停泵水锤的简易算法

针对目前国内外使用广泛的各种水锤简易算法，进行归纳比较和对照，并结合工程实例，采用多种算法分析；最后对各种算法的优缺点和适用条件进行了比较，以便得出有效的计算方案。     

基于蒙特卡洛方法的采摘机械手工作空间分析

机械手的工作空间是一个重要的运动学指标.利用基于随机抽样的蒙特卡洛方法,对4自由度采摘机械手的工作空间进行了分析.根据分析过程编制算法程序,借助计算机图形显示功能,得到机械手工作空间仿真图形和主剖视图.结果显示,该机械手的工作空间紧凑,没有空腔和空洞,取得了较好的效果.     

改进粒子群优化（MPSO）算法在动

基于在水资源不充足的情况下，对都江堰灌区六大渠干水资源的合理分配，使农业效益达到最大。首先建立灌区优化配水模型，并将粒子群优化算法（PSO）及其改进的算法应用于该模型。分别对标准PSO、两种改进PSO（MPSO）算法与遗传算法进行仿真对比，结果显示采用PSO算法及其MPSO在农业经济效益上可获得更好的寻优效果，提高了水资源的利用率。     

带优先加工约束2×n型异序排序的简便解法

为解决异序排序问题,提出了新的表上作业法。该方法不仅可以解决2×n型异序排序问题,还可以有效地解决带优先加工约束2×n型异序排序问题。该方法简便易行,便于掌握,可获得比较满意的近似最优加工顺序。     

基于Floyd算法的景区游历路线规划问题

借助Floyd算法,分析了旅游情境下单源多目的地的路线规划问题。结合最近邻思想设计遍历景点的最短路线规划算法,通过具体实例进行验证,提出了在简单因素下的多目标整体最优路线规划,为旅游最短路线的个性化定制提供了解决方案,同时也为单源多目的地多目标路线规划问题提供了一定思路。     

基于平衡策略的支持向量机在电力系统中期负荷预测的应用

针对电力负荷中期预测比较困难并且存在较大误差的问题,提出了基于径向基核函数与基于平衡策略的Sequential minimal optimization(SMO)改进算法相结合的负荷中期预测方法,结合EUNITE网络提供的实际数据,研究了日最大负荷的前后期关系、日最大负荷与节假日的关系和当日与对应星期数的相关性,建立了相应的电力负荷中期预测模型。并对预测结果进行了分析。算例表明,该算法具有运算速度快、精度较高的优点。     

基于改进YOLOv5的蝴蝶兰花朵识别与计数

为精确预测蝴蝶兰产量和对蝴蝶兰的生产进行科学管理,对大苗时期的蝴蝶兰植株花朵和花苞进行识别与检测,统计其花量。由于蝴蝶兰花苞目标体积较小,提出一种基于改进YOLOv5的蝴蝶兰花朵与花苞识别方法。首先,修改颈部网络的结构,在特征金字塔FPN(Feature Pyramid Network)和路径聚合网络PANet(Path Aggregation Network)中引入有利于小目标检测的160×160尺度特征层,以提升对小目标的检测效果;其次,使用K-means++聚类算法针对训练集生成更合适的先验框,并采用载入预训练权重和冻结主干网络的训练方式,以使模型更加容易学习,提高网络模型收敛速度和泛化能力;最后,在颈部网络加入轻量级注意力机制,加强对目标的关注,减少背景干扰,以提升模型的特征提取能力。试验结果显示,该算法对花苞的检测精确率达到89.54%,比改进前提升9.83%;对花苞和花朵的平均精确率达到91.81%,比改进前提升5.56%。该算法有优异的检测精度并有效提高对小目标的检测能力。     

基于物联网的远程温室视觉监控系统设计与实现

在当前智慧农业的大环境下,农作物生长过程的识别与监控问题一直是一项具有挑战性的任务,基于此提出一种基于物联网的远程温室视觉监控系统,系统通过LoRa无线通信技术监测温室内的温湿度、光照强度等环境参数,能够及时监测到农作物的生长状况,并实现自动通风、自动补光等功能。在PC端的Qt上位机实时监测温室内的环境信息并控制环境参数,通过OV9726摄像头对农作物进行监测,所获得的生长状态信息传输到S3C6410集中控制模块进行处理,结合克隆选择算法和朴素贝叶斯分类器对叶片进行识别处理。本系统采用LoRa模块进行自组网来实现环境监测,将Linux操作系统移植到集中控制模块,为视觉系统软硬件平台的搭建做准备工作,所使用的组合算法能够使得农作物叶片识别率达到95.3%,识别时间达到8.4 ms,对于叶片识别精度等方面有着明显的提升,经过实验充分验证本系统所使用的设备与算法的有效性。     

Deep neural network algorithm for estimating maize biomass based on simulated Sentinel 2A vegetation indices and leaf area index

Accurate estimation of biomass is necessary for evaluating crop growth and predicting crop yield.Biomass is also a key trait in increasing grain yield by crop breeding.The aims of this study were(i)to identify the best vegetation indices for estimating maize biomass,(ii)to investigate the relationship between biomass and leaf area index(LAI)at several growth stages,and(iii)to evaluate a biomass model using measured vegetation indices or simulated vegetation indices of Sentinel 2A and LAI using a deep neural network(DNN)algorithm.The results showed that biomass was associated with all vegetation indices.The three-band water index(TBWI)was the best vegetation index for estimating biomass and the corresponding R2,RMSE,and RRMSE were 0.76,2.84 t ha−1,and 38.22%respectively.LAI was highly correlated with biomass(R2=0.89,RMSE=2.27 t ha−1,and RRMSE=30.55%).Estimated biomass based on 15 hyperspectral vegetation indices was in a high agreement with measured biomass using the DNN algorithm(R2=0.83,RMSE=1.96 t ha−1,and RRMSE=26.43%).Biomass estimation accuracy was further increased when LAI was combined with the 15 vegetation indices(R2=0.91,RMSE=1.49 t ha−1,and RRMSE=20.05%).Relationships between the hyperspectral vegetation indices and biomass differed from relationships between simulated Sentinel 2A vegetation indices and biomass.Biomass estimation from the hyperspectral vegetation indices was more accurate than that from the simulated Sentinel 2A vegetation indices(R2=0.87,RMSE=1.84 t ha−1,and RRMSE=24.76%).The DNN algorithm was effective in improving the estimation accuracy of biomass.It provides a guideline for estimating biomass of maize using remote sensing technology and the DNN algorithm in this region.     

基于粒子群算法优化BP神经网络的土壤含水量短期预测模型

为提高土壤含水量预测精度,基于物联网监测数据,提出了粒子群算法(PSO)优化BP神经网络的土壤含水量预测方法。首先应用主成分分析法筛选出影响土壤含水量的关键影响因子,然后构建8-5-1的BP神经网络拓扑结构,应用粒子群算法优化BP神经网络的初始权值和阈值。结果表明:与传统BP神经网络相比,新模型优化了网络结构,避免了陷入局部最优解,具有良好的预测效果;模型的评价指标平均绝对误差、平均绝对百分误差、误差均方根分别为0.259 2、0.010 5和0.135 6,与单一BP神经网络相比,预测精度更高,可满足实际的土壤含水量预测的需要。