基于改进遗传算法优化BP神经网络的土壤湿度预测模型

我国是农业大国,在进行农业生产过程中,对土壤的湿度进行精准预测具有非常重要的意义.针对传统BP(back propagation)神经网络在预测过程中会出现局部最小化以及收敛速度慢的问题,本文将改进的遗传算法(genetic algorithm)应用到传统BP神经网络模型当中,提出了一种自适应遗传算法优化BP神经网络的...     

反向传播神经网络在社会发展中的智慧应用研究

人工神经网络技术已被广泛应用于社会经济发展各领域中的非线性复杂问题的处理.文章阐述了反向传播神经网络的工作原理,研究了BP神经网络仿真预测模型在社会经济发展典型领域,如公共安全与灾害防治、医疗、交通、教育、环保及农业、工业、第三产业经济等领域的应用,研究表明,BP神经网络具有广泛的适用性和应用价值.     

BP神经网络PID控制算法在农作物干燥控制系统中的应用研究与设计

针对传统PID控制算法对于农作物烘干控制方法存在的不足,以实现对农作物高效、节能的干燥为目的,设计了一种基于BP神经网络PID控制算法的新型农作物干燥控制系统;系统采用DS18B20、SHT10为信息采集源,将采集到的温湿度信息传递到以C8051F340单品机为核心的控制器进行整个干燥过程的控制决策;算法仿真及实验结果表明,基于BP神经网络PID控制算法的控制器具有较高的精度和较强的适应性,最终可以获得满意的控制效果。     

一种冠心病介入术后复发预测组合模型的构建

为了克服BP神经网络在冠心病介入术后复发预测时存在网络结构复杂且易出现误判断的不足,提出一种小生境技术、基因表达式编程与BP神经网络相结合的冠心病介入术后复发预测的组合模型构造方法。该方法首先利用小生境技术和基因表达式编程的方法对BP神经网络的权值、阈值和网络结构进行优化,解决由于BP神经网络易陷入局部最优的缺陷;然后用梯度下降法对优化后的BP神经网络进行精确调整。将此方法应用于冠心病介入术后2年复发预测中,结果表明优化后的BP神经网络比未优化的BP神经网络具有较好的收敛性能,且预测精度更高。     

基于概念格的BP神经网络算法及仿真

针对在研究人工智技术能领域中,利用概念格和BP神经网络的各自优势,提出了一种基于概念格的BP神经网络算法.算法首先利用概念格的理论对样本数据进行属性约简,提取其中关键要素作为BP神经网络的训练样本,用简化的训练样本对BP神经网络进行训练,建立优化的基于概念格的BP神经网络算法进行仿真实验.仿真结果表明,基于概念格的BP神经网络算法能简化BP神经网络的训练样本,优化BP神经网络,提高了系统的学习效率和精度.证明方法是有效可行的,具有理论意义和实用价值.     

基于BP网络的照明控制仿真

与自然光相结合对室内光源和遮阳设施进行自动控制,可改善工作环境、提高工作效率并且节约能源。选择一间办公室作为实验样本,采集室内照度后用BP神经网络来建模,借助MATLAB神经网络工具箱训练,使室内照度达到预期要求。仿真结果表明可以满足要求。     

基于LED技术的油液污染度颗粒检测计数器

油液污染度检测技术应用于具有封闭或半封闭式润滑系统液压设备中液压油、润滑油及合成油的检测,可以检测多种油液的固体颗粒污染程度。当前技术较为领先的污染度检测仪器大多采用遮光原理研制,在光源的选择上主要采用LD激光二极管。提出一种应用LED发光二极管光源的油液污染度在线检测颗粒计数器设计方案,以检测液压油的污染状况,并对LED和LD光源进行比较分析。     

BP神经网络在网络通信中的应用

该文根据神经网络的原理和BP神经网络的特点,说明将BP神经网络技术应用在网络通信中的优势,并根据其特点从三个方面介绍了BP神经网络在网络通信中的应用,最后分析目前神经网络技术在网络通信中应用研究的现状和发展趋势。     

未知光源位置环境中物体形状恢复的神经网络方法研究

用神经网络方法解决未知光源位置环境中物体三维形状恢复的问题.对漫反射表 面,用神经网络方法由已知表面形状物体及其对应图像的灰度值进行学习,所得权值可视为 环境光源参数.由此可恢复同样光源环境中其它物体的三维形状.实验证明,神经网络方法可 以解决未知光源位置环境(包括多个光源)中漫反射表面物体的三维形状恢复问题.     

