应用软计算技术分析牵引性能的低功耗农业拖拉机在不同土壤条件

文摘

考虑到油耗和土壤压实,拖拉机的性能优化是现代农业实践的关键。牵引性能受多种因素的影响,很难被模仿。在这部作品中,低功率拖拉机的牵引力和牵引效率,受到土壤影响系数、竖向荷载、水平变形、土壤压实、和土壤水分进行了研究。拖拉机是一种妥协的最优工作之间的最大牵引力和最大牵引效率。优化这些因素很复杂,需要精确的模型。为此,表演的软计算方法,包括神经网络、遗传算法、自适应网络模糊推理系统,进行了评估。实现最优性能的由反向传播训练以及反向传播神经网络与遗传算法相结合,确定系数为0.955 0.954牵引力和牵引效率。基于模型与最好的精度,进行敏感性分析。结果表明,牵引性能主要受土壤类型;然而,垂直荷载和土壤水分也表现出一个相对强大的影响力。

1。介绍

农业的机械化操作对现代农业实践至关重要。大多数农业操作是使用拖拉机进行施加一个高牵引力(如在耕作、栽培,播种)或光牵引力(例如,在收集和利用机会)。研究发现,20 - 55%的可用的拖拉机功率损失是因为轮胎和表层土之间的相互作用(1]。一辆拖拉机的牵引性能显著影响燃料消耗和现场性能造成土壤压实。因此,优化耕作管理是至关重要的。驱动轮的参数显著影响性能包括轮胎通货膨胀压力,车轮滑移,和垂直轮负载(2- - - - - -5]。

soil-tire交互过程的数学建模可以帮助改善拖拉机设计和减少燃料消耗。这样的模型可以基于经验、半经验的或分析方法6]。分析预测模型开发了牵引参数(7,8]。然而,女子等人强调的一些困难限制分析模型的广泛使用,包括复杂tire-soil互动(6]。半经验的模型是基于土壤的垂直变形和土壤的剪切变形下牵引设备。Rosca等人提出使用实验在semianalytical派生参数模型预测驾驶拖拉机的牵引性能轮胎(9]。实证模型比分析和半经验的简单模型;然而,他们的适用范围有限的情况下,服务,实验条件用于开发模型是相似的。

复杂的soil-tire互动和实现上述数学模型的局限性鼓励研究人员开发模型基于软计算技术。人工神经网络(ann)曾预测通风要求的耕作土壤砂质粘壤土条件下实现(10),未来驱动车轮的能效指数(11),和建模之间的关系旅游reduction-to-net牵引比和牵引效率(12]。虽然安是一个强大的工具来解决随机和复杂的问题,并能产生高度精确的预测模型,更复杂的(混合)软计算技术也被采用(13]。一个ANN-genetic算法已被用于模型的力量农业拖拉机轮载荷的函数,滑,和速度14)和模型的动态特性拖拉机在倾斜的地形15]。另一个混合方法用于建模复杂的关系在农业领域自适应网络模糊推理系统(简称ANFIS),并结合神经网络和模糊逻辑的优点16,17]。

大多数研究对topsoil-tire交互进行大功率拖拉机(发动机功率> 73千瓦)。研究关于低功率拖拉机(发动机功率< 15 kW)缺乏。大功率拖拉机并不总是必要的。例如,在园艺、葡萄园、维护的绿色空间,或在山麓地区倾斜的地形,使用大型、大功率拖拉机是非常困难的。此外,使用低功率拖拉机可能会降低机械成本和减少土壤压实的结果低拖拉机体重(18]。当不需要高牵引力,低功率拖拉机的使用将导致更低的燃料消耗,减少废气排放,减少环境污染。

农业拖拉机的牵引性能需要优化以减少燃料消耗。然而,优化过程需要一个精确的目标函数。然而,基于测量数据,这是比较容易开发一个soil-tire互动的经验模型作为目标函数的优化算法。考虑soil-tire相互作用的非线性和复杂性,软计算技术可以用来开发高度准确的模型。

