非线性方程是参数造成的吗？非线性方程新的模拟场景以及能源需求
在阅读此文前，麻烦您点一下关注，方便以后的讨论和分享，感谢支持~
文|瓜汁橘长Dr
编辑|瓜汁橘长Dr
近年来，与农业机械相关的计算机模拟明显增多，目前的研究主要集中在开发软计算模拟工作环境，用于预测拖拉机在犁耕过程中的性能。
这项工作分为几个场景，其中最为突出的是，基于多个自适应神经模糊推理系统，和多个非线性方程结合的MANFIS的神经模糊策略，还有基于人工神经网络的神经策略应用在工作环境中。
简介
深入研究拖拉机机具系统在犁耕过程中的性能，有助于全面了解耕作过程中的表现，通过性能的实现，能够升级系统机制，而无需进行繁琐的重新制造。
所获得的见解还可以为耕作系统库存的管理策略提供指导，从而显著削减作物生产、维护、燃料、所有权以及其他相关操作成本。
拖拉机机具系统在犁耕过程中的性能可以用于建立详尽的信息库，并通过分区图形描述进行多变量分析。
在这一领域中，建模策略起着关键作用，帮助将离散操作结果，转化为整体可解释的深入理解拖拉机机具系统在犁耕过程中的性能。
离散操作数据是通过有限实验获得的，当独立操作变量发生变化时，积分可解释结果能够揭示相关性能参数变化的总体趋势。
这种方法揭示了过程中发生现象的物理意义，并展示了不同工作状态下的情况，完善的模型能够在各种条件下充分呈现现象的细致认识。
在研究中，建模策略主要分为两大分支，即数学模型和软计算模型，数学模型通常是具有特定常数和系数的线性或非线性方程。
相反，软计算模型是通过计算机模拟工作场景实现的，最初是通过预设的连续计算来运作的。
在软计算模型领域，人工神经网络采用自学习算法来进行智能计算，而模糊推理系统则以IF和THEN规则的形式执行，具有预先确定的语言透明度。
而混合了ANN和FIS优点的自适应模糊推理系统，被认为是智能建模的强大工具。
特别是在处理动态、不确定、多维以及高度非线性的相互关系时，尤其在输入和输出数据之间的物理关系并不完全明确时，ANN和ANFIS软计算场景备受称赞。
主要分为四个部分，第一部分回顾和分析了以前在模型开发领域已发表的相关尝试，旨在预测拖拉机机具系统在犁耕过程中的性能参数。
这一部分讨论了早期在连续尝试中记录的一些问题，最终界定了研究的目标和问题。
第二部分专注于采用智能软计算场景进行模拟工作的实施。
第三部分的目标在于广泛验证出色的模拟工作场景。
第四部分基于著名的模拟工作场景所获得的显著成果，对拖拉机机具系统在犁耕过程中的性能参数进行了深入的解析。
研究考虑耕深、前进速度和耕作机具的操作类型作为输入参数，以及十个性能参数作为输出。
通过比较三种不同场景的预测准确度、仿真时间和用户友好性配置，发现MANFIS MNE被认为是最出色的仿真场景。
根据MANFIS MNE的仿真对于每种耕作机具，犁耕深度和前进速度对一些性能参数呈现出非线性的协同关系。
在特定的牵引力和每个耕作面积的燃料消耗情况下，这种关系则呈现出非线性对抗的趋势。
MANFIS MNE工作场所的模拟结果，为参与农业机械管理决策的技术农民协会，提供了机会，从而深入了解犁耕深度和前进速度对拖拉机在犁耕过程中的性能所产生的综合影响。
新的模拟场景
ANFIS软计算场景，独特地综合了人工神经网络和模糊推理系统的优点，FIS在专家知识可用时，提供了强大的知识表示机制，但它无法自动学习。
与此不同，人工神经网络虽然无法有效地表示知识，但在专家知识有限的情况下，具备从样本数据中学习的能力，而AFIS则成功地克服了ANN和FIS的限制。
这意味着在输入和输出数据之间的关系不明确的情况下，ANFIS可以提供强大的、具有识别技术的模拟工作场所。
可以理解为，ANFIS能够基于FIS的结构建立模糊规则，并通过自我训练来调整FIS隶属函数参数，就像ANN一样。
在智能软计算场景中，ANN和ANFIS之间，预计AFIS在仿真实践中的表现会更为出色。
这个假设也得到了认可，特别是在处理名义变量和数字变量对预期目标影响的情况下，需要开发一个包含三个输入变量和十个输出参数的AFIS计算机模拟工作场所，实现模拟犁耕深度、前进速度和耕作机具类型对整体性能参数的影响。
在这种情况下，当输出参数超过一个时，ANFIS计算机模拟工作场所会面临挑战。
