神经网络在大型泵站故障诊断中的应用

1 前言 大型泵站机组的运行安全性具有重要的经济和社会意义。因此，对泵站系统运行状态监测及故障诊断，就显得非常迫切和重要。本文主要探讨了径向基函数网络在大型泵站故障诊断中的应用，通过建立各种数学模型及其各模型特点的分析，建立适合于泵站系统中的故障诊断的诊断决策模型。人工神经网络作为一种新近发展起来的新学科具有非常强的分类、学习、记忆、联想、计……     

小水轮发电机晶闸管励磁故障分析

目前，小型水电站所使用的晶闸管励磁装置主要由4个部分组成：（1）主回路，包括交流供电（整流变压器）及晶闸管整流设备和过电压、过电流保护设备；（2）触发控制回路，包括三相脉冲触发设备和同步电源；（3）测量比较及电压整定设备；（4）无功调差设备。小型水电站励磁装置在运行和维护的过程中，经常碰到的故障主要有2类：由励磁元件、部件损坏引起的故障；晶闸管单相直通产生的故障。     

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。     

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。     

土壤的电特性及电场杀虫的研究

提出了一种新的物理研究土壤及杀灭地下害虫的方法-高压脉冲电场杀虫,避免了常规大面积毒土对环境的污染.同时,介绍了一种易于实现频率、占空比、电流、电压等参数可调的高压脉冲发生及处理实验装置.通过此高压装置对实验样品土壤和害虫在实验处理室放电,研究高压脉冲电在土壤中的传播特性,并确定在什么样的条件下,高压脉冲电场对土壤中的地下害虫杀伤效果最好,同时又避免对益虫和植物的损伤.     

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。     

基于机器学习的奶牛颈环ID自动定位与识别方法

[目的]奶牛个体信息的实时感知和行为分析是现代化奶牛精细养殖的必然要求,奶牛个体身份的有效识别是上述目标的前提和基础。基于奶牛生物特征(牛脸、体斑等)图像的无接触识别方法易受外界干扰、算法复杂度高,可识别的样本规模受到限制。因此,本文提出1种基于机器学习的奶牛颈环ID自动定位与识别方法。[方法]针对奶牛运动造成的颈环ID偏转问题,采用基于梯度方向直方图(HOG)特征的级联检测器结合多角度检测方法实现奶牛标牌的定位;对标牌图像进行图像增强和二值化分割等处理,得到单个字符图像;设计卷积神经网络的结构和参数,训练字符识别模型,从而完成标牌字符的识别。试验数据包括80头奶牛的1 414幅侧视图像,随机选取其中58头奶牛的图像作为训练集,其余22头奶牛的图像作为测试集。[结果]标牌定位的准确率为96.98%,召回率为80.23%,字符识别模型的准确率为93.35%,连续图像序列中奶牛个体的识别率为95.45%。[结论]识别模型对光线变化、污渍沾染、旋转角度等具有良好的鲁棒性,具有代替传统动物个体身份识别方法的潜力。     

基于高光谱和GA-BP神经网络模型的冬小麦叶绿素含量反演

叶绿素是绿色植被进行光合作用的主要色素,是影响作物产量的重要因素之一,也是评价作物健康状况的重要生化指标。快速、准确、无损地监测作物叶片叶绿素含量,是实现作物长势和健康程度精准监测的关键。为提高作物叶绿素含量反演的精度,以冬小麦试验小区为基础,测量关中地区冬小麦叶片反射率及其对应的叶绿素含量。运用分数阶微分法计算0～2阶步长为0.1的分数阶光谱,通过灰色关联分析法提取出与叶绿素含量关联度大的特征,作为模型的输入参数。最终提取出0.6阶751、760 nm, 0.7阶744、751 nm, 0.8阶738、747 nm, 0.9阶738、750 nm, 1.0阶731、750 nm共10个与叶绿素含量关联度高的波段作为模型的特征波段。为解决BP神经网络(back propagation network)收敛速度慢、易陷入局部极小值的问题,使用遗传算法(genetic algorithm, GA)优化BP神经网络的权值和阈值,利用优化后的模型进行叶绿素含量的预测。结果表明,运用遗传算法优化BP神经网络模型反演精度较高,r²为0.952,均方根误差(RMSE)为3.64...     

基于深度卷积神经网络的棉花叶片缺氮诊断

为研究深度学习算法在棉花叶片缺氮水平诊断上的适用性,以智能手机作为图像采集工具,利用图像处理和深度学习技术建立基于棉花叶片图像的缺氮水平分级模型,为智能化诊断棉花叶片缺氮水平的研究提供可行方案。本研究在阴天、晴天2种环境下获取了5种氮素水平的棉花叶片图像,在此基础上选取AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、ResNet-v2以及Inception-v3等卷积网络模型进行比较研究,并提出一种基于恒等映射和深度可分离卷积改进的ResNeXt模型来提升棉花叶片缺氮水平检测的效果。结果表明,与AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、Inception-v3、ResNet-v2等模型相比,本研究提出的Improved-ResNeXt模型在对棉花叶片图像的缺氮水平分级时取得了最佳效果,该模型的识别准确率、平均精确率、Kappa系数分别达到了97%、97%、0.96。使用本研究提出的Improved-ResNeXt模型可以有效地解决棉花叶片的缺氮水平诊断问题,且对阴天、晴天2种光照条件下的棉花叶片数据有良好...     

基于GF-2卫星数据的日光温室智能识别应用实践

针对辽宁省设施农业产业存在的日光温室数量和面积数据不精准问题,采用高分二号(GF-2)卫星数据,应用卷积神经网络方法进行温室识别应用研究。选取不同的尺寸标准将图像数据分割成碎片,分析截断率进而确定最优切片尺寸;将不同区域图像数据进行数据增强处理和颜色校准,降低图像数据和温室特征的复杂度;采用Segnet、Deeplab v3+、Unet 3个语义分割模型进行日光温室识别模型构建和模型融合研究,最后将识别后的切片数据应用闭操作完成识别结果的拼接,同时统计出温室的数量、面积、位置等信息。经初步分析模型识别效果较好,能够科学量化日光温室情况,从而为相关工作提供数据支撑。