本研究的目的是开发安,安训练通过GA,安训练反向传播(BP)和GA和简称ANFIS模型来估计低功率拖拉机的牵引力和牵引效率作为土壤的函数系数(这是指示性的土壤质地中定义方程(1))、竖向荷载、水平变形、土壤压实、和土壤水分。此外,各种建模方法进行比较,以确定它们的准确性预测实验测量了牵引力和牵引效率。分析预测变量的重要性进行了高度精确的模型。参数显著影响拖拉机的牵引性能,可以不同的算子优化牵引力和牵引效率被发现。

2。材料和方法

2.1。实验数据采集

测试进行了以下类型的土壤:砂、砂质壤土,砂壤土和粉砂质粘壤土。获得一个通用模型,可以用于不同的土壤类型、土壤质地决定根据美国农业部土壤综合调查系统(19]。土壤系数计算如下: 在哪里年代_c是土壤系数(−),c₁是测试样本中淤泥的比例(%)c₂在测试样本是细粉砂的比例(%),然后呢c₃在测试样本是粘土的比例(%)。

基于方程(1)的值年代_c沙子,良好的砂质壤土、砂壤土和粉砂质粘壤土计算是0.08,0.21,0.33,和0.68,分别。表1列表的值对应于各种土壤类型,土壤湿度场能力,抑制植物的生长,和强大的抑制植物的生长。

土槽试验设施(见图1)是用于实验室提供一个受控的环境评估土壤和轮胎之间的交互。的牵引力是测量使用负载细胞1 kN的测量范围和精度1 N。

低功率拖拉机通常装有车轮轮辋直径的10英寸。对这种类型的边缘,轮胎与不同的总体宽度可以安装,例如,-10年4.00 5.00 4.50 -10,-10。在-10年5.00的情况下轮胎,接触面积是最大的,导致低单位压力和减少土壤压实。因此,这个轮胎是特别有利的低土壤压实,因为更大的胎面块不可能穿透高度紧凑的土壤。相反,在高度紧凑的土壤,4.00 -10轮胎是最有益的,狭窄的胎面块能够扩展深入土壤确保一个最佳的牵引力。在这项工作,实验土壤的低和高紧凑排列。因此,驱动轮胎建大4.50 - -10型小型农业拖拉机K365用于测量。考虑到拖拉机轮胎必须在某种程度上是通用的,获得的结果为建大4.50 -10可以扩展到其他低功率拖拉机轮胎制造。

在测量期间,轮的圆周速度是常数和低(0.3 rad / s)。使用低速价值的决定是需要消除的影响所造成的动态现象可能影响时,测试结果进行土壤具有不同的纹理。以下五个垂直荷载值被用于这项工作:375,490,638,785,932 N。垂直载荷的值是根据制造商提供的技术文档的低功率拖拉机。低功耗的平均垂直荷载建议拖拉机800 - 900 N的范围。本研究的目的是开发数学模型下的关系研究中,可随后被用于优化选择的操作参数,以减少土壤压实。因此,作者选择垂直荷载的三个值,所有这一切都低于推荐低功率拖拉机。轮胎通货膨胀压力的牵引性能的影响并不是本研究的主题。因此,所有的测量进行了使用一个常数0.16 MPa的压力(如轮胎制造商推荐的)。

