多遥感光谱指标优选的大田冬小麦茎蘖数估测

为了快速、准确地估测大田冬小麦茎蘖数(stem&tiller number,STN),在江苏省盐城市大丰区、泰州泰兴市和宿迁市沭阳县布设冬小麦STN遥感估测试验,获取了冬小麦拔节期冠层红光波段反射率(red band reflectance,β_(red))、近红外波段反射率(near infrared band reflectance,β_(nir))、比值植被指数(ratio vegetation index,RVI)、归一化差值植被指数(normalized difference vegetation index,NDVI)、差值植被指数(differential vegetation index,DVI)、阴影植被指数(shadow vegetation index,SVI)和STN数据,通过分析多个遥感光谱指标(β_(red)、β_(nir)、RVI、NDVI、DVI、SVI)与STN之间的相关性,优选冬小麦STN的敏感光谱指标,再基于敏感光谱指标分别建立冬小麦STN的BP神经网络估测模型(STN BP估测模型)和多元线性回归估测模型(STN MLR估测模型),并对模型预测精度进行验证。结果表明,β_(red)、β_(nir)、RVI、NDVI、DVI和SVI与冬小麦STN之间均存在不同程度的相关性,其相关系数依次表现为β_(red)(0.337)<β_(nir)(0.375)<DVI(0.423)<RVI(0.446)<SVI(0.447)<NDVI(0.470),择优选择RVI、NDVI、DVI和SVI作为建立STN BP估测模型和STN MLR估测模型的输入变量。模型精度验证显示,STN BP估测模型的决定系数(coefficient of determination,R^(2))为0.758,均方根误差(root mean square error,RMSE)为2.169×10^(6)个·hm^(-2),平均相对误差(average relative error,ARE)为13.7%;STN MLR估测模型的R 2为0.599,RMSE为3.110×10^(6)个·hm^(-2),ARE为20.0%。STN BP估测模型的估测精度优于STN MLR估测模型,说明利用多遥感光谱敏感特征指标和BP神经网络建立的冬小麦STN BP估测模型能够有效满足大田冬小麦茎蘖数的估测要求。

基于非对称神经网络结构的电站锅炉智能燃烧控制模型

针对目前国内电站锅炉燃烧建模存在煤质与负荷波动频繁、测点精度有限、设备运行组合多变等产生的问题,提出了电站锅炉燃烧的非对称神经网络建模方法。将锅炉模型的输入按照实际物理规律的关联关系设计网络结构组合,去掉关联性较弱的联系,从而使模型天然体现一定的锅炉燃烧规律,实现了不同燃烧器出力分配下的单一网络建模,提高了学习训练效率,并大幅降低了模型所需样本数量。将经典对称神经网络模型和非对称神经网络模型进行对比训练,结果表明本文提出的非对称神经网络建模方法检验正确率高。将其应用于某超临界660 MW机组的燃烧优化控制,锅炉效率平均可提高0.25%。

基于BP神经网络的蒸煮卡伯值预测模型

卡伯值反映了纸浆的硬度,是稳定纸浆质量的关键。本文利用BP人工神经网络与工厂实际数据建立了一个简单的卡伯值BP神经网络模型。且介绍了以BP网络为基础的卡伯值预测模型在蒸煮终点预报系统中的应用。将该模型的仿真结果与LUO模型进行比较,可知利用BP人工神经网络进行纸浆卡伯值预测是可行的,且具有很大的理论意义和实用价值。

基于气温和DC-BP-NN的河西走廊月度ETo估算模型

针对参考作物蒸散量(Reference crop evapotranspiration,ETo)估算模型中,标准估算模型——FAO PenmanMonteith(FAO-PM)模型需要充分的气象数据,而基于气温的估算模型精度不足的问题,参考FAO-PM模型结构,基于气温和月序数,融合分治法(Divide and conquer,DC)和误差反向传播神经网络(Back propagation neural network,BP-NN),提出了一种采用DC-BP-NN的月度ETo估算模型;以FAO-PM模型计算的ETo为标准,利用河西走廊酒泉气象站1958年1月—2013年9月的月度气象数据,将DC-BP-NN模型与其余6种基于气温的ETo估算模型(Blaney-Criddle模型、Hargreaves-Samani模型、2种改进的Hargreaves-Samani模型、BP-NN模型、BP-NN1模型)进行对比。结果表明,DC-BP-NN模型的估算精度(均方根误差5.99 mm/月,平均偏差0.99 mm/月,平均绝对百分误差7.18%,决定系数0.988 6)优于其余6种ETo估算模型,该模型可以用于河西走廊农田气象数据不充分条件下的月度ETo估算。

基于神经网络的纸浆洗涤过程数学模型(Ⅰ)