在ANFIS计算机模拟工作场所中，为了连接多个输入和输出数据，基于IF和THEN结构的模糊规则的定义变得非常复杂且难以实现。
为了避免这个问题，ANFIS的总体结构是基于考虑一个输出参数的多个输入变量而建立的。
关于应用AFIS计算机模拟工作场所，预测多个输出参数的相关文献综述表明，通过开发包含多个ANFIS子环境的模拟工作场所，成功地完成了所需的模拟任务。
每个子环境针对一个输出参数，基于相同的多个输入变量。
尽管这种模拟场景解决了，ANFIS计算机模拟工作场所，在预测多个输出参数方面的固有问题。
但报告称，开发多个子环境需要更多的模拟时间，随着子环境数量的增加，模拟工作场所的用户友好配置也逐渐降低。
根据同一作者之前发表的论文的结果汇总，犁耕过程中拖拉机机具系统的主要性能参数，为机具所需牵引力、拖拉机后轮滑移量和单位工时燃油消耗量。
其他七个次要性能参数，可以通过这三个主要性能参数的数学方式来计算，为了提高预测精度、优化用户友好的工作场所配置以及减少仿真时间，首次提出了一种新的仿真场景。
新的仿真场景基于开发模拟工作环境，针对耕作深度、前进速度和耕作机具类型这三个输入变量，逐步预测十个性能参数。
整个模拟过程分为两个主要阶段，通过开发包含ANFIS环境的MANFIS配置，来预测三个主要性能参数。
在第二阶段，利用这三个主要性能参数的模拟值，逐步预测其他七个次要性能参数。
这个过程通过使用两个非线性方程配置来完成，可以得出结论，基于MANFIS与MNE耦合的新模拟场景得以建立。
能源需求
关于应用AFIS计算机模拟工作场所预测。多个输出参数的相关文献综述表明，通过开发包含多个ANFIS子环境的模拟工作场所，成功地完成了所需的模拟任务。
每个子环境针对一个输出参数，基于相同的多个输入变量。
尽管这种模拟场景，解决了ANFIS计算机模拟工作场所，在预测多个输出参数方面的固有问题。
但报告称，开发多个子环境需要更多的模拟时间，随着子环境数量的增加，模拟工作场所的用户友好配置也逐渐降低。
根据同一作者之前发表的论文的结果汇总，犁耕过程中拖拉机机具系统的主要性能参数，为机具所需牵引力、拖拉机后轮滑移量和单位工时燃油消耗量。
其他七个次要性能参数，可以通过这三个主要性能参数的数学方式来计算，为了提高预测精度、优化用户友好的工作场所配置以及减少仿真时间，首次提出了一种新的仿真场景。
新的仿真场景基于开发模拟工作环境，针对耕作深度、前进速度和耕作机具类型这三个输入变量，逐步预测十个性能参数。
整个模拟过程分为两个主要阶段，通过开发包含ANFIS环境的MANFIS配置来预测三个主要性能参数。
通过MANFIS MNE模拟工作场所获得的表面图和等高线图，可以预测犁耕过程中耕作工具的能量需求，能量需求与犁耕深度和前进速度的增加呈非线性关系。
前进速度和犁耕深度之间存在着双重的相互作用，它们共同影响着能量需求。
随着犁耕深度从10厘米增加到30厘米，以及前进速度从2公里/小时增加到6公里/小时，能量需求从最低值增加到最高值。
能量需求与牵引力直接相关，随着犁耕深度和前进速度的增加，牵引力也会增加。
随着前进速度和犁耕深度的增加，能量需求也随之增加，之前的研究中，Thomas和Singh也提到了前进速度对能量需求的影响逐渐上升。
从MANFIS MNE模拟工作场所获得的曲面图和等高线图，可以用来预测犁耕过程中拖拉机机具系统的整体能源效率。
整体能源效率与犁耕深度和前进速度的增加呈非线性关系，前进速度和犁耕深度之间的相互作用，越来越协同地影响着整体能源效率。
随着犁耕深度从10厘米增加到30厘米，以及前进速度从2公里/小时增加到6公里/小时，整体能源效率从最低值增加到最高值，这些值分别对应于6公里/小时的前进速度。
结论
通过软计算模型，特别是结合人工神经网络和模糊推理系统的自适应模糊推理系统，来预测拖拉机机具系统在犁耕过程中的性能参数。
研究表明，通过MANFIS MNE模拟工作场所，能够有效地预测能量需求和整体能源效率。
犁耕深度、前进速度对能量需求和能源效率的非线性影响，以及前进速度和犁耕深度之间的交互作用。
通过新的仿真场景，可以更准确地预测多个性能参数，为农业机械管理决策提供有力支持。