智能仪表程序设计中自动标定与自动调零的实现

在单片机核心仪表的研究实践中,探索总结出的使仪表具务智能仪数据处理功能的程序设计经验及黑龙江省农机研制的粮食水分仪自动标定,自动调零功能的实现,给出了一个设计实例,其方法有一定普遍性。     

基于粒子群算法的圆柱度误差评定方法

根据最小区域条件,建立了圆柱度误差的数学模型以及优化目标函数和适应度函数,阐述了粒子群优化算法的原理和实现方法,然后根据粒子群算法优化求解。实例表明,该方法对于圆柱度误差评定等非线性优化问题能得到全局最优解,粒子群优化算法的计算精度与其他满足最小条件的计算方法相比略有提高,且参数设置少,计算速度快,可用于三坐标测量机等测量系统的圆柱度误差测量后的数据处理。     

基于EM算法的图像融合质量评价

为提出一种量化评价经图像融合所产生的结果图像的质量评价方法,采用一种混合瑞利(Rayleigh)概率密度函数(pdfs)对图像边缘强度直方图建模,混合模型中各项的参数和权重通过EM算法迭代估算得到。在建立的混合瑞利概率密度函数模型中,最小参数混合项对应图像的弱边缘,最大参数混合项对应图像的强边缘。因此,取最小参数项的标准方差作为噪声的标准方差估计,实现噪声盲估计;取最大参数项的标准方差作为图像模糊度的定量评价指标。通过估算混合瑞利pdfs模型中的参数变化可以评价图像质量。与其它图像质量评价方法相比,这种方法的最大优点是不需要知道图像构造等细节信息,不需要图像变换,只要有原始图像即可对其进行评价。而且对较小噪声也能较精确地估计。研究表明这个技术很强健,并对要评估的图像依赖很小。     

基于多方位视觉的果实形状特征的提取研究

针对传统瓜果分级中捕捉单幅果实图像来分析果实特征时信息较少的缺陷,提出了一种基于多方位视觉系统的果实形状特征提取算法。同步采集3个方向的果实图像信息,经OHTA空间上的图像分割和改进的BLOB算法去噪声等处理后,分别给出果实的多方位的图像特征信息。运用统计学原理,设计了线性分类器,对3个方向的图像特征信息进行了互补性融合,得出分级判别准则。利用开发的智能瓜果精选分级试验样机,验证了该算法的有效性, 试验结果证明识别成功率达到97％,达到了实用的要求。     

利用改进BP神经网络预测初产奶牛产奶量的方法

针对传统BP算法的缺陷,提出了一种采用L-M训练法的BP神经网络。在此基础上建立了基于改进BP神经网络非线性系统的奶牛305d产奶量预测模型,此模型可以提前215d预测初产奶牛305d产奶量,从而实现提早进行选择,加速奶牛育种工作进程。并通过具体的实验验证了改进BP神经网络预测模型的有效性。     

车用永磁式缓速器设计中漏磁影响因素分析

以优化设计和减少漏磁为目标,运用磁路分析法建立永磁式缓速器的漏磁场模型,得到设计参数的解析式。由于参数之间的复杂函数关系,采用区间数学算法来优化永磁式缓速器的设计参数,将影响漏磁系数的非线性方程组化简为线性方程组。选取满足设计要求的目标参数——转子鼓磁感应强度Bm、气隙磁感应强度Bg,ave、漏磁系数K的最佳取值区间。使用区间迭代法,求出自变量参数的取值区间和权数pi。运用Matlab语言编程直接搜索合理的设计参数,减少了计算量和循环次数。三维有限元漏磁分析和试验均证明了设计参数选取的合理性。结果表明：永磁体高度HPM、气隙ge对漏磁系数K影响较大;区间数学Tschernikow算法在永磁式缓速器设计中是有效的。     

基于遗传算法与粒子群算法的配电网无功优化

根据遗传算法(GA)收敛效果好和粒子群算法(PSO)收敛速度快的特点,将两者相结合对配电网无功优化模型进行求解。计算结果表明:该算法是收敛的、有效的。     

四川紫色土地区典型小流域分布式产汇流模型研究

针对日益加剧的四川紫色土地区水土流失情况,为定量分析紫色土地区小流域水土流失程度,选取四川省南部县鹤鸣观小流域为研究区,在蓄满产流模型的基础上,构建了适合紫色土地区小流域分布式产汇流模型。该模型以地块为计算单元,在每个地块上输入参数,然后依据流域产汇流机制计算每个地块的产汇流量,并用递归算法将计算结果推算到流域出口,得到流域径流总量。该模型能评价流域下垫面各因子空间分布不均匀性和人类活动的影响,模拟每个地块次降雨产汇流过程。在鹤鸣观小流域进行了模型的检验与应用,模拟过程与实测结果符合较好。该研究为四川紫色土地区水土保持治理提供了科学依据。     

应用LM算法的神经网络模型研究灌区退水问题

在一些引黄灌区中,灌溉引水的相当大部分要转化为退水回归黄河,灌区退水研究对这部分水量的重新利用有着重要的意义。该文采用相关分析的方法确定了灌区退水的主要影响因素,应用LM算法的神经网络模型对灌区退水的量化分析方法进行了探讨。实例研究表明,模型能够较准确的对灌区退水量进行模拟和预测,对灌区退水问题研究具有较好的应用价值。     

基于SVM算法的区域农田灌溉短期用水量预测方法

常规方法对区域农田灌溉短期用水量预测时易出现预测数据误差大,预测过程复杂等现象。设计基于SVM算法对区域农田灌溉短期用水量进行预测。以某沿黄区域位于全景属于黄河流域东南方向一区域农田为研究对象,首先基于SVM算法选择用水量特征,选取一对一的构造方法将农田灌溉短期用水量数据分为两个类别。通过SVM算法中支持向量机分类功能将农田灌溉短期用水量特征子集进行获取,并在此基础上可以根据特征子集通过预测模型进行用水量预测。由于用水量序列波动性较强,将GM(1,N)模型与机器学习算法LSSVR模型相结合来进行用水量预测,并确定模型评价指标。结果证明基于SVM算法的区域农田灌溉短期用水量预测方法误差在允许范围内且在农业中具有可使用性。