基于CGA-BP神经网络的好氧堆肥曝气供氧量预测模型

为提高好氧堆肥曝气供氧量的曝气效率以及预测精度,该研究利用遗传算法（genetic algorithm, GA）对标准反向传播（back propagation, BP）神经网络的初始权值和阈值进行优化,再利用克隆选择算法（clonal genetic algorithm, CGA）优化遗传算法中的变异算子并复制算子,加快获取最优参数的速度,构建基于CGA-BP神经网络的曝气供氧量预测模型。为验证CGA-BP模型的有效性,与BP模型、GA-BP模型预测结果进行对比。试验结果表明：克隆遗传算法优化BP神经网络能加快获得最优解,效率相比BP模型和GA-BP模型分别提高了75.36%、51.30%;在曝气供氧量预测模型中,CGA-BP模型具有更准确的预测效果,预测精度为99.65%,而BP模型与GA-BP模型预测精度分别为96.99%、99.26%;CGA-BP模型评价指标的均方误差、平均绝对误差、平均绝对百分误差分别为0.003 4、0.038 9和0.350 6,均小于BP神经网络和GA-BP神经网络模型评价指标的误差;利用CGA-BP好氧堆肥曝气供氧量预测模型对好氧堆肥发酵过程进行精准...     

基于主成分分析单一参数入渗模型的BP神经网络模型

利用标定理论建立较大尺度上的单一参数入渗模型,在此基础上基于主成分分析建立其BP神经网络模型。结果表明:利用主成分分析可将研究区域土壤容重、有机质含量、砂粒含量、粗粉粒含量和粘粒含量综合成3个主成分;基于主成分分析建立的BP神经网络模型预测的标定因子的RMSE为0.4186,除偏大或偏小的标定因子,利用预测的标定因子预测的累积入渗量与实测值比较接近,可利用所建模型对较大尺度上的单一参数入渗模型进行预测。     

基于PCA-RBF神经网络的烟田土壤水分预测

为建立烟田土壤水分预测模型以利于烟区种植的规划和管理,该文提出了基于主元分析（PCA）与径向基函数（RBF）神经网络模型的烟田土壤水分预测方法。首先,利用PCA消除原始输入层数据的相关性,以解决神经网络建模时输入变量过多、网络规模过大导致效率下降的问题;然后,以主元模型结果为输入建立土壤水分RBF神经网络预测模型。实例研究表明,烟田土壤水分PCA-RBF神经网络预测模型具有较好的预测效果,平均预测精度达到96.02%,与全要素误差反向传播（BP）神经网络和RBF神经网络相比,平均预测精度分别提高5.20%和6.06%,完全符合实际烟区种植规划的需求,为研究其他类型的土壤水分预测提供了参考。     

基于大气环流特征量的河北省冬小麦白粉病预报模型

利用1990-2010年逐年的河北省冬小麦白粉病和国家气候中心74项大气环流特征量指数（即大气环流指数）逐月值资料,通过Pearson相关分析和逐步回归分析方法,筛选与白粉病发生显著相关的大气环流因子,建立河北省冬小麦白粉病受害面积的年前、春季预报模型.首先根据白粉病发生面积与大气环流指数关系,建立白粉病发生面积预报模型（模型Ⅰ和模型Ⅱ）,并基于贝叶斯分类规则,利用白粉病面积预报结果建立白粉病发生程度的预报模型;另外,基于贝叶斯分类规则直接利用关键大气环流指数建立白粉病发生程度预报模型（模型Ⅲ和模型Ⅳ）;最后通过预报结果与实际发生情况的对比对模型效果进行检验.结果表明,白粉病发生面积和发生程度两种模型均可在发病前1a的12月底和当年4月底进行预报;对1990-2010年的历史回代拟合和2011-2013年的外延预报结果显示,模型Ⅰ和模型Ⅱ预报的小麦白粉病发生面积（1990-2013年）与实际发生面积基本一致,年前和春季病害发生程度预报模型（模型Ⅲ和模型Ⅳ）的历史回代拟合准确率分别为81.0％和90.5％,2011-2013年外延预报误差最大的仅1个等级.说明大气环流特征量对小麦白粉病有较强的气候指示效应,可为小麦白粉病的长期预测提供参考依据.     

基于改进极限学习机的水体溶解氧预测方法

为了有效地指导水产养殖生产,提高溶解氧浓度预测的精度,提出了基于因子筛选和改进极限学习机（Extreme Learning Machine,ELM）的水产养殖溶解氧预测模型。首先,利用皮尔森相关系数法计算各影响因子与溶解氧浓度间的相关系数,提取强关联因子,降低预测模型的输入量维度;采用偏最小二乘算法（Partial Least Square, PLS）优化传统ELM神经网络,避免网络中隐含层共线性问题,保障输出权值的稳定性;然后,结合新型激活函数,构建水体溶解氧浓度预测模型。最后,将SPLS-ELM（Selection Based Partial Least Square Optimized Extreme Learning Machine）预测模型应用到江苏省无锡市南泉基地某试验池塘的水体溶解氧预测中。试验结果表明：该模型的预测均方根误差为0.3232,与最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）、BP神经网络、粒子群（Particle Swarm Optimization,PSO）优化LSSVM和遗传算法（Genetic Algorithm, GA）优化BP神经网络相比分别降低40.98%、44.48%、34.73%和44.18%。且该模型的运行时间仅0.6231s,预测精度和运行效率明显优于其他模型。该模型的溶解氧预测曲线接近真实溶解氧变化曲线,能够满足水产养殖实际生产对水体溶解氧预测的要求。     

参考作物腾发量主成分神经网络预测模型

为解决采用神经网络模型预测参考作物蒸发蒸腾最Eto研究中预测能力不足的问题,将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析,提取主成分,建立了基于主成分的三层BP神经网络模型.选取崇川水利科学试验站2001年到2004年的旬气象资料,采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模犁作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与Eto之间的关系,尤其对训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果.     

