作者:杨敬锋,李亭,卢启福,陈志民 单位:湖南省农业科学院 出版:《Agricultural Science & Technology》2010年第02期 页数:3页  (PDF与DOC格式可能不同) PDF编号:PDFHNNT2010020420 DOC编号:DOCHNNT2010020429 下载格式:PDF + Word/doc 文字可复制、可编辑
《基于RBF神经网络的土壤含水量传感器标定方法》PDF+DOC2010年第07期 杨敬锋,李亭,卢启福,陈志民 《基于TDR-3的土壤水分传感器标定模型研究》PDF+DOC2009年第07期 卢启福,吴慕春,胡月明,薛月菊,陈联诚,李晴 《基于RBF神经网络的测斜仪方位角校正研究》PDF+DOC2016年第02期 邵婷婷,张博超,周美丽,陈媛 《基于RBF神经网络逼近算法的船舶支架减振器挤压测试系统》PDF+DOC2014年第11期 何世钧,白凡,周汝雁 《基于RBF神经网络的汽车玻璃防雾系统的研究》PDF+DOC2012年第04期 范重言,孙华,马雨廷,任俊松 《基于RBF时间序列预测器的传感器故障诊断方法研究》PDF+DOC2010年第05期 曹正洪,沈继红 《基于RBF神经网络的混合气体智能检测系统研究》PDF+DOC2009年第07期 常炳国 《RBF神经网络在传感器故障诊断中的应用研究》PDF+DOC2008年第09期 韩逸飞,何琳 《土壤水分快速测量传感器研究及应用进展》PDF+DOC2014年第05期 张益,马友华,江朝晖,谭春杰,王春生 《两种园林用FDR土壤水分传感器的精度校正》PDF+DOC2014年第04期 孙宏彦,丛日晨,舒健骅,李子敬,王永格,王茂良
  • 土壤含水量时空变异对作物生长、农田气候变化等领域的研究具有重大意义。为了克服TDR-3土壤水分传感器输出电压的非线性缺点,提高土壤含水量数据采集以及计算效率,该研究将TDR-3土壤水分传感器与无线传感器网络结合,提出了土壤水分含量的RBF神经网络标定方法。以20个带标号的水杯作为承载砖红壤土和水的载体,对其中的样本进行数据采集,经多次测量取平均值。为验证标定算法的准确性,同时列举出以土净重、加水质量、水分含量TDR-3测量值为属性,以测试水土比值为目标训练样本,以RBF神经网络为标定算法的拟合结果。为了更直观地展示试验结果,以散点图方式分别展示水分含量TDR-3测量值与实际水土比的TDR-3土壤水分含量曲线;水分含量TDR-3测量值与RBF神经网络拟合水土比的RBF神经网络拟合土壤水分含量曲线;以及实际水土比与RBF神经网络拟合水土比的散点图。为验证RBFNN拟合水土比值的相关性,引入皮尔逊相关系数。5次试验,得到5组皮尔逊相关系数,分别为0.9745,0.9832,0.9798,0.9804及0.9789,都接近于1,说明真实测试数据与拟合数据相关性很强.....。

    提示:百度云已更名为百度网盘(百度盘),天翼云盘、微盘下载地址……暂未提供。