学位论文 > 优秀研究生学位论文题录展示

基于GA与BP结合的算法研究及其在联合收获机械脱粒性能建模中的应用

作　者: 张意德
导　师: 邵陆寿
学　校: 安徽农业大学
专　业: 农业机械化工程
关键词: 联合收获机械脱粒装置脱粒性能 BP神经网络遗传算法仿真
分类号: S225
类　型: 硕士论文
年　份: 2002年
下　载: 107次
引　用: 4次
阅　读: 论文下载

内容摘要

脱粒装置是联合收获机械的核心部件，它的改进与完善是以脱粒性能与其影响因素之间的非线性模型为基础的。脱粒装置的工作过程极为复杂，影响脱粒性能的因素很多，除了喂入量、滚筒转速、凹板长度与入口间隙等确定性因素外，还有作物品种、作物含水率以及谷草比等一些不确定性因素，因此脱粒装置是一个具有不确定性、多输入多输出的复杂非线性系统。建立脱粒装置性能与其影响因素之间非线性模型的目的就是在不确定环境下，对影响脱粒性能的各因素进行优化使脱粒装置的各个性能指标达到最佳要求。 DP神经网络不仅具有并行运算、分布式存储、自学习、容错能力强等特征，还具有无限逼近非线性函数的能力。本文首先分析了影响脱粒装置性能的各个因素以及传统研究脱粒性能的各种方法如单因素法、正交试验法、方差分析法以及回归分析法的缺陷，在此基础上提出了采用BP神经网络对脱粒装置性能模型进行优化，采用这种方法优化脱粒装置性能模型可以更好地刻划脱粒装置所具有的多输入多输出、复杂非线性以及不确定性等特征。目前BP神经网络采用误差逆传播算法学习训练神经网络，该算法是基于网络误差函数梯度下降的，其本质是点到点的搜索方法。由于BP神经网络的全局误差函数构成的权值空间是包含多个极值点的超曲面，加之即网络训练开始网络结构参数是随机给定的，因而BP神经网络在学习训练中容易陷入局部极小。遗传算法是基于自然选择与遗传规律的全局并行搜索算法，在分析了GA与BP各自算法特性的基础上，针对BP神经网络容易陷入局部极小这一不足，引出了利用GA与BP相结合的算法来训练神经网络，以期克服BP神经网络存在的缺陷。本文在对基于GA与BP相结合的算法进行可行性分析之后，给出了基于GA与DP相结合的具体算法和实现过程。同时针对脱粒装置性能建模这一具体问题，分析给出了用于对脱粒性能进行建模的基于GA-BP算法神经网络的实现。本文用DELPHI语言开发的模型仿真软件实现了基于GA-BP算法的神经网络用于对脱粒装置性能模型进行优化的的思想，并利用该模型仿真软件对洛阳工学院农机研究室1994年的小麦控速喂入脱粒装置进行了性能建模仿真试验，试验结果验证了该模型用于脱粒装置性能建模研究的可行性。文章的最后对用于对基于GA－BP算法的神经网络模型的完善以及应用前景予以了展望。

全文目录

致谢  7-8
中文摘要  8-10
外文摘要  10-12
第一章绪论  12-17
  1．1 研究背景  12-13
  1．2 研究状况  13-14
  1．3 研究内容与意义  14-17
    1．3．1 研究目标  14-15
    1．3．2 研究意义  15
    1．3．3 研究路线  15-17
第二章联合收获机械脱粒装置简介  17-29
  2．1 引言  17-18
  2．2 脱粒装置  18-24
    2．2．1 脱粒装置的技术要求  18
    2．2．2 脱粒装置的种类  18-24
  2．3 谷粒脱离穗轴原理  24
  2．4 脱粒性能与其影响因子之间的关系  24-27
    2．4．1 脱粒装置的性能指标  24-25
    2．4．2 影响脱粒性能的因素  25
    2．4．3 影响因素与各性能指标之间的关系  25-27
  2．5 目前研究脱粒装置性能的常用方法  27-29
    2．5．1 单因素试验法  28
    2．5．2 正交试验法  28
    2．5．3 方差分析与回归分析  28
    2．5．4 优化脱粒装置性能模型的新方法——基于改进的BP神经网络  28-29
第三章神经网络与遗传算法理论基础  29-52
  3．1 神经元网络  29-36
    3．1．1 人工神经元  29-31
    3．1．2 人工神经网络的结构与特征  31-33
    3．1．3 神经网络的学习规则  33-35
    3．1．4 几种典型神经网络简介  35-36
  3．2 BP神经网络  36-46
    3．2．1 BP网的拓扑结构  36-37
    3．2．2 误差逆传播算法  37-41
    3．2．3 BP网的学习过程  41-45
    3．2．4 BP网的固有缺陷以及改进方法  45-46
  3．3 遗传算法  46-52
    3．3．1 遗传算法简介  46-48
    3．3．2 遗传算法的基本特征与要素  48-51
    3．3．3 遗传算法的理论基础  51-52
第四章基于GA与BP相结合算法的神经网络用于对脱粒装置性能进行建模的研究  52-72
  4．1 引言  52-53
    4．1．1 联合收获机械脱粒装置系统分析  52
    4．1．2 BP神经网络模型选用  52-53
  4．2 基于GA与BP相结合算法的提出  53-56
    4．2．1 BP网络的概述  53-54
    4．2．2 遗传算法的简介  54
    4．2．3 基于GA与BP相结合算法的可行性分析  54-56
  4．3 用于对脱粒装置性能模型进行优化的基于GA-BP算法神经网络的设计  56-72
    4．3．1 基于GA-BP算法的神经网络结构  56-57
    4．3．2 基于GA与BP相结合的算法分析  57-62
    4．3．3 基于GA-BP算法神经网络的实现  62-72
第五章基于GA-BP算法的神经网络模型的仿真以及该模型的仿真试验  72-96
  5．1 基于GA-BP算法的神经网络仿真  72-84
    5．1．1 模型仿真软件的功能介绍  72-76
    5．1．2 GA-BP神经网络模型仿真软件的数据结构  76-78
    5．1．3 GA-BP神经网络模型仿真软件的主要函数与过程  78-84
  5．2 模型仿真软件对一具体脱粒装置进行建模的仿真试验  84-92
    5．2．1 脱粒装置的性能试验数据  84-87
    5．2．2 原始试验数据处理以及对该装置进行建模仿真  87-92
  5．3 模型评价  92-96
第六章结论以及进一步建议  96-98
  6．1 结论  96-97
  6．2 进一步研究建议  97-98
参考文献  98-102
作者简介  102

基于GA与BP结合的算法研究及其在联合收获机械脱粒性能建模中的应用

内容摘要

全文目录

相似论文