用于测量static-loaded半径,轮胎在某些垂直荷载挠度和轮胎通胀压力决定。测量方法是详细的图2(一个)。

静态加载半径计算如下: 在哪里r_年代静态加载半径,r垂直荷载时轮胎半径等于0,然后呢e是轮胎偏转。

基于静态加载半径值和车轮旋转角度,横向变形可以计算如下: 在哪里j水平变形,α轮子旋转角度,r_年代静态加载半径(参见图吗2 (b))。

测量的结果进行了使用土槽试验设施(见图1)是牵引力轮子的旋转角的函数。对于每个独立变量的组合,牵引力增加而增加水平变形。因此,最大牵引力无法确定。因此,横向变形产生20%的车轮滑转(滑动极限接受农业拖拉机)的测定分析,和相对应的牵引力水平变形被认为是最大的。车轮滑动取决于两个水平和垂直变形。因此,横向变形产生20%的车轮滑转只能在一定的价值来确定垂直变形(受竖向荷载的影响,土壤类型、土壤水分和土壤压实)。在本研究中,垂直变形计算的算术平均值的最大值来衡量每个土壤类型。这个垂直的水平变形对应的变形和20%的滑下0.05米。因此,牵引力测量0.05米的水平变形被认为是最大的。确定牵引力和水平变形之间的关系,测量也采取了横向变形的0.02,0.03,0.04米(对应于5,10,和15%,分别)。

牵引效率计算如下: 在哪里η的牵引效率,P_T是牵引力(N),j水平变形(m),G是车轮的垂直荷载(N),然后呢h车辙深度(米)。

表2列出了实验数据的统计。

1600数据集(测量参数的向量)获得了在测量过程中被随机分为培训(80%)和验证(20%)。表2列出了最小和最大的输入和输出参数值。利用数据集模型发展之前,范围0 - 1的数据规范化使用以下方程: 在哪里NV是输入或输出归一化向量,V输入或输出的数据,V_马克斯是最大的输入或输出数据,然后呢V_最小值的最小输入或输出数据。我们跟着Pentoś和Pieczarka[的方法20.]。

2.2。人工神经网络

安是一个高度简化模型的生物在人类神经系统中神经元的结构。一个安被认为是一种有效的替代经验和统计过程建模技术和广泛应用在农业的应用。在这项工作中,前馈神经网络,即使用了多层感知器(MLP)。安的能力很大程度上取决于其拓扑结构,即。,thenumber of hidden layers and the number of neurons in these layers. The optimal topology and learning parameters are usually determined by a trial and error method, requiring many simulations. For this study, an MLP with a single hidden layer was chosen as the ANN architecture. The input layer was composed of five nodes (soil coefficient, vertical load, horizontal deformation, soil compaction, and soil moisture). The number of neurons in the hidden layer was set to a range of 10–40, and nonlinear sigmoid neurons were implemented in this layer. There was one neuron in the output layer, producing the predicted value of the traction force or tractive efficiency. For each ANN architecture, 10 simulations were performed, and as a result, 310 ANNs were trained for each output parameter. The following were the three training methods used for the simulations: resilient backpropagation with and without weight backtracking and a modified globally convergent algorithm. The resilient backpropagation algorithm is based on the traditional backpropagation; however, in this algorithm, a separate learning rateη_k用于网络中的每个重量和培训过程中可以改变。与传统的反向传播,在弹性反向传播,只有偏导数的符号用于指示的方向升级。使用以下方程[权重进行了修改21]: 在哪里是k^th连接的重量和E误差函数。重量回溯意味着重量偏导数的符号改变时更新反转(22]:

修改后的全局收敛算法Anastasiadis等人提出的基于弹性反向传播。提出了一种新的修改学习速率(23]: 在哪里 和0 <δ< <∞。这一修改提高学习算法的收敛速度和稳定性。