主要利用神经网络辨识理论 ,研究纸浆洗涤过程的数学模型。首先 ,分析了纸浆洗涤过程的建模难点。在此基础上 ,我们引入了两步辨识法 ,它只需要利用过程的动态信息 ,建立过程的动态模型后 ,再根据此动态模型去产生稳态数据 ,并以此数据作为建立稳态模型的训练样本 ,然后建立稳态神经网络模型。

神经元网络用于纸浆高锰酸钾值的软测量

采用变速率ＢＰ学习方法的神经元网络用于蒸煮过程的建模，以实现对Ｐ值的软测量，并与Ｃｈａｒｉ模型进行比较，结果表明这种基于神经网络建模的软测量可明显提高测量精度。

基于深度学习的高效火车号识别

基于高性能的YOLOv3目标检测算法,提出一种分阶段高效火车号识别算法.整个识别过程分为两个阶段:第一阶段在低分辨率全局图像中检测出火车号区域位置;第二阶段在局部高分辨率图像中检测出组成火车号的字符,根据字符的空间位置关系搜索得到12位火车号,并利用每个字符的识别置信度及火车号编码规则进行校验得到最终火车号.另外,本文提出一种结合批一化因子和滤波器相关度的剪枝算法,通过对两个阶段检测模型的剪枝,在保证识别准确率不降(实验中略有提升)的条件下降低了存储空间占用率和计算复杂度.在现场采集的1072幅火车号图像上的实验结果表明,本文提出的火车号识别算法达到了96.92%的整车号识别正确率,平均识别时间仅为191 ms.

纸浆洗涤过程控制系统

为了解决浆料逆流洗涤过程中洗后浆残碱与首段黑液波美度在工艺指标要求上的矛盾,并能获得良好的浆料洗涤效果,立足于我国常用的麦草浆洗涤工艺和装备,在全面分析影响麦草浆洗涤质量主要因素的基础上,提出并设计了一种具有基本控制级、联动级和优化级结构的纸浆洗涤过程集成优化控制系统,详细介绍了基本控制级中采用的主要控制算法,描述了基于洗后浆残碱与首段黑液波美度的神经网络数学模型建立方法以及对洗后浆产量和清水加入量进行的双目标优化方法。实际运行效果证明了本控制系统的有效性。

基于BP人工神经网络的纱线毛羽预测研究

研究基于BP人工神经网络的纱线毛羽预测问题。以棉纤维的7项品质指标作为输入参数,以棉纱的毛羽指数H指标作为输出参数,通过使用36组数据分别进行网络模型训练,最终将纱线毛羽指数预测模型的结构选定为7-10-1来进行纱线毛羽的预测,结果表明:BP人工神经网络模型的预测速度和精度较好。

基于BP神经网络的棉花颜色级预测

为了方便快捷检验棉花颜色级,采用BP神经网络算法构建了基于棉纤维色度参数的棉花颜色级预测模型。模型以棉纤维的色度参数明度值和黄度值为输入变量,以棉花颜色级为输出变量,采用三层网络,网络的拓扑结构为2-12-1。通过对280份棉花试样的颜色级进行测试和BP神经网络模型预测,结果表明:BP神经网络预测值与实测值的平均相对误差为3.203%,所建立的回归方程拟合优度达到99%。认为:所建立BP神经网络模型具有较好的预测效果。

基于RBF神经网络的制浆蒸煮终点预测模型

为稳定纸浆质量,实现蒸煮终点的精确预测,建立基于RBF网络的终点预测模型,通过与BP模型的比较,可知基于RBF网络的蒸煮终点预测模型具有较好的快速性及准确性。

基于数据的废纸配比预测纸浆白度的研究

针对实际生产过程中根据人工经验配比废纸用量导致纸浆性能与预期差别较大的现状,本研究利用纸厂提供的废纸配比和纸浆性能检测数据,使用BP神经网络和支持向量机(SVM)的建模方法,分别采用全部样本数据和样本平均值数据建立基于废纸配比的纸浆白度预测模型。研究结果表明,在模型预测精度、预测稳定性以及模型训练时间等方面,以样本平均值数据作为建模数据集,使用SVM方法建立的纸浆白度预测模型,具有较好的预测精度(2.42%)和良好的稳定性(0.58%),且模型训练时间短(0.2 s),可以满足实际生产过程的需要。

隧道施工过程的三角模糊数与神经网络安全评估

为动态地对地铁隧道施工过程进行安全评估,针对地铁超浅埋暗挖段隧道,构建三角模糊数与神经网络相结合的地铁隧道施工过程安全评估模型.根据监测和数值仿真数据建立安全指标体系;划分地铁隧道施工过程评估等级,并将评估等级语言变量转换为三角模糊数;用混合遗传算法优化的BP神经网络,找出综合指标数据与评估等级的非线性映射关系.研究结果表明:大连地铁超浅埋段隧道施工过程处于安全等级;通过与既有方法比较分析,证明该评估方法与实际情况具有较强的贴近度.

