基于多信息融合的疫苗制备中鸡蛋胚体分拣系统

采用多信息融合方法研究疫苗制备中鸡蛋胚体状态的识别与分拣技术。在研究不同状态鸡蛋胚体图像特征、温度衰减和透光度变化情况的基础上,得出活胚图像中血管多、粗且呈放射状,弱胚图像中血管少、细且断裂,死胚图像内部均匀无血管,污染胚图像内部有明显黑块特征;鸡蛋胚体从37.8℃的孵化箱中取出置于25℃室温环境,活胚、弱胚、污染胚、死胚的温度衰减速度依次增大;活胚的透光度随孵化时间增加而逐渐降低,其他胚体透光度变化相对较小。将图像、温度、透光度信息特征融合,建立BP神经网络信息融合模型对鸡蛋胚体状态进行识别。最后,从37.8℃孵化箱中抽取80枚孵化6 d的鸡蛋胚体放置于室温10 min后,采集图像、温度和透光度信息,进行试验验证。结果表明多信息融合系统的识别准确率为96.25%,比单用图像、温度和透光度传感器进行识别的准确率分别提高了6.25%、13.75%和8.75%。     

农机总动力的预测及多种数学方法的应用比较

应用多种数学方法对青海省历年的农机总动力进行了预测，取得了良好的效果。通过对这些数学方法的应用比较。分析了其中每种方法的适用范围和优缺点。为相关管理部门进行正确的决策提供了依据，并为正确选用各种数学方法进行预测具有指导意义。     

基于遗忘因子和误差修正的水文实

在进行水文预报时，由于影响河道洪水的因素众多，常用的水文预报模型往往不符合实际水文系统的客观规律。对这类系统的参数辨识要求算法具有较强的实时跟踪能力，以适应模拟或预测洪水运动变化过程的要求。利用洪水预报误差信息，对BP网络洪水实时预报校正模型与方法进行了探讨，提出了两种实时预报方法。第一：运用最小二乘递推算法，引入时变遗忘因子实时跟踪模型中时变参数的变化，建立了神经网络在非线性系统中动态的系统输入、输出数据之间的映射关系。第二：利用BP网络模型对误差的可识别性，将模型对输出变量的预报误差再次作为输出变量，对网络可能预报的误差进行实时修正。计算实例表明：以上两种方法提高了神经网络在水文领域的预报精度，给BP神经网络的实时预报方法提供了新的途径。     

神经网络方法在车内噪声信号预测中的应用

针对以往车内噪声有源控制过程中存在的次级声源在初级声场采样传声器上的声反馈问题，提出了车内噪声信号识别和预测的神经网络方法。对被试面包车在稳态和非稳态两种工况下的试验研究表明，利用车身悬置点和发动机的振动信号，通过BP神经网络来识别和预测车内驾驶员耳旁噪声是可行的，可以解决次级声源在初级声场采样传声器上的声反馈问题。     

基于BP神经网络的润滑流量因子系数的预测

因现有润滑方程中的流量因子系数值有限，不能满足摩擦学研究的需要。本文利用BP神经网络，使用L—M规则，对润滑方程中流量因子系数进行了预测。训练时，以微凸体的纵横比v为输入样本,输出样本为压力流量因子的两个系数。结果表明：训练良好的BP网络输出数据与实测数据吻合较好，并具有收敛速度快等特点。     

华北型日光温室升温系统的节能设计专家系统

目前温室的采暖设计理论未考虑新节能技术和温室采用的智能控制系统对温度的影响，因而容易造成设备容量过大和燃料储备过多的现象。为此，使用基于神经网络和模型的模糊专家系统来设计适当的加温设备和经济的燃料储备，可以大量地节约温室运行成本。     

基于NNARMAX模型的地下水位预报研究

区域地下水系统是一个受多种因素影响的复杂的非线性动态系统 ,应用遗忘因子的递归最小二乘( RLS)算法进行训练 ,采用通过减少网络节点间的连接权值 ,进而裁减冗余节点来选择适宜的网络拓扑结构 ,建立了非线性自回归滑动平均神经网络 ( NNARMAX)模型 ,地下水位预报结果表明 :通过对网络结构的优化达到了自动确定非线性自回归模型阶数和影响因素的选择 ,能有效地表示区域地下水动态系统内部及其外部诸多影响因素间的不确定关系 ,是预测区域地下水动态变化较为有效的方法之一。     

排种器性能检测中种子位置智能检测方法

根据基于计算机视觉的排种器性能检测的特点，提出了基于神经网络的种子位置智能检测方法。采用两个光轴互相垂直的摄像机监测投种规律，并把以矩法求取的质心图像坐标作为输入节点，构造检测种子质心实际坐标的两个神经网络，并行处理左右两幅图像，从而快速求得种子位置。实践表明，此方法不仅能求出种子位置，而且可全面监测种子的运动情况。     

基于GS的降雨径流预报方法研究

为满足降雨径流预报的需要，研究了基于GIS的降雨径流预报方法。分析了水文过程的影响因素并阐述了数据信息的预处理方法；提出了基于遗传算法的神经网络模型，该模型提高了神经网络的训练精度和效率，将该模型应用在降雨径流预测中能有效提高预测水平；提出了结合地理信息系统流域降雨径流预报，通过GIS对降雨信息的处理，提高了降雨径流预报模型的输入数据的精度；通过实例分析，验证了该方法在降雨径流预报应用中的可靠性和高效性。     

基于迁移学习的无人机影像耕地信息提取方法

随着精准农业技术的发展,对农作物用地信息快速、准确提取的需求越来越高。同时,无人机技术以其方便、高效、具有低空云下飞行能力等优势被广泛应用于自然资源的调查中。但无人机影像普遍光谱信息较为匮乏,因此很难准确、快速地提取出耕地信息。基于此,提出了一种利用迁移学习机制的耕地提取方法(TLCLE)。首先,利用深度卷积神经网络(DCNN)剔除线状地物(道路、田埂等),然后,通过引入迁移学习机制将DCNN特征训练过程中得到的特征提取方法迁移到耕地提取中,最后,将所提方法与利用易康(e Cognition)软件进行耕地提取(ECLE)结果进行对比。研究结果表明:对于实验影像1、2,TLCLE方法耕地提取总体精度分别为91.9%、88.1%,ECLE方法总体精度分别为90.3%、88.3%,2种方法提取精度相当,在保证耕地地块完整、连续性上TLCLE方法优于ECLE方法。