基于BP神经网络的马尾松立木生物量模型研究

以马尾松为例,探索并验证BP神经网络模型在立木生物量估测上的适用性。通过12种算法的筛选、输入变量和输出变量的确定以及隐层节点数的选择,确定最优的模型拓扑结构,构建单隐层BP神经网络模型;对比单输入变量与多输入变量模型、单输出变量与多输出变量模型,并分析模型的输入变量数和输出变量数对模型估测精度的影响;将优选BP模型与传统相对生长模型进行对比以验证BP模型的可行性。结果表明:1）最优BP模型LM-DH-8-WtWaWr的训练算法为Levenberg-Marquardt算法,输入变量为D、H,输出变量为Wt、Wa、Wr,隐层节点数为8。2）输入变量和输出变量的增加不会降低BP神经网络模型的精度。3）模型LM-DH-8-WtWaWr能够精确地估测马尾松立木生物量,其精度高于传统的相对生长模型。该模型能够一次性地引入多个解释变量,并可以同时估测多个量,从而简化了生物量建模和估测工作,对实际生产具有一定的意义。      

基于变权重法的Pareto轨迹多目标进化算法

大多数现有的多目标进化算法 (MOEA- Multiobjective Evolutionary Algorithm )都是基于 Pareto机制的 ,如 NPGA (Niched Pareto Genetic Algorithm ) ,NSGA(Non- dom inated Sorting Genetic Algorithm )等。这些算法的每一个循环都要对种群中的部分或全部个体进行排序或比较 ,计算量很大。文中介绍了一种基于变权重线性加权的 Pareto轨迹法 - WSTPEA(Weighted Sum Approach and Tracing Pareto Method) ,该算法不是同时求得所有可能的非劣解 ,而是每执行一个循环步骤求得一个非劣解 ,通过权重变化次数控制算法循环的次数 ,从而使整个种群遍历 Pareto曲线 (面 )。文中给出了算法的详细描述和流程图 ,并且对两个实验测试问题进行了计算 ,最后对结果进行了分析     

NETWORK FEOW APPROACH TO RELIABILITY EVALUATION IN IARGE SCALE NETWORKS BY MIXING INCREASING ELOW WITH DECREASING FLOW

Based on the maximum flow principle about networks, a network flow approach to reliability evaluation in large scale netwerks ty mixing inereasing flow with decreasing flow is proposed in this paper.This approach gets the initial flow of each branch in a r.etwork associated with a state of the retwork by decreasing flows of some branches correlative to another state of the network.As a result, the number of flow compute required can be reduced enormously.The numerical example shows that the approach is powerful. The comparison of this approach with the minimal cutset one is also given in this paper.     

基于混沌算法的工程车辆自动变速神经网络控制

为了克服BP神经网络收敛速度慢和易陷入局部极小点的不足，提出了一种基于混沌算法的工程车辆自动变速神经网络控制方法，并利用ZL50型装载机传动系统换挡控制试验的数据进行了验证性仿真试验。仿真结果表明：该方法对于车辆自动换挡智能控制是可行的，可以根据操作工况实现正确的变速挡位决策。     

优化运行理论在泵站综合自动化系统中的应用

利用改进的神经元网络构建了泵站流量以及效率预测模型，并利用改进的遗传算法构建了泵站优化模型。将这两个模型应用到泵站综合自动化系统中，可以完成对泵站流量及效率的准确预测，并在此基础上实现泵站的优化运行。讨论了泵站优化运行理论在泵站综合自动化系统中应用的步骤和方法。     

基于模式搜索的轮胎纵向刚度估计方法

提出了一种含有两个参数的轮胎纵向力模型,并通过该模型利用基于模式搜索的最小二乘法对轮胎的纵向刚度和滚动半径进行了动态估计。仿真证明了该算法的可行性。将该算法应用于车辆的实际试验数据,结果证明轮胎的压力与轮胎纵向刚度近似成反比。     

变步长的最小二乘递推算法

针对固定步长的最小二乘递推算法在信号辨识中采集数据量大、辨识速度较慢的缺点,提出了变步长的最小二乘递推算法,在保证同等辨识精度的条件下, 采集的数据明显减少,大大提高了辨识速度。     

