基于VGGNet网络的雾霾无人车防碰撞研究

针对雾霾天气下无人车行驶容易出现视野受限，导致防碰撞能力下降的问题，提出了一种基于VGGNet网络的深度卷积神经网络模型，通过反向传播算法不断调整模型的权重和偏置，对收集雾霾天气下的图像和相关数据进行处理，实现模型的训练和优化。实验结果表明，所提出的方法可以有效地提高无人车在雾霾天气下的防碰撞能力，达到了良好的效果。研究结果可以为无人车行业在特殊气候条件下的防碰撞提供了一种新思路和实现方法，具有一定的参考价值和应用前景。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

基于PCA-Attention-LSTM网络的土壤氮含量监测

土壤作为农作物生长的主要营养来源,氮是植物生长的重要元素,有效评价土壤氮素含量可以促进配方施肥的发展。提出主成分分析、注意力机制和长短时记忆神经网络相结合的模型(PCA-Attention-LSTM)来监测土壤的氮素含量。采用PCA(主成分分析)对数据进行处理,提取影响土壤氮含量的关键影响因子,降低模型向量输入的维数,利用注意机制突出预测中的关键输入特征。在Keras深度学习框架的基础上搭建PCA-Attention-LSTM的网络模型,实现对未来2 h土壤氮含量的精监测。最后,以黑龙江省依安甜菜养植基地的数据对土壤氮含量进行训练和验证。结果表明,与RNN等其它网络模型相比,该模型的效果更好,基于PCA-Attenlion-LSTM网络模型的平均绝对误差,均方根误差和平均绝对百分误差分别为0.119、0.020、0.156。该模型预测精度高,泛化能力强,可以应用于土壤氮含量的监测。     

河北省食用菌产量预测分析——基于灰色GM(1,1)模型

随着人们消费观念和膳食结构的改变,食用菌需要量大大增加,未来食用菌产量走向关乎着企业的资金投入以及政府政策制定。以河北省食用菌产量为预测研究数据,设计了灰色GM(1,1)模型,对模型预测精度进行残差、后残差检验,借助matlab平台验证模型具有较高的预测精度。运算结果表明,设计的模型精度能控制在2.82%以内,并且具有收敛速度快的特点,具有较高精度,运用此方法对未来5年河北省食用菌产量进行预测,通过分析预测结果,给出了确保河北省食用菌产量稳固增长、产业稳定发展的对策建议。     

体外产气法评价全株藜麦与全株玉米混合青贮饲料饲用价值

为提高全株藜麦的饲料化利用率，寻找其与全株玉米的最佳青贮比，试验共设全株藜麦与全株玉米比为100：0，90：10，80：20等11个组合进行青贮发酵，发酵60 d后测定各组青贮料的体外产气发酵指标，使用灰色关联度分析筛选出最佳青贮比例。结果表明，体外发酵至36 h时，各处理组GP趋于稳定，体外发酵减弱接近停止；全株藜麦与全株玉米比例为90：10时，该青贮饲料组合的粗蛋白（CP）和粗脂肪（EE）含量显著高于其他各组（P<0.05），乙酸（AA）、总挥发性脂肪酸（TVFA）含量以及氨态氮（NH₃-N）浓度显著高于其他各处理（P<0.05）。分析表明，全株藜麦与全株玉米比例为90：10时，混合青贮饲料的营养品质和产气发酵特性综合表现最好，可作为优质混合青贮饲料在家畜养殖中推广使用。     

基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

模糊概率及灰色关联分析法在花椰菜杂交组合评价中的应用

以目前我省花椰菜主栽品种荷兰 83作对照 ,应用模糊概率及灰色关联分析法综合评价了自育的 17个花椰菜杂交组合。结果表明 ,仅有 D4 、D6 、D1 2 、D1 1 、D9、D86个组合的模糊概率较对照的增加值在 2 0 %以上 ,分别为 79.79%、6 5 .5 3%、5 2 .4 8%、37.6 6 %、2 7.6 4 %、2 4 .19% ,可以拟定为中选组合。     

人工神经网络在电力系统短期负荷预测中的应用

根据电力系统短期负荷变化的特性，提出BP模型在实际负荷预测应用中的方法和步骤．对BP网络结构、样本空间、收敛性等作了有针对性的研究．结果表明：多层神经网络应用于电力系统短期负荷预测是可行和有效的．其预报结果比传统的负荷预测方法更准确、经济、效果更好．     

运用模糊数学和灰色系统理论分析评价夏播花生区试品种

运用模糊数学和灰色系统理论，对2007年河南省夏播花生区试品种进行了多因素综合评价和分析，结果表明：周花4号评价指标是0．7089，综合表现最优；其次是W9847—1—3—4—1，其综合评价指标是0．6352；豫花6号评价指标是0．3630，综合表现最差。此结果与试验地实际表现基本相一致。