用于球状物视觉检测系统的LED光源研制与实现

通过分析机器视觉系统成像环境以及当前市场状况,紧密结合视觉测量系统平台设计的软件技术发展方向,设计了一种具有自学习功能的视觉系统LED光源机构。该机构LED阵列的设计综合了CCD像素的可接受照度以及被测物表面特点等因素,提出了五环八区的新型光源阵列分布结构,并在具体的系统功能设计中采用了虚拟仪器技术,使得该光源机构更智能化,对于提高系统工作速度、效率以及检测精度极具意义。     

Neuro-controller for broadcast lighting light-emitting diode to express white light with high color rendering index

Technical characteristics analysis related to correlated color temperature (CCT), color rendering, and illuminance is required to use light-emitting diode (LED) as broadcast lighting. In general, to realize a white light source with a high color rendering index (CRI), we selected the appropriate emission intensity of RGBW LED through trial and error. However, the characteristics of the LED light source and environmental conditions make it difficult to perform the procedure several times. The objective of this study was to design a system that could control illuminance, CCT, and ∆uv while having high CRI, as an LED control method for broadcasting lighting. The controller implements using a feed-forward neural network with excellent nonlinear function approximation capability. We measure data directly from the red green blue white (RGBW) LED system for neural network training. We then select data with high CRI from the measured raw data and choose data for neural network learning by removing measurement noise using the quadratic polynomial interpolation method. The performance evaluation confirms that the proposed neural network controller shows excellent results as an RGBW LED controller for broadcast lighting in the Planckian locus and all regions of white light.     

网络时代下农业信息化的建设分析

互联网时代下,随着信息技术在农业领域的融入与应用,我国农业发展机制面临着改革与转变。当前,积极依托于网络技术,大力推动农业信息化建设已经成为我国农业发展的核心任务之一,也是实现乡村振兴战略的重要环节。基于此,本文探讨了网络时代下农业信息化建设的重要性,分析了网络时代下我国农业信息化建设现状,研究了网络时代下农业信息化建设的有效措施,以期推动我国农业健康长远发展。     

改进BP神经网络用于入侵检测

随着网络的不断发展,网络上的信息量在日益增多,人们在网络上的应用也越来越多,网络安全成为十分重要的问题。入侵检测是网络安全的的一个研究热点。本文经过对入侵检测历史与现状的分析和对目前入侵检测技术的研究。针对目前大多数入侵检测系统存在的局限性,提出了一种利用改进BP神经网络算法的入侵检测方法,仿真实验结果表明该算法可以有效地进行入侵检测,使入侵检测的准确性与速度有所提高。     

Using deep belief network to construct the agricultural information system based on Internet of Things

To study the impact of the agricultural information system based on the Internet of Things (IoT) on the income of agricultural products, an agricultural information system was constructed based on the agricultural IoT technology, and its impact on the income of agricultural products was discussed through the deep belief network. First, the relevant theories of agricultural IoT were introduced. Then, an agricultural information system based on agricultural IoT technology was constructed, and a deep belief network model was proposed. The vegetable prices and influencing factors were collected. The data were distributed in the range of 0–1 after normalization. The collinearity between the data was eliminated through principal component analysis. Then, the principal component analysis of vegetable prices and influencing factors from 2015 to 2019 was performed. A total of 96 sample data of calibration set and 24 sample data of test machine were collected. The optimal number of hidden layers of the deep belief network model and the number of nodes contained in the hidden layer were obtained through experiments. The results show that the first, second, and third hidden layers have 8, 6, and 10 nodes, respectively; the prediction accuracy of the deep belief network model is more accurate than that of the BP neural network and wavelet neural network. Besides, the absolute value of the prediction error of the deep belief model is within 0.1, which has good prediction accuracy. In short, the deep belief model has a good development prospect in agricultural product price forecasting, and it can provide relevant reference for the establishment and research of other agricultural product price forecasting models.