“neuralnet”包,版本1.44.2 (R R环境基础统计计算(https://www.r-project.org/),用于模拟24]。

2.3。人工神经网络与遗传算法相结合

安一个典型的问题由基于反向传播算法训练的可能性误差函数陷入局部最小值,导致收敛速度慢。因此,这种技术需要提高组合的安如GA优化工具。荷兰,建议的,可以是一个务实的替代传统的局部搜索方法(25]。在这项研究中,两个安与遗传算法相结合的杂交过程。第一个(安+ GA)利用遗传算法实现优化配置给定网络权重和偏见从随机值。第二个(ANN_BP + GA)使用一个基于反向传播算法(弹性反向传播,没有重量回溯和修改全局收敛算法)首次安训练。然后用于最终的优化遗传算法从初始染色体人口产生的安训练。这个工作是向量的染色体基因,实数表示安重量和偏见。人口在染色体上遗传算法执行以下操作:选择和遗传操作(交叉和变异)。在选择过程中,染色体的人口是选择基于适应度函数的遗传操作。在选择过程中,个体的概率可以成为父母应该更高更高的健身功能。交叉操作是当两个人彼此(父母)交换基因。 A crossover is performed with probabilityP_c通常很高。突变是一个很小的染色体随机调整,导致一个新的个体。它与概率执行P_米,通常是低。变异操作的功能是确保更高的人口多样性,因此防止GA落入当地极端。达到最大代后,GA收敛于产生最好的染色体,代表一个最优或算法的解决方案。在这部作品中,人口规模是设置为100条染色体,交叉概率设置为0.8,变异概率被设置为0.01。作为适应度函数,均方根误差(RMSE)安被用于验证数据集。以下是三个选择方法:轮盘赌,比赛的选择,和健身比例选择健身线性扩展。遗传操作进行与当地算术交叉和均匀随机变异。R包、“遗传算法”3.0.2版本优化的遗传算法用于模拟(26]。

2.4。自适应网络模糊推理系统

简称ANFIS是全球搜索软计算技术,它结合了模糊逻辑的优点和安。它是基于一阶Takagi-Sugeno张成泽(引入的模糊推理系统27]。这种机器学习技术生成模糊规则从一个给定的输入/输出数据集和调整隶属函数参数直接从数据在训练过程中。隶属函数的参数调整使用梯度下降法和最小二乘方法。典型的一阶Takagi-Sugeno模糊模型的模糊if - then规则如下:

简称ANFIS架构包含一个五层前馈神经网络。图3显示了在目前使用的架构工作。

第一层是模糊化层。每个节点在该层代表一个隶属函数(MF)和定义了每组输入会员等级。有各种类型的MFs。因为一个规范化使用高斯函数在这项研究中,这一层是由的输出 在哪里c_n和σ_n构成一组前提参数。

层2是一个乘法层。每个节点使用一个乘法算子和计算规则的发射强度作为一个产品之前的会员等级。例如,对于第一个节点,这是由

第三层规范化的发射强度规则:

第四层是由自适应节点计算的线性函数的参数pⁿ和rⁿ改编使用前馈神经网络的误差函数:

5层只有一个节点的输出信号并产生简称ANFIS,这是笔从第四层节点的输出:

包“简称anfis”自适应Neurofuzzy推理系统在R,版本0.99.1,用于模拟。简称ANFIS模型中过多的隶属度函数是不合适的,因为许多参数需要预测。因此,隶属度函数的数量设置为3,和迭代的数量设置为20。

2.5。比较标准

模型的准确性进行了比较的平均绝对误差(MAE)、RMSE和确定系数(R²),表示如下: 在哪里Y_预测和Y_{mean_predict}绝对和平均预测值和吗Y_测量和Y_{mean_meas}分别是绝对和平均测量值。

美,使用绝对值的测量值和预测值之间的差异,利率,和同样低估。RMSE是一个指标的正负误差估计的分布值。R²估计输出值之间的关系的强度计算模型和预期值。因此,梅和RMSE越接近0,近了R²是1,更好的是模型的精度估计因变量。

2.6。敏感性分析

基于数学模型,可以估计独立变量的重要性。许多方法被提出了模型灵敏度分析。方法的相关性取决于特定模型的特点。在这个研究中,偏导数的方法,专门的神经网络模型,使用,输入变量的贡献决定基于连接权重和偏置矩阵(28]。很难选择一个最优的ANN模型架构;因此,预测变量的贡献应该基于一组确定ANN模型(29日]。在目前的研究中,一群二十最高的ANN模型R²价值观和最低的美和RMSE值被选中。作为最终结果对每个因变量(牵引力和牵引效率),产生的结果的算术均值二十人工神经网络计算。

3所示。结果与讨论

3.1。软计算模型

最优解决方案,根据节能,是价值观的牵引力和牵引效率高。图4显示了牵引力和牵引效率的依赖在竖向荷载和土壤水分测量沙子,0.05米的水平变形。

如图4下,最佳的牵引力高垂直荷载,而最优的牵引效率可以达到在一个相当低的垂直荷载。因此,实现最优的牵引力和牵引效率之间的平衡是非常困难的,需要准确的牵引特性的数学模型。

