基于边际谱和神经网络的柴油机故障诊断

柴油机缸盖振动信号中包含着丰富的柴油机工作状态信息,利用缸盖振动信号诊断柴油机工作状态是一种有效方法.针对缸盖振动信号的特点,提出用经验模式分解方法对获取的缸盖振动信号进行分解,选取前3阶模式分量的边际谱、重心频率、重心幅值、偏度以及峭度等构成柴油机工作状态特征向量,基于BP网络对柴油机故障进行分类诊断.经对实测柴油机故障进行诊断表明,正确率达到85％以上,验证了诊断方法的可行性.     

基于灰色理论及BP神经网络的尿素水解预测模型研究

研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。     

基于改进级联神经网络的大豆叶部病害诊断模型

针对大豆叶部病害性状特征与病种之间的模糊性和不确定性,将数字图像处理技术与神经网络智能推理技术相结合,充分挖掘大豆受病害胁迫后表现性状与病种之间的潜在规律,提出了基于改进级联神经网络的大豆病害诊断模型。首先利用自制载物模板无损采集大田大豆叶部病害数字图像,计算病斑区域的形状特征、颜色特征及纹理特征14维度特征参数;为突显各方面特征对于不同病害种类决定作用的差异性,构建各子神经网络并联的第1级网络,第2级网络的输入为第1级网络的输出,利用多维特征各自优势来自动取得病种模式推理规则,建立了用于大豆叶部病害自动诊断的两级级联神经网络模型,仿真实验准确率为97.67%;同时应用量子遗传计算优化级联神经网络参数,平均迭代次数为743,平均网络误差为0.000 995 445,提高了学习效率,实现了大豆叶部病害的高效自动诊断和精确测报,为大田农作物全面系统地开展作物病害监测、智能施药及自动防治提供了理论依据。     

人工神经网络在土壤含盐量预测中的应用

土壤含盐量的预测对合理配置水资源.防治土壤次生盐碱化等具有重要的指导意叉.在阐述BP人工神经网络原理的基础上,针对影响土壤含盐量的主要因素,建立了多因子土壤含盐量的3层BP网络模型,以土壤含水率、地下水矿化度、地下水pH值、地下水埋深、相对湿度、降雨量、蒸发量作为模型输入参数,土壤含盐量作为模型输出,对土壤含盐量进行了预测.结果表明,BP神经网络模型预测土壤含盐量的最大误差为8.78%,平均误差为5.99%,模型具有较高的预测精度.     

基于Hopfeild神经网络的油菜籽脱皮冷榨压榨系数识别

在油菜籽脱皮侧限排油一维冷榨试验基础上，采用半固态饱和物料和滤饼物料物理模型分别建立两个理论压榨比模型，运用Hopfeild神经网络方法识别压榨系数。识别结果表明：脱皮油菜籽在压力低于10 MPa段为半固态状饱和物理模型，在压力高于20 MPa段则为滤饼状物理模型，对整个压榨过程，采用分段计算物理模型可有效提高整体压榨模型精度。脱皮冷榨的压榨系数远小于未脱皮冷榨的压榨系数。     

硅灰石纤维填充超高分子量聚乙烯基复合材料干滑动摩擦磨损的BP神经网络分析

超高分子量聚乙烯及其复合材料由于其优良的自润滑和防黏性能可用于农业工程装备中的滑动接触部件和触土部件。基于人工神经网络在复杂系统建模问题上的优越性,考察了几种因素对硅灰石纤维增强复合材料的摩擦和磨损性能影响的模型。考虑到输入、输出数据个数,调试设计了一个3×10×2的BP神经网络,其输入层由3个神经元构成,分别为硅灰石纤维的处理方法、硅灰石纤维的加入量和试验过程中的法向载荷。隐含层有10个神经元。输出层2个神经元分别为材料的摩擦系数和磨损量。基于上述BP神经网络对硅灰石纤维增强超高分子量聚乙烯基复合材料的干滑动摩擦磨损性能进行了模拟和预测。对神经网络的训练和检验表明该BP神经网络能够较好地预测影响因素对复合材料的干滑动摩擦和磨损的作用,大部分数据的预测值与试验值的误差在10%以内,其仿真精度能够满足实际的摩擦磨损预测要求。     

基于多层感知器神经网络对遥感融合图像和TM影像进行土地覆盖分类的研究

８０年代以来，人工神经元网络（ＡＮＮ）技术的应用不断向广度和深度发展．用不同空间分辨率的ＴＭ和ＩＲＳ遥感图像进行融合，综合了不同传感器数据所提供的信息，增强了图像的清晰度，改善了解译效果。用多层感知器神经网络对遥感融合图像进行分类，分类精度达９５％，比用多层感知器神经网络对ＴＭ图像进行分类（分类精度达７３％）效果要好．     

谷物干燥控制的研究与探索

本文通过对谷物干燥过程所涉及的控制策略进行全面分析和总结，针对现存问题。提出了模糊控制、神经网络和遗传算法综合应用于谷物干燥过程控制的发展前景。     

基于SSA-LSTM的玉米土壤含氧量预测模型

土壤含氧量（Soil oxygen content,SOC）是影响作物生长的重要土壤环境因素之一,具有时序性、不稳定性和非线性等特点,精确预测土壤环境中含氧量的变化趋势,有助于制定更加合理的土壤通气增氧方案。本研究提出基于麻雀搜索算法（Sparrow search algorithm,SSA）和长短时记忆（Long and short-term memory,LSTM）神经网络预测模型,利用国家土壤质量湛江观测实验站记录玉米种植期间的气象环境和土壤环境数据,基于SSA-LSTM模型对SOC变化进行预测及相关性分析,并与传统的BP预测模型、LSTM预测模型、GA-LSTM预测模型及PSO-LSTM预测模型进行对比。试验结果表明,SOC与降雨量、土壤含水率、土壤温度、土壤充气孔隙度相关性极显著,相关系数高于0.8,与大气温度和风速相关性显著,与大气湿度和土壤呼吸速率相关性较弱。SSA-LSTM模型预测精度明显高于其他4组对照预测模型,R2达到0.95979,RMSE仅为0.4917%,MAPE为3.7331%,MAE为 0.3620%,预测值与试验值之间的拟合程度高。本研究可为土壤含氧量变化的精准预测及土壤通气增氧技术的应用推广提供理论支撑与科学依据。     

基于改进SqueezeNet模型的多品种茶树叶片分类方法

为实现茶树叶片种类的准确、无损、快速分类,以复杂背景下6个品种的茶树叶片图像作为研究对象,通过卷积神经网络实现茶树叶片品种分类。选择经典轻量级卷积神经网络SqueezeNet,通过在Fire模块中增加批归一化处理,实现网络参数不显著增加的前提下大幅提升网络对多品种茶树叶片分类的准确率;通过将Fire模块中的3×3标准卷积核替换为深度可分离卷积,进一步缩小网络模型,降低网络对硬件资源的要求;通过在每个Fire模块中引入注意力机制,增强网络对重要特征信息的提取能力,提升模型分类性能。试验结果表明,原始SqueezeNet模型对多品种茶树叶片分类准确率为82.8%,增加批归一化处理后模型在测试集的准确率达到86.0%,参数量只有7.31×10⁵,相对于改进前参数量仅增加0.8%,运算量与改进前基本相同;将Fire模块中的3×3标准卷积核替换成深度可分离卷积后的模型在测试集的准确率为86.8%,准确率提高0.8个百分点,参数量下降至2.46×10⁵,模型参数量减小66.3%,运算量下降60.4%;引入注意力机制后的模型测试集分类准确率达到90.5%,...