种间的变异系数,研究玉米叶片透射图像特征随品种的变化规律。建立BP神经网络模型进行综合识别,分析不同时期单特征的识别效果,寻找玉米叶片透射图像中品种区分能力较强的重要特征。进一步分析不同时期3大类特征及其组合的识别效果。【结果】在玉米的4个生育时期,叶片透射图像3类特征品种间的变异系数差异比较明显,颜色类特征变异系数最大,其次是纹理类特征变异系数,形态类特征变异系数最小,并且这种差异随着玉米的生长十分稳定。在玉米的4个生育时期,叶片透射图像48个特征的品种识别率差异比较明显,为9.52%-29.33%。R分量的标准差、短轴长、H分量的标准差、等面圆直径、H分量的平均值、V分量的标准差、B分量的标准差、不变矩6、椭圆度、S分量的平均值、外接凸多边形面积、B分量的平均值、平滑度、S分量的峰度、S分量的标准差的识别率较高,平均识别率在18%以上。单类特征中,颜色类特征识别率最高,平均86.76%;纹理类特征次之,平均为78.05%;形态类特征最低,平均为68.67%。颜色类特征和纹理类特征识别的稳定性较高,纹理类特征识别效果更稳定一些。组合特征中,形态+颜色特征组合识别率最高,平均识别率为92.29%;颜色+纹理类特征组合次之,平均为90.29%;形态+纹理类特征组合识别率最低,但平均识别率也达到了87.43%。在拔节期,3类特征组合的识别率无明显差异,且都在91%以上。在小喇叭口期,颜色+纹理特征组合识别率大幅上升,形态+颜色特征组合识别率小幅下降,形态+纹理特征组合识别率下降较大,但是仍然维持在82%以上。在其他3个时期,形态+纹理特征组合和颜色+纹理特征组合识别率差别不大,并且形态+颜色特征组合识别率相对较高。【结论】研究结果为玉米叶片透射图像特征的研究与应用提供了比较系统全面的数据,为生长期间玉米品种的识别提供了新的方法和量化依据,也必将在其他作物的识别方面发挥很好的借鉴作用。     

渭河下游洪水预报的人工神经网络模型研究

简述了江河防洪的重要性和洪水预报在江河防洪决策中的作用 ,建立了渭河下游干流临潼断面和华县断面洪峰流量预报的人工神经网络 (ANN)模型。模型评定和检验表明 ,ANN模型的预报效果比传统的统计相关模型有明显的改善 ,而且有利于模型评定与检验精度间的合理协调 ,以及洪水预报与防洪决策的智能化管理。     

基于人工神经网络的井灌水稻区地下水位预测

利用带动量项学习规则的改进 BP算法 ,对三江平原创业农场井灌水稻区逐月地下水埋深进行了模似仿真 ,将人工神经网络技术 (ANN)与广大井灌水稻区生产实际相结合 ,通过网络检验与预测 ,模型精度与预测精度均达到满意效果。该网络模型对于节约地下水开采量 ,恢复该地区的地下水动态平衡、制定农作物优化灌溉制度、发展节水灌溉、促进农业及水资源的可持续发展提供参考作用     

基于最优加权组合模型的枯季径流预测研究

【目的】研究最优的枯季径流预测模型,为流域水资源管理提供依据。【方法】建立基于差分自回归移动平均(ARIMA)、人工神经网络(ANN)和多元线性回归(MLR)3个单项模型的简单平均组合和最优加权组合预测模型,并将单项预报模型和组合模型应用到石羊河流域支流西营河的枯季径流预测中,采用相关系数、确定性系数以及均方根误差对各模型预测精度进行比较。【结果】单项预测模型中,仅ARIMA模型通过了确定性系数检验;最优加权组合模型的预测精度较简单平均组合模型高;组合预测模型中,仅ARIMA-MLR和ARIMA-ANN最优加权组合模型的确定性系数高于所有单项预测模型。【结论】最优加权组合模型的精度不但取决于各单项预测模型的精度,也与其之间的相关性有关,适合西营河枯季径流预测的最优加权组合模型是ARIMA-MRL和ARIMA-ANN组合模型。     

林火烟雾图像自动识别中的模式分类器选择

探索了支持向量机（SVM）方法解决由脉冲耦合神经网络（PCNN）提取的林火烟雾图像特征后的计算机视觉模式识别问题。针对由于林火烟雾图像的纹理特征不突出,即便用特殊方法提取出来的特征向量也维数较高,对后续分类器性能提出较高要求并且分类效果存在很大的未知性等问题,通过实验,对3种人工神经网络分类器和支持向量机分类器的烟雾图像特征甄别效果进行了详细对比。结果表明:基于支持向量机的分类器在复杂的森林背景情况下对烟雾有很好的分辨能力,其识别准确率达到94.26%,并且在识别准确率和分类速度两方面都超过了作为对照的3种神经网络分类器。      

神经网络方法在钻孔孔径确定中的

通过对钻孔孔径与其诸多影响因素的分析，建立神经网络（Artificial Neural Network，简称ANN）模型，并对实测钻孔资料进行自适应学习训练，构建出钻孔的孔径同其影响因子之间的非线性映射关系模型。将ANN模型的计算成果同实测资料和回归模型计算结果进行比较。结果表明，采用ANN方法计算预测钻孔孔径简单方便、计算精度高、可操作性强、通用性好。