基于神经网络的发动机实时检测与故障诊断系统

提出了一种基于神经网络的发动机性能实时检测与故障诊断系统，其诊断的特点是利用各种传感器实时采集数据，结合人工神经网络，从不同的角度，不同层次进行诊断推理，并以神经网络来完成自学习功能，大大提高了诊断的效率，研究提出了实时诊断系统的各种抗干扰措施，通过实验验证，该系统具有较高的准确性，并且易于操作和使用。     

BP神经网络在焉耆盆地农田排水量

利用BP神经网络技术对焉耆盆地农田排水量进行预测。利用灰色关联度分析确定了排水量与各影响因素的关系，选取了对排水量影响最大的5个因素作为BP网络的输入，利用均匀设计方法，确定了最优的神经网络结构。估算结果表明利用BP神经网络可以准确的估算农田排水量，最大相对误差仅为-2.45％。     

神经网络在大型泵站故障诊断中的应用

1 前言 大型泵站机组的运行安全性具有重要的经济和社会意义。因此，对泵站系统运行状态监测及故障诊断，就显得非常迫切和重要。本文主要探讨了径向基函数网络在大型泵站故障诊断中的应用，通过建立各种数学模型及其各模型特点的分析，建立适合于泵站系统中的故障诊断的诊断决策模型。人工神经网络作为一种新近发展起来的新学科具有非常强的分类、学习、记忆、联想、计……     

基于机器学习的奶牛颈环ID自动定位与识别方法

[目的]奶牛个体信息的实时感知和行为分析是现代化奶牛精细养殖的必然要求,奶牛个体身份的有效识别是上述目标的前提和基础。基于奶牛生物特征(牛脸、体斑等)图像的无接触识别方法易受外界干扰、算法复杂度高,可识别的样本规模受到限制。因此,本文提出1种基于机器学习的奶牛颈环ID自动定位与识别方法。[方法]针对奶牛运动造成的颈环ID偏转问题,采用基于梯度方向直方图(HOG)特征的级联检测器结合多角度检测方法实现奶牛标牌的定位;对标牌图像进行图像增强和二值化分割等处理,得到单个字符图像;设计卷积神经网络的结构和参数,训练字符识别模型,从而完成标牌字符的识别。试验数据包括80头奶牛的1 414幅侧视图像,随机选取其中58头奶牛的图像作为训练集,其余22头奶牛的图像作为测试集。[结果]标牌定位的准确率为96.98%,召回率为80.23%,字符识别模型的准确率为93.35%,连续图像序列中奶牛个体的识别率为95.45%。[结论]识别模型对光线变化、污渍沾染、旋转角度等具有良好的鲁棒性,具有代替传统动物个体身份识别方法的潜力。     

基于高光谱和GA-BP神经网络模型的冬小麦叶绿素含量反演

叶绿素是绿色植被进行光合作用的主要色素,是影响作物产量的重要因素之一,也是评价作物健康状况的重要生化指标。快速、准确、无损地监测作物叶片叶绿素含量,是实现作物长势和健康程度精准监测的关键。为提高作物叶绿素含量反演的精度,以冬小麦试验小区为基础,测量关中地区冬小麦叶片反射率及其对应的叶绿素含量。运用分数阶微分法计算0～2阶步长为0.1的分数阶光谱,通过灰色关联分析法提取出与叶绿素含量关联度大的特征,作为模型的输入参数。最终提取出0.6阶751、760 nm, 0.7阶744、751 nm, 0.8阶738、747 nm, 0.9阶738、750 nm, 1.0阶731、750 nm共10个与叶绿素含量关联度高的波段作为模型的特征波段。为解决BP神经网络(back propagation network)收敛速度慢、易陷入局部极小值的问题,使用遗传算法(genetic algorithm, GA)优化BP神经网络的权值和阈值,利用优化后的模型进行叶绿素含量的预测。结果表明,运用遗传算法优化BP神经网络模型反演精度较高,r²为0.952,均方根误差(RMSE)为3.64...     

