當前我國實際應(yīng)用的糧倉儲糧數(shù)量檢測方法主要是稱重法,這種方法不僅耗時耗力,而且會造成大量浪費。因此亟需研究可以實時、高效、精準地掌握各地儲糧數(shù)量的檢測方法。本文主要研究了基于Janssen原理的多項式糧倉儲糧數(shù)量檢測模型,分析了基于傳感器中值均值與標準差的數(shù)據(jù)預(yù)處理方法,研究了基于改進的布谷鳥搜索算法優(yōu)化Janssen神經(jīng)網(wǎng)絡(luò)檢測模型的建模方法。本論文主要研究工作如下:1、研究了Janssen原理及其多項式儲糧數(shù)量檢測理論模型,分析了二者間內(nèi)在關(guān)系和模型特點;針對糧堆底面壓力分布特點,提出了一種基于內(nèi)外圈傳感器輸出值中值均值與標準差的數(shù)據(jù)預(yù)處理方法。2、通過引入擬蒙特卡羅優(yōu)化布谷鳥算法中鳥巢的初始化方式、可變的發(fā)現(xiàn)概率Pa、基于貪婪算法的逐維更新策略、非均勻變異算子以及可變的搜索步長,提出了一種改進的布谷鳥搜索算法,提高了布谷鳥算法的搜索速度、增強了布谷鳥算法的局部搜索能力;利用改進后的布谷鳥優(yōu)化算法優(yōu)化基于Janssen原理的檢測模型參數(shù),最終建立基于改進后布谷鳥優(yōu)化算法優(yōu)化的Janssen原理檢測模型。3、提出了基于二次多項式展開的BP神經(jīng)網(wǎng)絡(luò)Janssen原理檢測模型,并利用改進的CS算法實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)建模優(yōu)化,建立了較優(yōu)的BP神經(jīng)網(wǎng)絡(luò)Janssen原理檢測模型,實際建模結(jié)果驗證了該檢測模型的有效性與可靠性。
【學位單位】：河南工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：S379;TP212;TP183
【部分圖文】：

圖 6 萊維飛行示意圖圖中可以看出,Lévy flights 的位移過程總是在較小的聚集之后發(fā)生很大]，這其實就是 Lévy flights 的主要特點：巢采用符合萊維分布的隨機步長進行移動，在其位移過程中，主要是在移動，偶爾夾雜著遠距離蹦跳，這使得 CS 算法能夠有效地進行局部尋，使算法能夠跳出局部最優(yōu)解，找到全局最優(yōu)解。研究顯示，諸多動物類似 Lévy 分布。這表明，在未知區(qū)域內(nèi)，利用 Lévy flights 進行移動能標的效率。因此，Lévy flights 能夠增加算法尋優(yōu)的效率，提高性能。者們也證實了自然界中很多鳥類的飛行路徑也遵從萊維分布，這也是最標的方法之一 。萊維飛行位置更新公式如下：1( )t ti iX X α Levyβ+= +

圖 7 最優(yōu)個體適應(yīng)度變化曲線當種群規(guī)模較大時，收斂所需迭代次數(shù)較少且精度較好，但是收斂時間變長；由 可知，布谷鳥均在 100 代前收斂，且當布谷鳥群體為 25 時，效果最好。因此設(shè)置布谷鳥算法的種群規(guī)模為 25；最大迭代次數(shù)為 100。6.3 改進的 CS 算法與原始 CS 算法對比抽取 100 條糧倉數(shù)據(jù)，使用原始布谷鳥算法與改進后的布谷鳥算法優(yōu)化 NB=6、6 的糧倉重量檢測模型，設(shè)置最大迭代次數(shù)為 300 次，種群數(shù)為 50，實驗 20 次，化結(jié)果求平均，如表 2 所示：表 2 布谷鳥算法改進前后結(jié)果比較改進后算法 原始算法收斂代數(shù) 50.25 62.2

圖 8 算法改進前后預(yù)測誤差對比圖二與圖 8 可以看出，對于糧倉重量檢測模型優(yōu)化問題，相比原始的布谷改進后的布谷鳥搜索算法收斂所需代數(shù)更少，最佳適應(yīng)度值更佳。驗結(jié)果后模型參數(shù)如表 3 與表 4 所示，重量檢測誤差結(jié)果如圖 9 和圖 10 所示表 3 最佳最大結(jié)束 NB、NF和參數(shù) KpNBNFKp2 1 0.0168323表 4 最佳最大結(jié)束 NB、NF和參數(shù) Kpm、n bB(m) bF(n)
【相似文獻】

