基于注意力机制的时空卷积数控机床热误差模型研究

为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism, AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。     

家禽诊疗文本多实体关系联合抽取模型研究

针对传统实体关系抽取方法中主体特征与句向量难以有效融合、现有BIO标注策略难以有效处理重叠关系的问题,提出一种基于BERT和双重指针标注的家禽疾病诊疗文本实体关系联合抽取模型(Joint extraction of entity relationship of poultry disease diagnosis and treatment text,JEER_PD)。JEER_PD使用双重指针标注(Dual-pointer labeling, DPL)策略,建立头、尾2个指针标注器,一次性标注出所有实体的开始和结束位置;引入CLN(Conditional layer normalization)网络层,强化主体抽取任务与客体关系联合抽取任务之间的联系;利用概率平衡策略PBS对抗正负类标签类别失衡,以加速模型收敛。实验表明,JEER_PD准确率、召回率和F1分别为97.69%、97.59%和97.64%,3项指标较现有方法均有显著提升,说明JEER_PD能够快速、准确地抽取家禽疾病诊疗复杂知识文本中的实体关系三元组。     

一种履带拖拉机自动导航转向控制方法

针对由于转向机制不同导致的自动导航系统无法在轮式与履带式拖拉机上通用的问题,提出了一种基于履带转速与虚拟驱动速度和虚拟转向角转换模型的控制方法。通过对轮式车辆中性转向二轮模型和履带车辆转向模型的分析,推导出履带车辆两侧履带卷绕速度与虚拟转向角和虚拟驱动速度的表达式,为自动导航驾驶系统构建完整的反馈控制。进行实车转向试验,采集数据,对提出的转换模型进行验证。结果显示,该转换模型下理论值与实际参考值具有很好的对应关系,该转向控制方法可行。      

生菜叶片镉含量高光谱预测模型

为了实现无损检测生菜叶片中重金属镉的含量,以高光谱技术为研究手段,研究一种基于高光谱技术的精确、快速和有效检测生菜中重金属镉含量的方法。首先,使用高光谱图像采集系统获取生菜高光谱图像,并提取光谱数据,对提取出的光谱数据采用连续投影算法（SPA）和基于权重回归系数的特征选择算法进行特征提取,建立预测生菜叶片中镉含量的最小二乘支持向量回归（LSSVR）模型。结果表明:SPA-LSSVR模型性能最佳,其中预测集决定系数为0.927 3,均方根误差为0.093 mg/kg。因此,利用高光谱技术结合SPA-LSSVR模型对生菜叶片中重金属镉含量进行预测是可行的,可为实际应用提供技术支持和参考。      

基于支持向量机的土壤主要盐分离子高光谱反演模型

快速、无损、定量地获取土壤盐分离子组成及含量是盐渍化土壤治理、改良和利用的重要依据。以新疆盐渍化土壤为研究对象,应用高光谱分析技术获取不同区域土壤盐分离子的特征光谱,在对光谱数据去噪、数据变换基础上分析了鲜样(T1)、风干(T2)和干燥(T3)3类土壤,过2、1、0.15 mm筛处理对离子含量光谱拟合模型精度的影响,建立了基于支持向量机的土壤主要盐分离子光谱反演模型,并对模型的精度和普适性进行了检验。结果表明:土壤原始特征光谱与盐分离子含量均不存在显著相关性,最大相关系数为Na+的0.41;通过光谱数据变换能够明显增强特征波段与离子含量的相关性,K+、Na+、Mg2+、Ca2+、SO_4~(2-)、Cl-和HCO-3的最优变换形式分别为(lgR)'、(lgR)'、R'、(lgR)'、CR、R'和CR,T1处理构建的拟合模型均不能很好地反演离子含量,T3处理的模型估测精度优于T2,土壤粒径越细对土壤离子含量的光谱反演效果越好。分析各处理模型的决定系数和标准误差表明,经T3处理、过0.15 mm筛所构建的离子拟合模型预测精度最高,其中K~+、Na~+、Ca2+和SO_4~(2-)的RPD分别为2.153、2.674 5、2.051和2.786 4,以未参与建模和检验的石河子垦区土样对4种离子模型的普适性检验,其R2分别为0.621 4、0.689 7、0.614 4和0.650 7,说明构建的模型适于估算该区域土壤K+、Na+、Ca2+和SO_4~(2-)的含量。     

