基于神经网络的拖拉机自动导航系统

针对数学模型复杂的拖拉机转向控制问题,使用基于神经网络的控制方法,以福田欧豹4040型拖拉机为研究对象,进行农用车辆导航控制研究。以车辆航向偏差和航向偏差的变化率为输入变量,以前轮转角的变化量为输出变量,设计车辆转向控制神经网络控制器,对拖拉机进行转向控制。仿真表明,该方法可以对拖拉机的转向进行有效控制。实验结果表明,拖拉机在50m的行驶距离内,最大横向偏差为0.18m。     

小波包分解与神经网络相结合的变速箱齿轮故障识别

提出了一种识别变速箱齿轮故障的新方法，通过对小波包分解的分析研究，将基于小波包能量的小波包分解特征提取方法用于提取齿轮运行状态的特征向量，并以此作为BP神经网络的输入对神经网络进行训练，建立了基于BP神经网络的齿轮运行状态分类器，用以识别齿轮的运行状态，, 变速箱齿轮故障识别为例，用文中所述方法对变相齿轮的正常状态，磨损状态，断齿状态进行识别验证，验证结果表明该方法的效果良好。     

电动助力转向系统机械与控制参数集成优化

建立了电动助力转向(EPS)系统的动力学模型,采用模糊神经网络控制策略进行了系统的控制,在提出目标函数的基础上,用遗传算法对EPS系统机械参数和控制参数进行集成优化。仿真结果表明:采用集成优化方法能使EPS系统的机械参数和控制器参数的匹配更合理,可以提高汽车的操纵性能。     

甘肃省农用大中型拖拉机需求量预测模型及时效分析

甘肃省农用大中型拖拉机受国家政策导向、经济效益驱动、市场需求等多种因素的影响,其需求量是一个复杂的非线性系统。本文将混沌动力系统相空间重构理论与神经网络理论相结合,提出了一种相空间重构与神经网络相融合的预测模型,采用1981～2008年之间甘肃省农用大中型拖拉机需求量实测数据,研究了该需求量系统关联维数的确定和柯尔莫哥洛夫熵的计算,结果表明,基于神经网络与混沌理论的甘肃省大中型拖拉机需求量的准确预测时效是4年,影响需求量的因素有1～5个。     

年径流预报的非线性混合回归模型研究

径流中长期预报一直以来都是人们关注的热点研究问题,常用的时间序列法、多元回归分析法等都存在预报精度偏差过大的问题。以年径流作为自回归因子,降水和气温作为多元回归因子,建立了年径流预测的非线性混合回归模型,并利用BP神经网络进行模型求解。戴营水文站的年径流预报结果表明,与自回归模型、多元回归模型、BP网络模型和线性混合回归模型相比较,非线性混合回归模型具有较高的预报精度。     

基于遗传算法的模糊优选BP网络的冰凌预报模型

黄河内蒙段地处黄河流域最北端,由于它的特殊地理位置、水文气象条件、河道特性,几乎每年产生凌汛.应用基于遗传算法的模糊优选BP网络模型,对黄河内蒙段封河、开河日期进行预报.结果表明,该模型既能合理地构造神经网络的拓扑结构,又可加快网络的收敛速度,并能改善网络的全局寻优能力.     

基于神经网络的蓄滞洪区洪灾风险

洪灾风险评价属于多准则、多层次的模糊综合评价问题,本文在深入分析洪灾风险成因的基础上,以致灾因子、孕灾环境、承灾体属性为准则层,构建了蓄滞洪区洪灾风险评价指标体系,制定了洪灾风险等级和评价标准。基于BP神经网络,构建了蓄滞洪区洪灾风险评价的BP模型,将其应用到50年一遇洪水情况下,大黄铺洼Ⅰ、Ⅱ、Ⅲ区的洪灾风险评价中,结果表明,Ⅰ区洪水危险性高,但人口稀少、经济不发达,洪灾风险程度最低;Ⅲ区洪灾风险程度稍高于Ⅰ区,Ⅱ区洪灾风险程度较高。以上结论与实际情况基本一致,验证了BP评价模型的合理性。     

用BP神经网络预测土壤入渗参数时隐层神经元数分析

为了用BP神经网络更准确地预测土壤入渗参数,分析了不同隐层神经元数下,预测值与实测值的关系曲线,以及在同一训练目标误差下,不同隐层神经元数、训练曲线的变化及能否达到训练目的,得出了最优隐层神经元数。隐层神经元数的确定,为土壤传输函数的研究奠定了基础。     

依据响应曲面法和BP神经网络对木纤维脉冲-旋流气流干燥工艺优化

为探讨脉冲-旋流气流干燥工艺对木质纤维终含水率的影响,选用Box-Behnken试验设计进行响应曲面法试验,考查杨木纤维脉冲-旋流气流干燥过程中主要工艺参数对终含水率的影响。结果表明:影响杨木纤维终含水率的工艺参数递次是初含水率、进风温度、进料速度和风速。选用TensorFlow框架借助python编程语言建构BP神经网络,搭建终含水率预测模型,结果显示:足够的样本数据反映出规律特征后,预测模型的优化效果得以改善。将响应曲面法试验和BP神经网络模型优化效果进行对照,响应曲面法和BP神经网络的ERMS值、R2值分别为0.2264、0.9834和0.4419、0.9794,反映出响应曲面法的优化水平更好。研究结果旨在为丰富木质纤维气流干燥理论体系及其工业化应用提供技术支持和理论依据。     

基于BP神经网络的淤地坝次降雨泥沙淤积预测

为了探求淤地坝在次降雨情况下的泥沙淤积量,以黄土高原丘陵区花梁坝实测数据为例,引用3层前馈型BP网络建模方法,对侵蚀性降雨条件下淤地坝泥沙淤积量进行了研究。在模型输入层变量分别为最大30min降雨强度(mm/min)、降雨总量(mm)、平均降雨强度(mm/min)和降雨侵蚀力(mm2.min),输出层变量为淤地坝泥沙淤积量,根据降雨资料和淤积信息对应关系所计算的实际资料,对网络进行了训练,并运用训练后的网络进行模拟和预测。结果表明,BP网络的绝对拟合误差和相对拟合误差均较低,绝对拟合误差最大为-0.0061万t,相对拟合误差最大为-1.2946%。同时,BP网络还具有较高的预测精度,泥沙淤积预测的绝对误差最大为-0.039万t,相对误差最大为-5.5901%。该模型的建立为土壤侵蚀产沙规律的研究提供了一条新途径。