之前的发展基于ANN模型,线性相关的预测变量必须从数据集中删除。因此,解释变量之间的皮尔逊相关系数的计算。观察高正相关土壤系数与土壤水分之间(r= 0.767)。然而,在分析实验程序,很明显,必须考虑土壤系数和土壤水分作为输入变量和用于模型开发。相关系数高,因为土壤水分范围(表1)根据土壤质地决定。

表3列出了统计参数,即R²、RMSE和梅,提到的最佳配置模型。计算进行了使用规范化数据(方程(5))。

牵引力模型的情况下,安是一个最好的架构与28个隐层神经元网络,这个网络由GA为权重的优化选择。由遗传算法从最好的安建筑训练随机值(安+ GA)是一个与14个隐层神经元网络。牵引效率最好的神经网络模型有26个隐层神经元,而最好的安+ GA模型包含17个隐层神经元。

数据5和6显示测量和预测牵引力和牵引效率值上的所有预测模型验证数据集。这些图表显示数据点的数量位于对角线非常接近,从而促进评估模型的准确性。

列在表3,如图5和6,对于输出模型参数计算模型,安和ANN_BP + GA模型表现出最好的性能,由高值的表示R²0.954(0.954和0.955牵引力和牵引效率)和低的美和RMSE值验证数据集。使用遗传算法优化BP算法产生的重量和偏见调整略好准确性的牵引力模型。简称ANFIS模型的准确性低于安和ANN_BP + GA的模型R²值低于0.9。此外,所需的计算时间计算在简称ANFIS模型开发明显高于所需的模型基于延时。安+ GA技术似乎是不合适的,表现出较低的精度估算的牵引力和牵引效率(R²= 0.820和0.752的验证数据集,分别)。一般来说,它可以表示,在农业、数学模型(基于机器学习)确定系数(R²)超过0.9是有用的对于现实生活应用程序(30.]。

神经网络和混合方法也被其他研究人员用来农业拖拉机模型的行为。ANFIS-based建模是一种很有前途的技术,未来牵引系数和牵引功率效率R²值分别为0.98和0.97 (17)和拖拉机的牵引杆拉力能量驱动车轮,模样与MSE和R²值分别为0.00236和0.995 (16]。在安的情况下结合GA, Taghavifar等人证明,该方法大大降低了误差和提高性能的模型提供的权力农业拖拉机轮载荷影响,滑,和速度14]。他们获得高值的确定系数安+ GA模型:0.9672 0.9696为训练数据集和验证集。

比较目前的结果与其他研究者提出的,目前还不清楚哪些技术最准确模型的非线性和复杂的关系,如在本研究调查。其他研究人员也获得类似的结果。约翰等人相比计算模型基于安和简称ANFIS估算土壤水分从水平和垂直力的随机信息在免耕凿刀使用自回归误差函数参数(31日]。ANN模型(R²= 0.79和RMSE = 1.27)优于简称ANFIS模型(R²= 0.69和RMSE = 1.62)在测试阶段。Citakoglu安和简称ANFIS申请估算太阳辐射在土耳其使用日历月数量和相关的气象数据,获得了更高的精度在使用安(R²= 0.930和RMSE = 1.650)相比,使用简称ANFIS (R²= 0.926和RMSE = 1.691)32]。相比之下,简称ANFIS比安找到更合适的估算土壤阳离子交换量影响粘土,淤泥,沙子,在干旱草地生态系统有机碳,pH值和估算Kilka油的氧化参数33,34]。基于相关误差(RE)值,平范和显示的准确性安结合GA (RE = 1.48%)优于传统的ANN模型(RE = 3.91%)广东港口吞吐量预测(35]。同样,Srinivasulu和耆那教徒发现安结合GA降雨径流模型的预测能力优于使用BP算法训练(36]。

