期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到3篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于高光谱深度特征的油菜叶片锌含量检测
1
作者 周鑫 王坚 +2 位作者 赵春江 孙俊 史磊 《农业工程学报》 EI CAS CSCD 北大核心 2024年第19期262-271,共10页
为了实现油菜叶片锌含量的快速无损检测,该研究采用一种基于高光谱成像技术结合深度迁移学习算法的高精度检测方法,通过无土栽培的方式,设置10个不同胁迫类别(2种不同硅浓度环境结合5个不同锌胁迫梯度),获取无硅环境和有硅环境中重金属... 为了实现油菜叶片锌含量的快速无损检测,该研究采用一种基于高光谱成像技术结合深度迁移学习算法的高精度检测方法,通过无土栽培的方式,设置10个不同胁迫类别(2种不同硅浓度环境结合5个不同锌胁迫梯度),获取无硅环境和有硅环境中重金属锌胁迫下总计4000个油菜叶片样本。利用高光谱成像设备采集油菜叶片样本高光谱图像信息,并将整个叶片作为感兴趣区域获取其平均光谱信息。通过对比不同预处理后光谱对硅作用下油菜叶片锌含量预测性能,确立标准正态变量变换(standard normalized variable,SNV)算法作为最佳预处理方法,并对SNV处理的光谱数据进行进一步分析。利用堆叠自编码器(stacked auto-encoder,SAE)对预处理后的最佳光谱数据进行降维,并与传统的降维算法进行比较。最后,对最优SAE深度学习网络进行迁移学习,得到迁移堆叠自编码器(transfer stacked auto-encoder,TSAE)模型,验证无硅环境和有硅环境中深度学习模型之间的可迁移性。结果表明,基于SAE提取深度特征的支持向量机回归(support vector machine regression,SVR)模型对无硅环境或有硅环境中油菜叶片中锌含量的预测效果较好。无硅环境和有硅环境中所建立的SNV-SAE-SVR模型性能较佳,预测集的决定系数(R_p~2)、均方根误差(RMSEP)和相对分析误差(RPD)分别为0.8507、0.03466 mg/kg和2.607,0.8766、0.02854 mg/kg和2.732。此外,基于T-SAE提取深度特征的SVR模型能有效实现无硅环境和有硅环境中锌含量的预测,最佳SNV-T-SAE-SVR模型预测集的R_p~2、RMSEP和RPD分别为0.8810、0.02748 mg/kg和2.966。研究结果表明,深度迁移学习方法结合高光谱成像无损检测技术能够有效实现油菜叶片锌含量检测。 展开更多
关键词 无损检测 重金属 硅环境 深度学习 迁移学习 高光谱图像
在线阅读 下载PDF
基于模糊算法的农机编队转场多机协同控制方法
2
作者 魏新华 邓屹 +3 位作者 崔鑫宇 王晔飞 章少岑 杨家鑫 《农业机械学报》 2025年第2期48-60,共13页
针对协同控制在农机转场场景下受复杂环境影响导致的响应速度慢、控制精度低、稳定性差、鲁棒性不足等问题,提出一种农机编队转场多机协同控制方法。搭建主机人工驾驶领航、从机自动跟随的多机协同模型,基于弗莱纳坐标转换将协同控制解... 针对协同控制在农机转场场景下受复杂环境影响导致的响应速度慢、控制精度低、稳定性差、鲁棒性不足等问题,提出一种农机编队转场多机协同控制方法。搭建主机人工驾驶领航、从机自动跟随的多机协同模型,基于弗莱纳坐标转换将协同控制解耦为横向、纵向控制,采用模型预测控制算法设计纵向控制器以实现机组间相对距离保持及速度、加速度跟随,采用纯追踪算法设计横向控制器以实现从机沿主机轨迹行驶,引入模糊算法实时调整关键控制系数以实现控制效果优化。基于CarSim/Simulink平台设计多种转场典型工况对本文方法进行仿真试验分析,结果表明相比传统控制方法本文方法具备更可靠优越的性能,并基于智能拖拉机机组开展实车试验验证,结果表明机组轨迹横向误差小于0.090 m,速度误差小于0.570 m/s,相对距离误差小于0.169 m,加速度误差小于0.252 m/s^(2),均能渐进稳定满足农机编队转场实际需求。 展开更多
关键词 农机转场 多机协同 纯追踪算法 模型预测控制算法 模糊算法
在线阅读 下载PDF
基于模糊间接迭代学习的植保无人车自抗扰控制
3
作者 苗宪盛 王环哲 +1 位作者 韩香江 陈建 《中南大学学报(自然科学版)》 2025年第3期941-954,共14页
针对植保无人车(plant-protection UGV)在田间施药时药箱中药液晃动、空气阻力和非线性摩擦等不确定因素对于速度和转向角控制的影响,设计了一种基于模糊间接迭代学习的自抗扰控制器(FILC-ADRC)。首先,建立了包含药箱的植保无人车的非... 针对植保无人车(plant-protection UGV)在田间施药时药箱中药液晃动、空气阻力和非线性摩擦等不确定因素对于速度和转向角控制的影响,设计了一种基于模糊间接迭代学习的自抗扰控制器(FILC-ADRC)。首先,建立了包含药箱的植保无人车的非线性时变动力学模型;然后,将模糊迭代学习控制器与自抗扰控制器相结合,设计了基于模糊间接迭代学习的自抗扰控制器,其中,间接迭代学习控制器用于在线整定带宽和控制通道增益参数,模糊控制器负责实时更新间接迭代学习的学习参数;最后,通过仿真试验验证FILC-ADRC在植保无人车控制中的有效性。研究结果表明:在速度和转向角的阶跃信号、正弦信号跟踪试验中,FILC-ADRC较PID控制器、自抗扰控制器(ADRC)均呈现出更好的控制效果;在考虑真实干扰的速度跟踪试验中,FILC-ADRC在面对非线性摩擦和地面凹凸不平等复杂干扰时,仍能较好地实现速度控制;在路径跟踪控制试验中,FILC-ADRC对速度、转向角和路径均取得了较好的跟踪效果。本文所提方法可用于稻田、番茄种植园等具有复杂干扰的非结构化环境中,提升植保无人车施药作业效率。 展开更多
关键词 植保无人车 干扰抑制 自抗扰控制器 迭代学习控制 模糊控制
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部