遗传算法—模糊聚类动态模糊神经网络辨识

针对非线性系统辨识特点,在剖析具有递归环节的T-S模糊神经网络结构的同时,提出了一种新型的3步设计优化方案,即非线性区域的线性划分、离线训练和在线辨识.将融合了模糊c-mean聚类(GA-FCM)(称为双群体并行聚类)算法引入到RTSFNN中,对非线性系统的输入输出空间进行聚类(线性划分),再在每个线性区域上建立ARMAX模型;利用GA实数编码,同时优化前件隶属函数的中心和宽度、递归增益及后件参数;在线时利用FCM在线分析输入数据特征,确定是否对现有划分进行改动,并利用GA迭代一定代数优化其他参数,直到误差满足要求为止.通过对非线性动态系统的辨识仿真,验证了所提出方法在训练时的寻优速度、训练误差及校验误差指标上均有很大优势.

硫酸盐法制浆蒸煮终点预测模型

为了实现制浆蒸煮终点的精确预测,建立了基于广义回归神经网络(GRNN)的预测模型.GRNN具有很强的非线性映射能力,能够根据样本数据逼近自变量与因变量之间隐含的关系,平滑参数的确定是GRNN训练的实质和难点.均衡地兼顾GRNN模型的预测性能与训练可行性,提出了一种平滑参数优化方法.通过分析训练样本分布、恰当地设计适应度函数,运用优进遗传算法(EGA)实现参数寻优.通过实验表明,所建立的制浆蒸煮终点预测模型,预测精度高、稳定性能好.

图的控制数的Hopfield网络模型和算法

对图G(V ,E) ,及二值函数 f:V→ { 0 ,1}记 f[v]={u｜u∈N[v],且f(u) =1} ,其中N[v]={u｜vu∈E} ∪ {v} .若 f满足任意v∈V ,｜f[v]｜≥ 1,则称f为G的一控制函数 ,并称 f(V) = v∈Vf(v)为 f的权 ;图的控制数γ(G)定义为图的控制函数的最小权 ,即γ(G) =min{ ｜f(V) ｜f为G的一控制函数 } .类似的可定义图的边控制数 .本文建立了确定图的控制数的Hopfield网络型和算法 .

基于循环神经网络和全局化领域的推荐算法

推荐系统一定程度上缓解了互联网大数据所带来的信息过载问题,但是传统的推荐算法在数据稀疏和冷启动时推荐精准度下降严重,为此提出了一种基于循环神经网络与全局化领域的推荐算法(Recurrent Neural Network and Globle Domain Algorithm,RNGA)。首先通过全局化领域优化框架提升了传统基于领域模型推荐算法的不足。其次将循环神经网络与全域化领域模型有机结合,运用循环神经网络获得用户的隐藏偏好,提升了推荐准确性。MovieLens上的基准数据的性能测试表明所提出的算法能有效提高推荐准确性。

一种求解大整数相乘问题的神经网络方法

大整数相乘问题是计算机算法设计与分析中的一个经典问题,分治法是一个有效的解决算法复杂度的方法,而神经网络的分布式存储、并行计算等特点可以大大减少计算时间。因此将分治法与神经网络结合是一种可行的方法,仿真实验也验证了这种方法的可行性和有效性。

“五四模型”的火焰燃烧稳定性判定

燃烧稳定性判定问题是锅炉燃烧状态自动监测中亟待解决的关键问题之一。为了实现自动化监测,并对燃烧的稳定程度进行量化判定,基于数字图像处理技术,从炉腔火焰图像中提取燃烧参数,建立燃烧参数数据库。基于多属性判定方法,生成区间数据样本决策库。在模糊推理中,为获取隶属度函数参数和模糊推理规则,提出了基于粗糙集简化样本决策库。按照决策属性离散化决策库中的条件属性,实现了属性简约和属性值简约,增加了网络训练样本参数的可靠性。结合模糊网络的逻辑推理性和神经网络的学习性、并行计算等优点,建立了用于燃烧诊断的T-S模糊神经网络模型。选择合适的模糊分割数,定义"五四模型",建立基于"五四模型"的火焰燃烧稳定性判定模型,并进行仿真试验。对比训练前后的仿真图参数表明,该模型是可行的,并具有较好的试验效果。

麦草浆黑液传热性能的研究

通过改变传热温差以及搅拌槽几何构型和桨叶转速等实验条件 ,研究了麦草浆黑液在不同物性、流变特性、流体动力学条件及流动空间几何特征下的传热特征 ,并且应用传统数学建模及人工神经网络方法 ,建立了麦草浆黑液相关的传热数学模型与评价指标 ,结果表明 。