基于全子集-分位数回归的土壤含盐量反演研究

为提高植被覆盖条件下卫星遥感对土壤含盐量的估测精度,以河套灌区解放闸灌域为研究区,以高分一号卫星影像为数据源,同步采集不同深度土壤含盐量,通过全子集筛选法(Best subset selection)分析不同波段和光谱指数对于不同深度土壤含盐量的敏感性,并采用人工神经网络(Artificial neural network,ANN)、支持向量机(Support vector machine,SVM)和分位数回归(Quantile regression,QR) 3种方法,构建全子集筛选前后0～20 cm、20～40 cm、0～40 cm、40～60 cm、0～60 cm等不同深度下的土壤含盐量反演模型。结果表明,B4、BI、SI1、SI3是0～20 cm、0～40 cm处土壤含盐量的敏感变量组合,B4、BI、NDVI为20～40 cm、40～60 cm、0～60 cm处土壤含盐量的敏感变量组合;在各深度下,分位数回归模型的精度最高,模型的决定系数R2c1、R2v1均在0. 4以上,均方根误差RMSEc1、RMSEv1均小于0. 4%,SVM次之,ANN最差;在20～40 cm深度下QR反演模型效果优于其他深度,为本文土壤含盐量估算的最优模型,其建模和验证的决定系数R2c1、R2v1分别为0. 611和0. 671,建模和验证均方根误差RMSEc1、RMSEv1分别为0. 177%和0. 160%。本研究可为卫星遥感大范围监测植被覆盖条件下土壤盐渍化程度提供参考。     

格点天气预报数据与机理模型耦合的冬小麦干旱预警方法

为了开展大范围的冬小麦干旱预警,以中国北方冬小麦区为实例,构建了土壤水分动态预报模型,结合未来10 d高精度天气要素预报、土壤自动水分观测和冬小麦发育期观测数据,建立了北方冬小麦区干旱预警系统。利用该系统对2018年4—5月进行逐日的冬小麦干旱预警,对干旱预警产品的分析表明:系统对未来10 d土壤相对湿度预报的决定系数在0. 63～0. 91之间,均方根误差在5. 6%～18. 2%之间,预报时效越近,准确率越高。从不同的干旱等级预测准确率看,对于干旱等级较高的重旱和特旱预报准确率较高,轻旱和中旱的预报准确率略低。该系统基本满足冬小麦干旱预警需求,对国家级农业气象部门大范围农业干旱监测和预警业务是有益的补充。     

基于MCR-ANN-CA模型的包头市生态用地演变模拟

以内蒙古自治区包头市为研究区,耦合最小累积阻力(MCR)模型、人工神经网络(ANN)和元胞自动机(CA)构建MCR-ANN-CA模型。利用MCR模型量化包头市各用地类型演变为生态用地时的阻力,构建CA适宜性规则;利用ANN模型提取CA邻域转换规则,基于包头市2006、2011年土地利用数据及归一化植被指数(NDVI)、高程、坡度、水体距离、人口密度多项数据,对2016年生态用地演变情景进行模拟,以2016年实际生态用地分布为参照,将该模型模拟结果与CA-Markov模型的模拟结果进行对比(以2016年实际景观分布为参照),结果显示,两种模型模拟结果的卡帕一致性指数(Kappa index of agreement,KIA)分别为0. 89和0. 87,相对误差分别为3. 10%和5. 31%,MCR-ANN-CA模型显示了较高的模拟精度。     

基于圆柱面模型的仿形喷雾植物冠层密度超声量化测试

基于低成本超声波传感器搭建了一套植物冠层超声回波信号检测系统,建立了基于圆柱面叶片分布模型的量化测试台。在正交中心复合设计试验基础上,建立了超声回波信号均值与冠层密度、探测距离的定量关系,即植物冠层密度量化模型。对已建立的植物冠层密度量化模型进行方差分析,结果表明,植物冠层密度量化模型具有显著性,且失拟性不显著。植物冠层密度量化模型决定系数R2和预测模型决定系数R2分别为0. 988 5和0. 911 4,表明试验值和预测值具有良好的一致性。为了验证已建立的植物冠层量化模型的可靠性,于室内测试台进行了4种植物在3种不同测试距离下的冠层密度验证测试,试验结果表明,实测值与模型测量值的相对误差最小为1. 230%,最大为13. 650%,平均相对误差为6. 120%,植物冠层密度量化模型对室内测试台的冠层密度测量有较好适用性。室外选择3棵不同的桂树,每棵树选择9个测试点进行验证测试,试验结果表明,实测密度与模型测量密度的最小相对误差为3. 959%,最大相对误差为20. 600%; 3棵桂树的实测密度与模型测量密度的平均相对误差分别为11. 244%、12. 246%和9. 628%,植物冠层密度量化模型对户外桂树密度测量有较好的适用性。     

基于小波变换和BP神经网络的水稻冠层重金属含量反演

自然农田生态系统中,农作物的各种生化参数受重金属污染胁迫后虽表现异常,但其特征往往极为微弱,极不稳定。利用处理非稳定信号方法中常用的信号处理方法——小波分析法(Db-5),对水稻的光谱反射率数据进行处理,有效提取光谱信号中受重金属污染胁迫而潜藏的一些"突变"弱信息。利用Db-5小波基进行小波变换,从中选取具有异常光谱特征的奇异点,利用奇异点对应波段(716、745、766 nm)的光谱反射率构建反向传播(BP)神经网络模型,对水稻冠层4种重金属含量进行反演。将利用模型得到的预测值与实测值进行相关性分析,结果表明,基于BP神经网络的水稻冠层重金属含量反演模型对于实验区镉、铅、汞、砷4种重金属胁迫,具有良好的反演效果。