3.2。敏感性分析

一个高度精确的数学模型可以提供更多的信息关于正在研究的关系。灵敏度分析被执行来确定独立变量的贡献在黑盒数据挖掘模型。神经网络由反向传播训练结合GA被发现是最好的模型,分析了目前研究的关系。这种软计算技术被用于发展中灵敏度分析的模型。对每个因变量(牵引力和牵引效率),一群二十ANN模型开发。表4模型的参数列表。

的结果的相对重要性每个模型的输入参数测定结果的算术平均值的二十ANN模型。结果显示,牵引力和牵引效率影响最大的土壤类型(分别为74.5%和58.3)。这是在协议与其他作者(报告的结果37,38]。的两个额外参数显著影响了牵引力和牵引效率是竖向荷载(分别为10.1%和18.3)和土壤水分(分别为10.3%和19.8)。这些参数对牵引性能的重要影响已在其他研究也强调了(11,39]。值得强调的是,更容易管理的垂直荷载是在牵引性能优化参数。土壤水分也可以变化在一定范围内,随着运营商可以提前或延迟农业操作取决于天气状况。水平变形的影响和土壤压实的牵引性能很低(不超过4%)。

4所示。结论

一个农业拖拉机的牵引性能的优化考虑燃油经济性至关重要。的发展高度精确的数学模型描述牵引性能优化过程的一个组成部分。在这项工作,四个软计算技术被用于预测低功率拖拉机的牵引力和牵引效率影响的土壤类型(表示为土壤系数),垂直荷载,横向变形、土壤压实、和土壤水分。比较误差的统计数据显示,传统的BP算法的神经网络模型训练或BP和遗传算法的结合性能更好的估算牵引力和牵引效率比一个简称ANFIS模型或一个安训练遗传算法。安结构有28个隐层神经元产生最佳的牵引力模型,一个R²值为0.954,平均绝对误差为0.029,0.040的RMSE。同样的,安与26个隐层神经元被发现最好的牵引效率模型,结构R²美= 0.024 = 0.954,RMSE = 0.037。使用GA优化重量和偏见的ANN模型由BP训练导致了轻微改善模型的准确性。考虑其他作者所呈现的结果,它可以表示,潜在的可用性一定技术很大程度上取决于数据的特征。此外,每个机器学习算法的行为是受其影响参数。因此,为提高优化过程中,应使用不同的技术,并且模型精度最高的应该选择。考虑到简称ANFIS模型开发所需计算时间,由反向传播神经网络训练算法似乎是最好的软计算技术。敏感性分析的结果进行精度最高的一组模型表明,土壤类型参数是最影响低功率拖拉机的牵引性能。相对强劲的影响还发现垂直荷载和土壤水分,可以多种多样的拖拉机运营商优化牵引性能。

