一种改进的双能量源电动汽车功率分配策略

以并联式双能量源(锂电池组&超级电容)纯电动汽车为研究对象,提出一种改进的功率分配策略。这种功率分配策略在模糊控制的基础上增加深度神经网络训练过程,以获得更精确的功率分配因子。通过整车模型构建、功率分配模型构建、功率分配策略制定、仿真验证结果分析后得出结论:与电量消耗功率分配策略相比,这种改进的功率分配策略能优化锂电池组和超级电容二者之间的功率分流,限制锂电池组充放电的峰值电流,延长复合储能系统的工作寿命,提升动力系统的工作效率。     

基于BP神经网络模型的桂西资源富集区土地生态安全评价

【目的】科学客观地进行土地生态安全评价,提出可行有效的土地生态系统优化对策,为桂西资源富集区土地生态安全的维护及未来发展提供参考。【方法】基于BP神经网络方法构建土地生态安全评价模型,通过分析影响土地生态系统的自然、经济、社会3个主导因素,建立桂西资源富集区土地生态安全评价指标系统,对2008—2017年桂西资源富集区土地生态安全程度进行评价。【结果】桂西资源富集区2008—2017年土地生态安全程度均属于一般安全状态,且由一般安全状态逐步接近较安全状态;其中百色市、河池市、崇左市分别在不同因素下的土地生态安全程度存在较大差异,且差异在逐年增大。【结论】为了避免桂西资源富集区土地生态安全系统存在发展失衡的倾向,建议桂西资源富集区政府优化营商环境,坚持"绿水青山就是金山银山";制定合理的耕地保护政策,缓解人地矛盾关系。     

基于灰色-BP神经网络模型的多情景交通用地需求预测——以长江中游城市群为例

为探索科学预测区域交通用地需求的合理途径,指导国土空间规划编制中交通用地规模的划定,拟通过灰色-BP神经网络模型识别主要社会经济影响因素,以长江中游城市群为例,在预测其远景交通用地需求规模的同时,基于城市群发展的阶段特征选取典型城市群样本设置3类情景,对不同情景下的交通用地需求分别进行预测。结果表明:1)城镇化水平、产业结构高度化程度和劳动力资源禀赋是当前影响长江中游城市群交通用地需求的主要社会经济因素。2)通过系统仿真试验对比不同方法的交通用地需求预测结果,可以发现基于灰色-BP神经网络模型的预测方法精度较高,误差较小,该预测方法对于区域交通用地规模的预测具有一定的适用性。预测得到的长江中游城市群2020和2030年交通用地需求分别为31.22万和49.07万hm2。3)不同情景下长江中游城市群交通用地需求预测结果存在明显差异,底线情景可作为划定交通用地规模的底限,一般情景可作为基准,极限情景可作为红线,长江中游城市群交通用地合理规模应以基准为参考,介于底线和红线之间。     

基于SegNet模型的高原鼠兔的图像分割

针对高原鼠兔图像目标尺寸小、背景复杂、特征不显著、基于活动轮廓的图像分割模型无法有效分割的问题,采用基于卷积神经网络的SegNet语义模型对高原鼠兔图像进行分割：首先将采集的高原鼠兔图像进行预处理,尺度归一化后制作成与Pascal VOC数据集格式一致的数据集;然后将数据集分为训练集与测试集,采用训练集对SegNet模型训练,测试集对模型进行分割测试。对高原鼠兔图像分割的试验结果表明：与基于活动轮廓的Chan_Vese模型相比,基于卷积神经网络的SegNet模型对高原鼠兔图像分割时的交并比、平均像素精度、Dice相似性指数和Jaccard指数分别提高了68.33%、9.35%、30.61%和47.98%,过分割率和欠分割率分别降低了87.20%、16.52%。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

