神经网络模糊PID算法在温室温度控制中的仿真研究

为了更好地实现对温室温度的控制,提出了温室温度控制的一种新的控制方法;通过仿真比较证明了此方法的有效性,并对其动静态特性、鲁棒性和抗干扰能力进行了探讨。结果表明,采用神经网络模糊PID算法的温室温度控制方法具有较好的动静态特性、鲁棒性和抗干扰能力。     

微灌毛管水力学研究——微灌水力设计计算方法探讨之一

本文不采用缝隙管的假定,提出毛管水头线的多段折线模型;在此基础上,定义了降比r和压比G,根据r的大小,讨论了均匀坡毛管压力水头的分布;讨论了总水头损失计算方法;导出诸水力特征量的计算公式。     

基于双池化与多尺度核特征加权CNN的典型牧草识别

针对自然背景下牧草难识别的问题,提出一种基于双池化与多尺度核特征加权的卷积神经网络牧草识别方法。双池化特征加权结构通过将卷积层输出的特征图分别进行最大值池化和均值池化得到两组特征图,引入特征重标定策略,依照各通道特征图对当前任务的重要程度进行加权,以增强有用特征、抑制无用特征;多尺度核特征加权结构通过在卷积层中同时使用3×3和5×5两种卷积核,并将网络的前几层特征复用后进行加权,以提高重要特征的利用率。对10类牧草图像进行识别实验,结果表明,该方法识别率为94. 1%,比VGG-13网络提高了5. 7个百分点,双池化与多尺度特征加权有效提高了牧草识别精度。     

自动化综合实验网络系统的构建与应用

介绍了实验室现有的多个实验工艺流程装置以及控制系统的特点,描述了在实验室环境中应用常规控制系统、集散控制系统、现场总线控制系统与工业以太网控制系统实现对多个工艺流程装置的自动控制,以及研究自动化综合实验网络的构建、智能控制理论与方法的运用和教学实践的应用.     

遗传神经网络在温室黄瓜霜霉病预测中的应用

在神经网络结构的优化、连续权重的训练中采用遗传算法的方法对日光温室黄瓜霜霉病进行预测，并对其发生程度进行了拟合，计算值与实际值接近，表明该模型具有良好的预测效果。     

铁皮石斛人工繁育技术

以铁皮石斛商品瓶苗和盆栽苗茎段为试材,添加不同浓度6-BA、NAA,诱导茎段腋芽、原球茎和不定根,建立再生体系,快速繁殖铁皮石斛组培苗,以期为秦岭淮河一线以北地区人工繁殖铁皮石斛提供参考依据。结果表明:外植体宜采用70%酒精浸泡20 s,0.1%升汞浸泡8 min消毒;MS+6-BA 3.0~5.0 mg·L^-1+NAA 0.1~1.0 mg·L^-1适合腋芽分化和增殖,分化率92%~100%;1/2MS+6-BA 2.0 mg·L^-1+NAA 0.5 mg·L^-1+土豆泥15%适合原球茎诱导增殖,增殖倍数7.7;1/2MS+NAA 0.3 mg·L^-1生根率为100%;以松针土移栽,成活率83%。     

无线局域网在解放军医学图书馆的应用

 

结合解放军医学图书馆无线局域网络的实际应用情况，从无线局域网的概况、应用特点及安全防护等几方面介绍了无线局域网络的相关知识。

     

提高沙地柏有性繁殖的主要技术措施研究

通过对沙地柏进行不同播种期、温汤浸种、不同激素、药剂处理以及超声波等处理试验,结果表明:沙地柏人工育苗的播种期应在8月中下旬为宜;种子处理以60~80℃水浸3~5 d效果最好;播种深度以1.0~1.5 cm为宜;以沙子覆盖效果最佳,出苗率达88%;激素、药剂、超声波辐射等处理种子效果均不如温汤浸种处理。     

基于人工神经网络的PV/T热电联供系统性能预测

为研究太阳能PV/T热电联供系统的性能和针对太阳能PV/T系统复杂的能量平衡方程,搭建了太阳能PV/T系统试验台,同时建立了基于改进灰狼优化的BP神经网络(back propagation neural network model based on improved grey wolf algorithm, IGWO-BP)预测模型,在晴朗天气下进行试验,并采用该模型对系统电功率以及蓄热水箱内水温进行预测。结果显示,晴朗日系统的电效率8.7%～12.2%、热效率51.7%;预测结果与BP神经网络预测模型、基于粒子群优化的BP神经网络(back propagation neural network based on particle swarm optimization, PSO-BP)预测模型和卷积神经网络（convolutional neural network, CNN）预测模型预测结果进行比较,结果显示IGWO-BP预测模型电效率预测模型的绝对百分比误差(mean absolute percentage error, MAPE)、决定系数(determination coefficient, R ² )、均方根误差(root mean square error, RMSE)、效率因子(efficient factor, EF)和Pearson相关系数(pearson related coefficient, r )分别为4.5E-05、0.99、0.24、0.99和1.00,在储热罐温度预测中,上述指标分别为8.90E-04、0.98、0.07、0.98、0.99,均优于其他预测模型,IGWO-BP神经网络预测模型具有更好的预测性能。研究结果可为太阳能PV/T热电联供系统性能预测与优化控制提供参考。     

夏枯草(Prunella vulgaris)组织培养和快速繁殖

以夏枯草的叶片、茎节、顶芽为外植体在含不同浓度的6-BA和NAA的MS培养基中培养,比较其增值率和分化率.发现以茎节为外植体,诱导不定芽的最佳培养基为MS 3.0 mg/L 6-BA 0.1 mg/L NAA,分化率为100%,增殖倍数为6.8.以顶芽为外植体,不定芽的最佳培养基为MS 3.0 mg/L 6-BA 0.05 mgm NAA或MS 3.0 mg/L 6-BA 0.1 mg/L NAA,分化率分别为88.2%和84.6%,增殖倍数分别为5.8和6.2.最佳生根培养基为1/4MS NAA 0.5 mg/L,生根率为100%.将生根的组培苗经过驯化移栽后,成活率为93%.表明,叶片难以分化;茎节的分化率效果最好;顶芽的分化能力介于二者之间.