这项研究的结果将是有用的在农业生产的节能系统。然而,应该指出的是,作者获得的经验模型的应用仅限于在测量条件类似的礼物。

数据可用性

数据样本用于支持本研究的发现可以从相应的作者。

的利益冲突

作者没有利益冲突的声明。

引用

1. t . Smerda和j . Cupera”轮胎通货膨胀及其影响拖拉机的牵引特性和performance-energetic指标集,“Terramechanics杂志卷,47号6,395 - 400年,2010页。视图:出版商的网站|谷歌学术搜索
2. a . Janulevicius诉Damanauskas,“如何选择空气压力的轮胎MFWD(机械前轮驱动)拖拉机来减少燃料消耗的情况下合理的车轮滑转,“能源卷,90年,第700 - 691页,2015年。视图:出版商的网站|谷歌学术搜索
3. h . Taghavifar a Mardani h . Karim-Maslak,“多目标优化模型来调查越野车利用土壤本设施的能源浪费,”能源卷,73年,第770 - 762页,2014年。视图:出版商的网站|谷歌学术搜索
4. j·h·李和k·加尔省Vehicle-soil交互:测试、建模、校准和验证,”Terramechanics杂志52卷,9,2014页。视图:出版商的网站|谷歌学术搜索
5. f . m . Zoz和r·d·Grisso“牵引力和牵引性能”ASAE杰出系列讲座卷。27日,美国社会的农业工程师,拖拉机设计没有。27日,圣约瑟夫,MI,美国,2003年。视图:谷歌学术搜索
6. 诉英国女子,k . p . Pandey, p . k . Pranav“回顾牵引力预测方程,”Terramechanics杂志卷,47号3、191 - 199年,2010页。视图:出版商的网站|谷歌学术搜索
7. c . w .发烧“tire-soil互动,提高有限元模拟模型”Terramechanics杂志第41卷。。2 - 3、87 - 100年,2004页。视图:出版商的网站|谷歌学术搜索
8. h .中岛美嘉和a . Oida所“soil-tire接触分析的算法和实现代码基于动态FE-DE方法,”Terramechanics杂志第41卷。。2 - 3、127 - 137年,2004页。视图:出版商的网站|谷歌学术搜索
9. r . Rosca, p . Carlescu Tenu,”一个农业轮胎半经验牵引力预测模型,基于超椭圆接触表面的形状,“土壤和耕作研究卷。141年,10 - 18,2014页。视图:出版商的网站|谷歌学术搜索
10. a . k . Roul h . Raheman m . s . Pansare和r . Machavaram”预测耕作的通风要求实现在土壤砂质粘壤土使用人工神经网络,”生物系统工程,卷104,不。4、476 - 485年,2009页。视图:出版商的网站|谷歌学术搜索
11. h . Taghavifar和a . Mardani”应用监督ANN(人工神经网络)方法的预测从动轮能源效率指标,”能源卷,68年,第657 - 651页,2014年。视图:出版商的网站|谷歌学术搜索
12. k .运货马车的车夫和a . tan”预测轮胎牵引性能通过使用人工神经网络,”数学和计算机应用,17卷,不。3、182 - 192年,2012页。视图:出版商的网站|谷歌学术搜索
13. s . a . Hoseinpour a . Barati-Harooni p Nadali et al .,“基于人工智能的准确模型预测的二氧化碳溶解在aqueoustetra-n-butylammonium溴化解决方案,“化学计量学杂志》,32卷,不。2篇文章ID e2956 2018。视图:出版商的网站|谷歌学术搜索
14. h . Taghavifar a Mardani, a . h . Hosseinloo”评价人工神经network-genetic算法的预测模型提供的农业拖拉机,”能源卷,93年,第1710 - 1704页,2015年。视图:出版商的网站|谷歌学术搜索
15. z . x朱,r . Torisu j . i武田e·r·毛,张问:“神经网络估算车辆行为倾斜的地形,”生物系统工程,卷91,不。4、403 - 411年,2005页。视图:出版商的网站|谷歌学术搜索
16. h . Taghavifar和a . Mardani”评估轮胎参数的影响需要牵引杆拉力能量模型使用自适应神经模糊推理系统,”能源卷,85年,第593 - 586页,2015年。视图:出版商的网站|谷歌学术搜索
17. h . Taghavifar和a . Mardani”农业拖拉机驱动轮的能效指数的建模应用自适应神经模糊推理系统,”Terramechanics杂志卷,56 37-47,2014页。视图:出版商的网站|谷歌学术搜索
18. n . h . Abu-Hamdeh“使用超声波表层土的扰动,土壤和耕作研究,卷75,不。1,第92 - 87页,2004。视图:出版商的网站|谷歌学术搜索
19. n·c·布雷迪和r·r·威尔土壤的性质和属性,培生教育国际,伦敦,英国,2008年版,15日。