温室环境控制方法研究现状分析与展望

环境控制方法是实现温室蔬菜高效生产的关键。随着现代控制技术的快速发展,温室环境控制方法逐步从手动、定时控制方法,转变为设定值控制和智能控制等方式。该文概述了以设定值为目标实现环境控制的方法,归纳了模糊控制、解耦控制、人工智能控制和表型控制等智能控制方法的特点,总结了现有温室环境调控领域控光、控温、控气、通风、灌溉和“云-边-端”协同控制系统的优劣。针对现存问题,指出该领域的发展趋势为构建考虑扰动因素影响的温室环境控制方法,研制基于作物生长和表型评价体系的环境调控模型,以及建立多模型融合的“云-边-端”协同温室环境调控系统。相关技术的发展将为温室的智能化与信息化发展提供重要的决策依据和借鉴意义。     

履带车辆自适应预瞄跟踪模糊控制算法

针对现有单边制动履带车辆跟踪控制算法同周期内并行控制难、跟踪精度低、转向控制次数较多等问题,该研究以电控化改装后江苏筑水农机 3B55 型履带运输车为试验平台,开展单边制动履带车辆路径跟踪控制算法研究。通过单边制动履带车辆运动学分析,构建车辆预瞄跟踪模型,提出一种预瞄跟踪模糊控制算法,将横向偏差与航向偏差作为多输入输出模糊控制器输入参数,实现车辆同一控制周期内转向与直线行驶的并行控制。为了优化车辆路径跟踪精度与转向控制次数,提出改进麻雀搜索算法(sparrow search algorithm, SSA)的自适应前视距求解算法,考虑车辆的横向偏差和转向路径角度约束,解析较优前视距离,通过仿真和田间试验对算法进行跟踪精度与转向控制次数综合评价。仿真结果表明：基于自适应预瞄跟踪模糊控制算法跟踪多角度规划路径时,车辆转向控制次数为89次,误差面积为1.74 m²。田间作业路况下,由于试验路面起伏不平,并且随速度增加车辆跟踪精度下降,但跟踪精度及转向控制次数随前视距离的变化规律与仿真结果一致,当车辆分别以0.14、0.47和0.83 m/s跟踪路径时,自适应预瞄跟踪模糊控制算法相对于固定前视距离预瞄跟踪模糊控制算法车辆转向控制次数分别减少13.59%、9.87%和11.25%,误差面积分别减少19.93%、48.48%和54.59%,验证了算法的有效性。研究结果可为单边制动履带车辆的农机自动导航技术提供创新思路与技术支撑。     

基于超参数优化算法下的随机森林模型预测奶牛呼吸频率

奶牛呼吸频率是评估环境造成的奶牛热应激程度的重要指标之一。该研究基于随机森林（random forest,RF）算法提出了适用于生产条件下的奶牛个体呼吸频率准确预测模型,为了平衡模型精度与计算效率问题,利用遗传算法（genetic algorithm,GA）、差分进化（differential evolution,DE）算法、粒子群优化（particle swarm optimization,PSO）算法、贝叶斯优化（Bayesian optimization,BO）算法对模型超参数进行优化,并与网格搜索（grid search,GS）下的人工神经网络（artificial neural network,ANN）和极限梯度提升机（extreme gradient boosting,XGBoost）模型进行了对比分析。研究结果表明,使用融合环境参数的修正温湿指数（adjusted temperature-humidity index,ATHI）、时间区域、奶牛产奶量、泌乳天数、身体姿势以及胎次作为输入特征时,基准RF模型的预测性能最佳。在此基础上,4种智能优化算法下的RF模型性能优于GS-ANN和GS-XGBoost,其中BO-RF的综合性能最优,其决定系数、平均绝对误差、平均绝对百分比误差以及均方根误差分别为0.614、7.723、14.4%、9.737,超参数优化耗时约为DE-RF的1/220。特征重要性分析表明,输入因子对奶牛呼吸频率的影响程度不同,ATHI是影响力最高的因子,相对重要性（relative importance,RI）为0.71,其次是时间区域（RI=0.09）和奶牛产奶量（RI=0.07）。研究为奶牛生产、健康评价及牛舍环境精准调控提供了有效方法和基础。