论文部分内容阅读
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。