基于WT-CNN-LSTM的溶解氧含量预测模型

溶解氧（Dissolved oxygen, DO）含量是影响水产养殖产量的重要因素之一,具有时序性、不稳定性和非线性等特点,且其影响因子过多、存在复杂的耦合关系,难以实现精准预测。针对传统长短时记忆神经网络（Long short term memory, LSTM）预测模型易引入冗余数据,且在训练过长序列时会出现梯度消失现象,从而不能捕捉因子间长期的依赖性问题,提出了基于小波变换（Wavelet transform, WT）、卷积神经网络（Convolutional neural network, CNN）和LSTM的溶解氧含量预测模型。首先,使用WT降低数据噪声;然后,使用CNN深度挖掘各变量之间的潜在关系;最后,利用LSTM的时序性预测2h后的水产养殖溶解氧含量。结果表明,本文提出的WT-CNN-LSTM模型预测效果良好,其平均绝对误差、均方根误差和决定系数分别为0.138、0.229和0.954,比传统LSTM模型分别优化了28.87%、21.03%和4.61%。     

基于部首嵌入和注意力机制的病虫害命名实体识别

为了解决农业病虫害命名实体识别过程中存在的内在语义信息缺失、局部上下文特征易被忽略和捕获长距离依赖能力不足等问题,以农业病虫害文本为研究对象,提出一种基于部首嵌入和注意力机制的农业病虫害命名实体识别模型(Chinese agricultural diseases and pests named entity recognition with joint radical embedding and self attention, RS-ADP)。首先,该模型将部首嵌入集成到字符嵌入中作为输入,用以丰富语义信息。其中,针对部首嵌入设计了3种特征提取策略,即卷积神经网络(Convolutional neural network, CNN)、双向长短时记忆网络(Bidirectional long short term memory network, BiLSTM) 和CNN-BiLSTM;其次,采用多层不同窗口尺寸的CNNs层提取不同尺度的局部上下文信息;然后,在BiLSTM提取全局序列特征的基础上,采用自注意力机制进一步增强模型提取更长距离依赖的能力;最后,采用条件随机场(Conditional random field, CRF)联合识别实体边界和划分实体类别。在包含11个类别和24715条标注样本的农业病虫害自制语料上进行了实验。结果表明,本文模型RS-ADP在该数据集上精确率、召回率和F1值分别为94.16%、94.47%和94.32%;在具体实体类别上,RS-ADP在作物、病害、虫害等易识别实体上F1值高达95.81%、97.76%和97.23%。同时,RS-ADP在草害、病原等难以识别实体上F1值仍保持86%以上。实验结果表明,本文所提模型能够有效识别农业病虫害命名实体,其识别精度优于其他模型,且具有一定的泛化性。     

基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法

针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题,提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法（Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism,MSFF-AM-CNNs）。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module,MSFF Module）;其次在DenseNet基础上,结合浅层网络主要提取纹理、细节特征,深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法,通过不同形式引入注意力机制及多尺度特征融合结构,使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能;同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明,MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升,其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点,召回率分别提高了6.31和5.00个百分点,F1得分分别提高了7.25和5.55个百分点,平均识别准确率可达95.92%,具有较高的识别准确率及广泛的适用性,能够满足番茄叶片缺素图像的高精度分类需求,可为植物叶片缺素识别提供参考。     

基于轻量级神经网络MobileNetV3-Small的鲈鱼摄食状态分类

在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络MobileNetV3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80～110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18, ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582 M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN（K-Nearest Neighbors）、SVM（Support Vector Machine）、GBDT（Gradient Boosting Decision Tree）和Stacking相比,MobileNetV3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,MobileNetV3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测,该研究采用对称极坐标法（Symmetrized Dot Pattern,SDP）将苹果声振信号变换为雪花图,然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息,将其输入到支持向量机（Support Vector Machine,SVM）分类器,对霉心程度≤7%的苹果进行检测。研究结果表明,当时间间隔系数为25和角度放大因子为50°时,健康果与早期霉心果声振信号的SDP图形状特征差异最大,在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型,在各类SVM模型中,ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率,经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%,平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%,82.54%和82.68%,该模型不仅对多数类的健康果保持较高分类准确率,而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。