基于深度卷积神经网络的棉花叶片缺氮诊断

为研究深度学习算法在棉花叶片缺氮水平诊断上的适用性,以智能手机作为图像采集工具,利用图像处理和深度学习技术建立基于棉花叶片图像的缺氮水平分级模型,为智能化诊断棉花叶片缺氮水平的研究提供可行方案。本研究在阴天、晴天2种环境下获取了5种氮素水平的棉花叶片图像,在此基础上选取AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、ResNet-v2以及Inception-v3等卷积网络模型进行比较研究,并提出一种基于恒等映射和深度可分离卷积改进的ResNeXt模型来提升棉花叶片缺氮水平检测的效果。结果表明,与AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、Inception-v3、ResNet-v2等模型相比,本研究提出的Improved-ResNeXt模型在对棉花叶片图像的缺氮水平分级时取得了最佳效果,该模型的识别准确率、平均精确率、Kappa系数分别达到了97%、97%、0.96。使用本研究提出的Improved-ResNeXt模型可以有效地解决棉花叶片的缺氮水平诊断问题,且对阴天、晴天2种光照条件下的棉花叶片数据有良好...     

基于GF-2卫星数据的日光温室智能识别应用实践

针对辽宁省设施农业产业存在的日光温室数量和面积数据不精准问题,采用高分二号(GF-2)卫星数据,应用卷积神经网络方法进行温室识别应用研究。选取不同的尺寸标准将图像数据分割成碎片,分析截断率进而确定最优切片尺寸;将不同区域图像数据进行数据增强处理和颜色校准,降低图像数据和温室特征的复杂度;采用Segnet、Deeplab v3+、Unet 3个语义分割模型进行日光温室识别模型构建和模型融合研究,最后将识别后的切片数据应用闭操作完成识别结果的拼接,同时统计出温室的数量、面积、位置等信息。经初步分析模型识别效果较好,能够科学量化日光温室情况,从而为相关工作提供数据支撑。     

喷药机电气控制系统优化与分析

针对喷药机智能化和自动化程度不高、喷雾均匀性较差的问题,对喷药机结构进行了优化设计,并对电气控制系统进行了改进和分析。该喷药机的主要组成部分为驱动模块、药液管理模块、转向控制模块和电气控制模块。通过对喷药机的电气控制系统进行优化,包括采用混合投影方式确定目标位置及利用RBF神经网络方式对采集的目标点进行路径规划,提高了喷药机的智能化和自动化控制水平。为验证喷药机的性能,对其进行控制性能和喷雾均匀性试验,结果表明:喷药机控制性能良好,喷雾均匀性和喷雾效果均得到有效提高。     

基于人工神经网络的PV/T热电联供系统性能预测

为研究太阳能PV/T热电联供系统的性能和针对太阳能PV/T系统复杂的能量平衡方程,搭建了太阳能PV/T系统试验台,同时建立了基于改进灰狼优化的BP神经网络(back propagation neural network model based on improved grey wolf algorithm, IGWO-BP)预测模型,在晴朗天气下进行试验,并采用该模型对系统电功率以及蓄热水箱内水温进行预测。结果显示,晴朗日系统的电效率8.7%～12.2%、热效率51.7%;预测结果与BP神经网络预测模型、基于粒子群优化的BP神经网络(back propagation neural network based on particle swarm optimization, PSO-BP)预测模型和卷积神经网络（convolutional neural network, CNN）预测模型预测结果进行比较,结果显示IGWO-BP预测模型电效率预测模型的绝对百分比误差(mean absolute percentage error, MAPE)、决定系数(determination coefficient, R ² )、均方根误差(root mean square error, RMSE)、效率因子(efficient factor, EF)和Pearson相关系数(pearson related coefficient, r )分别为4.5E-05、0.99、0.24、0.99和1.00,在储热罐温度预测中,上述指标分别为8.90E-04、0.98、0.07、0.98、0.99,均优于其他预测模型,IGWO-BP神经网络预测模型具有更好的预测性能。研究结果可为太阳能PV/T热电联供系统性能预测与优化控制提供参考。     

基于神经网络PID的拖拉机空调温控系统优化设计

为了提高拖拉机空调温控系统的调节精度和效率,提升驾驶室内的环境舒适程度,将PID控制器引入到了拖拉机空调控制系统的设计上,采用温度误差反馈调节的方式,提高温控的精确性。在PID控制器的优化上采用了神经网络算法,通过神经网络训练和权值的修改,实现了PID控制器的3个参数的优化,进而提高了控制系统的效率和精度。为了验证神经网络算法对PID控制器的优化作用,以拖拉机的温控误差和调节时间为研究对象,对单独采用PID控制器和采用神经网络PID控制器时的控制结果进行了测试,结果表明:神经网络算法使PID控制器具有更快的响应速度和更高的控制精度。