基于BP神经网络的立式离心泵导叶与蜗壳优化设计

立式离心泵是大型灌溉和长距离调水工程的核心动力装备,单机配套功率能够达到40 MW级。为了降低立式离心泵的运行能耗,以效率指标为优化目标,基于BP(反向传播)神经网络模型与多岛遗传算法对其多个过流部件进行优化设计。考虑到各过流部件的匹配性,采用Plackett-Burman试验设计从导叶与蜗壳的10个设计参数中筛选出优化设计变量。运用最优拉丁超立方采样方法设计了106组方案,并搭建了立式离心泵自动数值模拟优化平台。基于BP神经网络模型构建了优化设计变量和优化目标之间的高精度非线性关系,最终通过多岛遗传算法得到导叶与蜗壳的最优参数组合。研究结果表明,运用SST k-ω湍流模型能够准确地预测立式离心泵的性能参数;BP神经网络是映射泵设计参数和性能参数间内在联系的有效方法;优化后模型设计工况下效率达到90.21%,较原始模型提高了3.61个百分点;优化后的导叶与蜗壳对立式离心泵设计工况和小流量工况下的性能影响更为显著;优化后导叶与其他过流部件匹配性提高,导叶与蜗壳内部流动特性得到明显改善。     

基于ResNet-CA的鱼群饱腹程度识别方法

投喂作为水产养殖过程中的一个关键环节,饵料的投喂量直接影响水产品的质量和养殖成本。然而,目前的投喂方法包括人工投喂和机器定时定量投喂,大多依靠人工经验,很难实现精准投喂。本文基于改进的ResNet34识别鱼群不同的饱腹程度。根据鱼群在不同饱腹阶段表现的摄食行为创建了含有5种不同饱腹程度的数据集,并采用数据增强操作对图像进行预处理。其次在原始模型ResNet34的基础上,本文提出使用坐标注意力机制,使模型在对图像进行特征提取的过程中能够做到专注于更大区域范围。并且使用深度可分离卷积的方式来代替传统卷积,减少模型参数量。为了评估改进的有效性,分析了改进后的模型在鱼群饱腹程度数据集上的性能,并将其与原模型ResNet34、AlexNet、VGG16、MobileNet-v2、GoogLeNet等经典卷积神经网络架构进行比较。综合实验结果表明,该模型相较于原模型参数量减少46.7%,准确率达到93.4%,相较于原模型提升3.4个百分点,同时改进后的模型在准确率、精确度、召回率等方面也都优于其他卷积神经网络。综上所述,本模型实现了性能与参数量之间的良好平衡,为后续模型在实际养殖环境中的部署并指导养殖户改善和制定投喂策略提供了可能。     

基于ICS优化RBF的水库水质三维预测方法

针对已有水质预测模型在数据降噪、网络参数初始值设置和优化、精度提高等方面能力的不足,构建了一种优化的水质三维预测模型。利用主成分分析算法筛选出水质关键参数,并基于自适应噪声的完全集合经验模态分解算法结合小波阈值模型对三维水质参数和气象数据降噪处理,使用3维卷积神经网络(Three-dimensional convolutional neural networks, 3-D CNN)提取出特征数据集,自编码器(Autoencoder, AE)获得径向基函数(Radial basis function, RBF)网络参数初始化值,改进布谷鸟搜索算法(Improved cuckoo search, ICS)优化更新网络中超参数动态初始化值。广东省湛江市徐闻县大水桥水库区域22个典型在线监测站点以及6个手持监测点的实测数据对比验证结果表明,浊度和藻密度分别与总氮含量强正相关,叶绿素含量与气温强正相关,所提出的水质预测模型在5个典型精准性评价指标方面优于已有文献方法。研究成果可为管理部门和研究者对水质监测提供参考。     