20. k . Pentoś和k . Pieczarka”,将人工神经网络方法应用于牵引特性改变土壤条件的分析,“土壤和耕作研究卷,165年,第120 - 113页,2017年。视图:出版商的网站|谷歌学术搜索
21. g . Frauke美国弗里奇,“Neuralnet:训练神经网络,”2010年,https://journal.r project.org/archive/2010/rj - 2010 006/rj - 2010 - 006. - pdf。视图:谷歌学术搜索
22. m . Riedmiller“先进的监督学习多层perceptrons-from反向传播的自适应学习算法,”计算机标准和接口,16卷,不。3、265 - 278年,1994页。视图:出版商的网站|谷歌学术搜索
23. 公元Anastasiadis、g . d . Magoulas和m . n . Vrahatis“新的全球基于弹性传播算法收敛的培训计划,”Neurocomputing卷,64年,第270 - 253页,2005年。视图:出版商的网站|谷歌学术搜索
24. 美国弗里奇,f·德·m·n·赖特,m .苏玲,s·m·穆勒2019https://cran.r-project.org/web/packages/neuralnet/index.html。
25. j . h .荷兰,适应在自然和人工系统,密歇根大学出版社,安阿伯市,美国,1975年。
26. l . g . A . Scrucca“包在R,遗传算法”杂志的统计软件,53卷,不。4,1-37,2013页。视图:出版商的网站|谷歌学术搜索
27. js。r .张成泽“ANFIS-adaptive-network-based模糊推理系统”,IEEE系统,人,控制论,23卷,不。3、665 - 685年,1993页。视图:谷歌学术搜索
28. y Dimopoulos、p . Bourret和列克,“使用一些敏感性的标准选择网络具有良好的泛化能力,”神经处理信件,卷2,不。6日1 - 4,1995页。视图:出版商的网站|谷歌学术搜索
29. k . Pentoś”的方法在人工神经网络提取变量的贡献models-comparison固有的不稳定,”计算机和电子产品在农业卷,127年,第146 - 141页,2016年。视图:出版商的网站|谷歌学术搜索
30. k . Liakos p . Busato d . Moshou美国皮尔森和d . Bochtis“农业机器学习:一个评论,”传感器,18卷,不。8,2674年,页2018。视图:出版商的网站|谷歌学术搜索
31. a . l .约翰·a·g . de Araujo h . c . Delalibera和a . r . Hirakawa说道,“土壤水分基于随机行为建模在免耕凿刀的力量,”计算机和电子产品在农业卷,121年,第428 - 420页,2016年。视图:出版商的网站|谷歌学术搜索
32. h . Citakoglu”,比较人工智能技术通过实证方程预测太阳辐射,”计算机和电子产品在农业卷。118年,28-37,2015页。视图:出版商的网站|谷歌学术搜索
33. h . Ghorbani h .喀什:Hafezi Moghadas,和s . Emamgholizadeh”使用多元回归估计土壤阳离子交换量,人工神经网络和自适应神经模糊推理系统模型在Golestan省,伊朗,”通信在土壤科学和植物分析,46卷,不。6,763 - 780年,2015页。视图:出版商的网站|谷歌学术搜索
34. m . Asnaashari r . Farhoosh, r . Farahmandfar”预测纯化Kilka鱼油氧化参数包括没食子酸和没食子酸甲基酯的自适应神经模糊推理系统(简称ANFIS)和人工神经网络,”粮食和农业的科学杂志》上,卷96,不。13日,4594 - 4602年,2016页。视图:出版商的网站|谷歌学术搜索
35. f . f . Ping和f . x范,“多元广东省港口吞吐量的预测模式遗传算法和反向传播神经网络”13科国际会议的程序运输专业人员卷,96年,页1165 - 1174,深圳,中国,2013年8月。视图:谷歌学术搜索
36. 美国Srinivasulu和A . Jain”训练方法的对比分析人工神经网络降雨径流模型,”应用软计算》第六卷,没有。3、295 - 306年,2006页。视图:出版商的网站|谷歌学术搜索
37. e . v . McKyes土壤剪切和耕作爱思唯尔科学出版商BV,荷兰阿姆斯特丹,1985年。
38. f . m . Zoz拖拉机现场性能预测ASAE卷。49085年,圣约瑟夫,MI,美国,1970年。
39. 麻省理工学院Lyasko”,如何计算土壤条件对牵引性能的影响,“Terramechanics杂志卷,47号6,423 - 445年,2010页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Katarzyna Pentośet al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。