相關(guān)期刊論文 前10條

1 賈蓓;李敬華;肖飛;;基于復(fù)雜電磁環(huán)境的信號檢測模型構(gòu)建分析[J];信息技術(shù)與信息化;2015年09期

2 蔡靜;;考慮檢測影響的貯存-檢測模型及其參數(shù)估計[J];湖北民族學院學報(自然科學版);2012年02期

3 董斯維;郭斌;余力;;個性化推薦攻擊檢測模型研究[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2006年12期

4 任涵;李勇;呂天雯;;基于自適應(yīng)遺傳算法的獼猴桃組培檢測模型[J];計算機與應(yīng)用化學;2016年12期

5 李一男;劉永平;王汝琳;;一種礦用紅外瓦斯傳感器的檢測模型[J];工礦自動化;2010年01期

6 張強;;一種利用特征選擇改進的行人檢測模型[J];微型機與應(yīng)用;2016年02期

7 楊浩;謝昕;李卓群;章玲玲;;網(wǎng)絡(luò)中隱蔽信道數(shù)據(jù)安全檢測模型研究與仿真[J];計算機仿真;2016年10期

8 嚴侃;雷江濤;;基于時頻分析的水聲目標被動檢測模型研究[J];魚雷技術(shù);2015年01期

9 李世淙;云曉春;張永錚;;一種基于分層聚類方法的木馬通信行為檢測模型[J];計算機研究與發(fā)展;2012年S2期

10 孫飛帆;施勇;薛質(zhì);;基于權(quán)重分析的網(wǎng)頁木馬檢測模型[J];信息安全與通信保密;2012年12期

相關(guān)博士學位論文 前10條

1 李威;復(fù)雜場景目標檢測理論與方法研究[D];電子科技大學;2019年

2 白清松;基于QCM的液體檢測技術(shù)研究[D];電子科技大學;2019年

3 周曉飛;基于機器學習的視覺顯著性檢測研究[D];上海大學;2018年

4 王燕;基于用戶感知與業(yè)務(wù)特征的電信網(wǎng)絡(luò)性能監(jiān)控與檢測模型研究[D];西安電子科技大學;2018年

5 鄧濤;基于視覺注意的駕駛場景顯著性檢測模型研究[D];電子科技大學;2018年

6 趙靜;網(wǎng)絡(luò)協(xié)議異常檢測模型的研究與應(yīng)用[D];北京交通大學;2010年

7 唐赫;基于生物啟發(fā)和統(tǒng)計分析相結(jié)合的圖像顯著性檢測模型研究[D];華中科技大學;2017年

8 蔣鵬;圖像內(nèi)容顯著性檢測的理論和方法研究[D];山東大學;2016年

9 李濤;基于上下文的目標檢測研究[D];電子科技大學;2016年

10 陳林潔;褪黑激素受體MT1活化的信號轉(zhuǎn)導(dǎo)機制研究及內(nèi)含肽介導(dǎo)的新型GPCR活化檢測模型構(gòu)建[D];浙江大學;2013年

相關(guān)碩士學位論文 前10條

1 丁一凡;基于卷積神經(jīng)網(wǎng)絡(luò)的車輛行人檢測模型的研究[D];重慶郵電大學;2019年

2 王翎;域適應(yīng)算法研究及應(yīng)用[D];南京航空航天大學;2019年

3 張萌;基于機器學習的URL安全檢測技術(shù)的研究[D];哈爾濱工業(yè)大學;2019年

4 張靖奇;基于深度學習的衛(wèi)星遙感圖像艦船檢測[D];哈爾濱工業(yè)大學;2019年

5 劉亞田;基于深度學習的玉米幼苗與雜草辨識研究[D];哈爾濱工業(yè)大學;2019年

6 李冰;目標檢測模型壓縮算法的研究與實現(xiàn)[D];哈爾濱工業(yè)大學;2019年

7 張鑫;基于深度學習的糧倉儲糧數(shù)量檢測模型與系統(tǒng)實現(xiàn)[D];河南工業(yè)大學;2019年

8 龐聞輝;基于Janssen原理的糧倉儲糧數(shù)量檢測模型建模方法研究[D];河南工業(yè)大學;2019年

9 謝奇芳;基于深度學習的遙感影像飛機檢測方法研究[D];中國地質(zhì)大學(北京);2019年

10 王俊彥;一階段模式的目標檢測模型的研究[D];中國科學技術(shù)大學;2019年

本文編號：2886970