基于双分支卷积网络的玉米叶片叶绿素含量高光谱和多光谱协同反演

针对智慧农业中叶绿素的精准预测问题,本文提出了基于双分支网络的玉米叶片叶绿素含量高光谱与多光谱协同反演的方法。使用欠完备自编码器进行数据降维,捕捉数据中最为显著的特征,使降维后的数据可以代替原始数据进行训练,从而加快训练效率,使用双分支卷积网络将多光谱数据用于填充高光谱数据信息,充分利用高光谱数据的空间细节信息,再结合1DCNN建立玉米叶片叶绿素含量预测模型。结果表明,与传统降维算法相比较,欠完备自编码器处理后预测结果最佳,决定系数R2为0.988,均方根误差（RMSE）为0.273,表明使用欠完备自编码器进行降维可以有效提高数据反演精度;与单一的高光谱数据反演模型和多光谱数据反演模型相比,双分支卷积网络预测模型均取得较优的预测结果,R2在0.932以上,RMSE均在1.765以下,表明基于双分支卷积网络的高光谱与多光谱图像协同反演模型可以有效地利用数据的特征;对于其他数据结合本文提及的双分支卷积网络模型进行反演,其R2均在0.905以上,RMSE均在2.149以下,表明该预测模型具有一定的普适性。     

基于遥感多参数和IPSO-WNN的冬小麦单产估测

冬小麦是我国的主要粮食作物之一。为进一步准确地估测冬小麦产量,以陕西省关中平原为研究区域,选取冬小麦主要生育期与水分胁迫和光合作用等密切相关的条件植被温度指数（VTCI）、叶面积指数（LAI）和光合有效辐射吸收比率（FPAR）作为遥感特征参数,采用改进的粒子群算法优化小波神经网络（IPSO-WNN）以改善梯度下降方法易陷入局部最优的缺陷,并构建冬小麦产量估测模型。结果表明,IPSO-WNN模型的决定系数R2为0.66,平均绝对百分比误差（MAPE）为7.59%,相比于BPNN（R2=0.46,MAPE为11.80%）与WNN（R2=0.52,MAPE为9.80%）,IPSO-WNN能够进一步提高模型的精度、增强模型的鲁棒性。采用灵敏度分析的方法探究对冬小麦产量影响较大的输入参数,结果发现,抽穗-灌浆期的FPAR对冬小麦产量影响最大,其次拔节期的VTCI、抽穗-灌浆期和乳熟期的LAI以及返青期和拔节期的FPAR对冬小麦产量的影响较大。通过IPSO-WNN输出获取冬小麦综合监测指数I,构建I与统计单产之间的估产模型以估测关中平原冬小麦单产,结果显示,估测单产与统计单产之间的R2为0.63,均方根误差（RMSE）为505.50kg/hm2,相比于前人的研究较好地解决了估产模型存在的“低产高估”的问题,因此,本文基于IPSO-WNN构建的估产模型能够较准确地估测关中平原冬小麦产量。     

我国加入WTO后外文期刊资源建设的新思考

影印刊因我国加入W TO后履行对知识产权保护承诺而出现断档,原版刊又因价格昂贵使各馆望而生畏。如何克服经费困难,订购原版刊,并对其加大开发利用力度,作者对此提出了应取的对策。     

浅论高校图书馆期刊工作的现状及对策

分析了高校图书馆期刊工作的现状,并提出了网络环境下高校图书馆如何优化期刊工作的新举措。     

NAS、SAN的融合与数字图书馆

随着计算机技术的发展和广泛应用,数据量不断增加从而对网络存储提出了更高的要求,并由此诞生了许多新的网络存储技术,其中较为突出的是NAS和SAN,而NAS和SAN由于各自的优缺点及互补性出现了相互融合的趋势。NAS与SAN融合产生的巨大优势适应并推动了数字图书馆发展。     

Prediction of the changes on the CIELab values of fabric after chemical finishing using artificial neural network and linear regression models

Changes on the CIELab values of the dyed materials after the different chemical finishing treatments using artificial neural network (ANN) and linear regression (LR) models have been predicted. The whole structural properties of fabrics and some process data which were from fiber to the finishing parameters were accepted as inputs in these models. The networks having different structures were established, and it was also focus on the parameters which could affect the performance of the established networks. It was determined that we could successfully predict the color differences values occurring on the material after the finishing applications. In addition, we realized that some ANN parameters affected the prediction performance while establishing the models. After training ANN models, the prediction of the color difference values was also tried by linear regression models. Then, extra ANN models were established for all outputs using the parameters as inputs in the LR equations, and the prediction performances of both established models were compared. According to the results, the neural network model gives a more accurate prediction performance than the LR models.