《基于BP神经网络的土壤比阻预测模型》由会员分享，可在线阅读，更多相关《基于BP神经网络的土壤比阻预测模型（2页珍藏版）》请在金锄头文库上搜索。
1、基于BP神经网络的土壤比阻预测模型土壤比阻是指田间作业时消耗于耕作土块单位面积上的牵引阻力。准确可靠的土壤比阻数据,能够对农机具的牵引阻力有准确的估计,有利于拖拉机和农机具的配套、选型和设计等工作的高效开展和实施;准确可靠的土壤比阻数据,为农机具田间作业的智能控制和决策提供参考信息,有利于提高农机具的智能精准作业水平。本文的研究工作是国家重点研发计划项目(2016YFD0700404和吉林省科技发展计划资助项目(项目编号:20170204014NY)中的部分内容。在理论分析和试验研究的基础上,以土壤比阻为研究对象,立足于机电液一体化技术,引入智能化数字技术和传感器技术，结合Kalman滤波算法
2、和BP神经网络算法，使用Matlab和Excel数据处理软件,设计一套土壤比阻数据采集系统,通过田间试验获取田间土壤比阻数据并提出基于BP神经网络的土壤比阻预测模型，旨在为田间智能精准作业提供参考数据,提高控制精度。全文主要内容如下:(1)在研究了传感器的通讯接口、通讯协议以及对返回指令的数值解析的基础上,设计了一套土壤比阻数据采集系统,主要包括拖拉机、悬挂式深松机、拉力传感器、倾角传感器和数据采集模块,其中,拉力传感器有3个,分别安装在上拉杆、左下拉杆和右下拉杆;倾角传感器有1个,安装在左下拉杆;(2)建立了耕作深度与下拉杆倾角之间的关系式,土壤阻力与上下拉杆所受拉力之间的关系式,耕作面积与
3、深松铲数量、耕作深度和耕宽之间的关系式。最后,求出土壤阻力与耕作面积的比值即土壤比阻；(3)研究了Kalman滤波原理和递推公式，包括：状态方程、预测方程、Kalman增益方程和迭代修正方程的建立，以及初始参数的确定等。通过对比试验获得了传感器的过程噪声;通过多次反复测量获得了传感器的测量噪声，并编写了Kalman滤波的Matlab程序;(4)研究了人工神经网络和BP神经网络算法原理,包括:输入层、隐含层和输出层层数的确定,每层神经元个数的确定,以及信号的前向传递和误差的反向传播,对应权值和阈值的修正等。使用前5个连续的土壤比阻值来预测第6个土壤比阻值，提出了基于BP神经网络的土壤比阻预测模型
4、;(5)于2018年6月29号和2018年10月28号分别进行了两次田间试验，通过土壤比阻数据采集系统获取传感器测量数据并利用Kalman滤波对倾角传感器数据和拉力传感器数据进行预处理来提高数据的可靠性,利用公式推导出土壤比阻,两次试验的土壤比阻数值分别在(30-65)kN/m2之间和(50-120)kN/m2之间。使用Matlab软件对BP神经网络进行离线训练和检验，得到训练好的BP神经网络即土壤比阻预测模型。试验结果表明,预测模型对训练样本有很好的拟合度,均方误差值mse分别是0.4203和3.6983，总的拟合优度判定系数R2分别是0.994和0.978;对检验样本具有较好的预测效果,平均相对误差分别为0.78%和1.95%,平均绝对误差分别为0.419kN/m2和1.401kN/m2。利用BP神经网络算法建立土壤比阻预测模型的预测精度较高，有利于提高田间智能精准作业水平