     

基于BP神经网络的软件项目风险评估研究*

为了确定软件开发项目中不确定因素的影响,提出基于BP神经网络的软件项目风险评估模型。首先,构建了软件项目风险识别的TEMP（technology、environment、management、process）模型;其次,在TEMP识别模型基础上建立了包括17种风险指标在内的软件项目风险评估指标体系;再次,利用BP神经网络建立了风险评估模型;最后,通过MATLAB实例证明该风险评估模型的有效性和可行性。     

AGA-BP模型在遥感影像分类中的应用研究

作为遥感研究的关键技术,遥感影像分类一直是遥感研究热点;针对目前采用BP神经网络模型进行遥感影像分类时存在的对初始权阈值敏感、易陷入局部极值和收敛速度慢的问题,为了提高BP模型遥感影像分类精度,将自适应遗传算法引入到BP网络模型参数选择中;首先运用自适应遗传算法对BP模型权阈值参数进行初始寻优,再用改进BP算法对优化的网络模型权阈值进一步精确优化,随后建立基于自适应遗传算法的BP网络分类模型,并将其应用到遥感影像数据分类研究中;仿真结果表明,新模型有效提高了遥感影像分类准确性,为遥感影像分类提出了一种新的方法,具有广泛研究价值。     

基于模拟退火算法的BP神经网络模型估算高分辨率叶面积指数

卫星遥感技术的快速发展使得获取全球大范围叶面积指数成为可能,但基于现有的算法和数据估算高分辨率LAI的精度还需要提高。针对农作物、草地和林地等3种典型地表类型,选取地面观测数据较多的4个研究区,包括3个各地类用于建模验证的研究区与一个用于适用性验证的独立研究区,针对4个研究区,分别获取地面测量数据以及对应的30 m空间分辨率地表反射率数据。在3个主要研究区建立并比较了NDVI植被指数经验模型、BP神经网络模型和基于模拟退火算法的BP神经网络模型,利用地面实测数据对模型进行验证。结果表明：在研究所选的3个主要研究区,基于模拟退火算法的BP神经网络模型的估算精度比BP神经网络模型和NDVI经验模型的估算精度高,农田、草地和林地站点估算结果的决定系数分别为0.899、0.858和0.863,BP神经网络模型的估算结果决定系数分别为：0.763、0.710和0.742,NDVI经验模型的精度最差,其估算结果的决定系数分别为0.622、0.536和0.637。为了验证SA-BP神经网络的适用性,选取独立研究区进行验证,结果显示验证精度较高,R²为0.842,RMSE为0.689 5,说明该模型外推能力较好。研究证明了基于模拟退火算法的BP神经网络模型提高了模型泛化能力,有效防止了BP神经网络模型滑入局部最小值,是提高高空间分辨率LAI估算精度的有效手段。     

一种新的基于BP神经网络的拥塞控制算法

针对计算机高速互联网中发送端速率调节的问题，在一般网络模型基础上，将BP（Back Propagation神经网络运用到计算机网络的拥塞控制中，提出了一种基于BP神经网络的动态资源管理机制以解决网络的拥塞问题，对所提出的拥塞控制方案，进行了仿真分析，仿真结果显示，控制方案有较好的可扩展性，有效性，并使网络性能表现良好。     

基于YCbCr空间和GA神经网络的棉花图像分割算法

棉花分割是采棉机器人视觉系统的关键步骤,在强光照、阴影等复杂的棉田环境下如何准确有效地分割棉花,有助于确定其在三维空间的位置。该算法在YCbCr颜色空间下,基于棉花与背景的色调信息差,分别提取棉花与背景样本,采用BP神经网进行训练并输出其误差,得到适应度函数并进行遗传算法中的选择、交叉及变异操作,优化神经网络权值、阈值,直到输出误差达到要求或达到预定迭代次数。最后根据所获得的BP神经网络权值、阈值进行棉花图像分割。通过对136幅棉田环境中拍摄图像的分割实验表明：该方法在棉花强光照及阴影条件下也能准确地分割,分割准确率达91.9%,并且比BP算法收敛更快。