温室智能测控系统模糊控制器设计

温室智能测控系统是一个大滞后,非线形,多输入输出变量的耦合系统,无法建立准确的数学模型,因此传统控制方法对它难以奏效,运用模糊控制策略建立数学模型特别适合于处理温室测控系统,且具有设计简单,鲁棒性强的优点,提高了温室的控制效果。     

模糊故障诊断在水电机组中的应用

根据水轮发电机组的振动特点，本文探讨了适合于水轮发电机组的振动故障诊断方法，提出了将模糊技术应用于水轮发电机组振动故障诊断的思想，简要阐述了模糊故障诊断的基本原理，列出了水轮发电机组的征兆集和故障集，并根据征兆集和故障集的相互关系，提出了相应的模糊关系矩阵。最后通过模糊关系矩阵的运算，确定水轮发电机组的故障模糊向量。并以实际机组的振动故障为实例，验证模糊故障诊断方法的可行性和优越性。     

水质模糊评价的探讨

首先建立了利用模糊数学对水环境评价的模型，并在模糊综合评价中就各污染因素对整个水环境污染的作用进行了定量分析，进一步客观的进行评价。在计算权重时充分考虑污染因子在数量和性质方面对权重的作用。在多污染因子影响的水环境评价中，通过对污染因子按其属性及其评价目标进行了集合，这样可更真实地反映各因子之间的关系以及对整个污染的作用。     

基于模糊理想点法的多区域多目标

水利工程项目建设次序对水资源方案实施的效果影响较大。因此研究中选用防洪、供水、农村水利水电发展、生态环境保护、工程投资作为水资源方案实施效果的评价目标。考虑到不同区域水利建设的重点不同，本文利用模糊决策分析理论确定出各评价目标在不同区域的权重，基于模糊理想点法建立评价模型，并以湖南省水利工程建设排序为实例进行分析，得出理想的工程排序结果。     

多目标系统模糊决策法在导流标准

施工导流工程是施工组织设计中关键环节，而施工导流标准的选择是施工导流工程的核心，选择合适的施工导流标准可使水电工程施工达到安全可靠和经济可行相统一的目的。利用多目标系统模糊决策法进行导流标准的比选，综合考虑工程的导流投资、经济损失、施工强度等决策指标，建立导流标准的多目标系统模糊决策模型，计算各指标的相对隶属度，根据隶属度最大为最优的原则，选择最优的导流标准方案。实例分析说明，导流标准的多目标系统模糊决策分析模型是可靠的、合适的。     

模糊综合评判水工建筑物对生态环境的影响

通过分析研究水工建筑物建后对生态环境影响的因素，建立层次构造模型，采用模糊综合评判方法对其进行评价。并以事例进行应用分析，剖析具体水工建筑物建后对生态环境的影响形式。     

野生马铃薯材料生长性状调查及抗旱性评价

为筛选用于育种亲本的优良材料,以引进的32份野生马铃薯材料为对象,调查其物候期、植株形态特征、块茎性状和产量,采用模糊隶属函数法和灰色关联法对叶绿素、产量、保水力、株高、CAT、POD、MDA和Pro等8个指标与抗旱的相关性,并对32份材料的耐旱性进行综合评价。结果表明,筛选出优异早熟材料LS 6-6和晚熟材料LS 24-6;与耐旱性高度相关的指标为产量,其次是叶绿素和保水力;高抗旱性材料为LS 40-7、LS 42-8和LS 64-4等3份。     

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。     

基于随机森林特征优选的雪茄烟叶晾制过程含水率预测

针对雪茄烟叶晾制过程含水率人工判断主观性强、准确度低等不足,以及对影响雪茄烟叶晾制过程含水率预测的重要表观特征尚不明确等问题,该研究基于图像特征提取以及机器学习技术实现雪茄烟叶晾制过程含水率的预测。试验以雪茄烟品种“云雪2号”为试验材料,获取晾制过程的烟叶图像的颜色、轮廓、纹理以及部位四类特征并筛选出雪茄烟叶含水率预测的优选图像特征子集。在此基础上,构建了随机森林（random forest, RF）、支持向量机（support vector regression, SVR）与反向传播神经网络（back propagation neural network, BPNN）模型,并利用遗传算法（genetic algorithm, GA）对各模型超参数进行优化,将原始图像特征集与优选图像特征集输入3个机器学习模型,构建出6种模型-特征组合方案,依据晾制时期对原始数据集进行划分,并对测试集进行预测。最终结果显示：GA-SVR模型+优选图像特征子集的组合方案在测试集上表现最优,其决定系数（coefficient of determination,r²）与均方误差（mean square error,MSE）分别为0.980和0.001,且运行时间最短（运行时长=0.128 s）。研究结果可为雪茄烟叶晾制过程智能化控制提供理论依据。