利用随机森林法协同SIF和反射率光谱监测小麦条锈病

小麦受到条锈病菌侵染后,作物的光合能力及色素含量等均会发生变化,日光诱导叶绿素荧光(solar-induced chlorophyll fluorescence,SIF)对作物光合生理的变化比较敏感,而反射率光谱则受作物生化参数的影响较大,为了提高小麦条锈病的遥感探测精度,该文利用随机森林(random forest,RF)等机器学习算法开展了协同冠层SIF和反射率微分光谱指数的小麦条锈病病情严重度的遥感探测研究。首先利用3FLD(three bands fraunhofer line discrimination)算法提取了冠层SIF数据,然后结合对小麦条锈病病情严重度敏感的11种反射率微分光谱指数分别基于RF和后向传播(back propagation,BP)神经网络算法构建了反射率微分光谱指数与冠层SIF协同的小麦条锈病病情严重度预测模型。研究结果表明:RF算法构建的小麦条锈病病情严重度预测模型优于BP神经网络算法,3个样本组中RF模型病情指数(disease index,DI)估测值与实测值间的决定系数R2平均为0.92,比BP神经网络模型(R2的平均值为0.83)提高了11%,均方根误差(root mean square error,RMSE)平均为0.08,比同组BP神经网络模型(RMSE的平均值为0.12)减少了33%,RF算法更适合于小麦条锈病病情严重度的遥感探测。在反射率微分光谱指数中加入冠层SIF数据后,RF模型和BP神经网络模型精度均有所改善,其中RF模型估测值与实测值间的平均R2提高了4%,平均RMSE减少了22%,BP神经网络模型估测值与实测值间的平均R2提高了14%,平均RMSE减少了28%,综合利用冠层SIF和反射率微分光谱指数能够改善小麦条锈病病情严重度的遥感探测精度。研究结果可为进一步实现作物健康状况大面积高精度遥感监测提供新的思路。     

宿州春季重旱发生年份的灰色神经网络预测模型

宿州春季严重干旱序列数据偏少,可用传统GM（1,1）模型进行预测,但由于序列变化幅度较大,预测效果不理想。本文利用灰色与BP神经网络组合模型对宿州春季重旱发生年份进行预测,即首先弱化序列变化幅度,并改进GM（1,1）模型导数信息处理方式,构建可逼近精度目标的m—GM（1,1）预测模型,然后应用BP神经网络对m—GM（1,1）模型的残差进行拟合,对m—GM（1,1）预测模型进行修正。结果表明,灰色神经网络组合模型的精度（｜Q｜=0．0045）比单一的1．7-GM（1,1）模型（｜Q｜=4．18）和传统的单一GM（1,1）模型精度（｜Q｜=9．36）提高许多。预测2005年后的下一个宿州市春季严重干旱发生年份为2009年,可以作为预报当地春季干旱时的参考,并结合其他方法作进一步预测,为当地防灾减灾提供科学依据。     

基于改进BP神经网络与支持向量机的土壤墒情预测方法研究

为提高土壤墒情预测精度,提出了一种基于遗传算法（GA）、改进粒子群算法（IPSO）、误差反向传播（BP）神经网络和支持向量机（SVM）的土壤墒情组合预测模型（GA_IPSO_BP-SVM）。该模型首先在BP神经网络的权阈值选择中同时引入GA和IPSO构成GA_IPSO_BP模型,然后对GA_IPSO_BP和SVM模型分别进行训练和数据仿真,最后利用建立的加权模型对GA_IPSO_BP和SVM模型的土壤墒情预测结果进行组合。以安庆市8个监测站某时段内农田土壤墒情数据为例,分别按隔日、两日后和三日后三种时间跨度进行土壤墒情预测,并对照BP、GA-BP、PSO-BP、IPSO-BP、GA_IPSO_BP和SVM模型,验证和比较提出的GA_IPSO_BP-SVM模型的土壤墒情预测精度。结果表明,GA_IPSO_BP-SVM模型的土壤含水量预测相对误差平均值最小。GA_IPSO_BP与SVM模型组合的GA_IPSO_BP-SVM模型提高了土壤墒情的预测精度,更适合于土壤墒情的短期预测,该方法可为农业节水灌溉方案的制定提供技术支撑。     

主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。     

基于遗传神经网络的黑龙江浅表地层水分预测

针对BP神经网络预测土壤墒情容易出现较大空间内存在局部极值点的问题,采用GA算法对BP网络进行优化,根据大豆作物在不同生长阶段的根系分布及吸水情况,划分3个不同发育阶段,5个地层深度,建立3种对应的土壤含水量遗传神经网络预测模型,并应用于黑龙江垦区红星农场大豆田间土壤水分预测,分别对3种模型的整体预测误差进行了分析,2009年大豆播种前期及其全生育期土壤体积含水量预测的平均绝对误差为1.83%,能较好地反映大豆田间土壤水分具体情况,为大豆节水灌溉与管理提供可靠的科学依据,该预测方法亦可为寒地大豆或其他农作物田间土壤水分预测提供借鉴。     

基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农田地表土壤水分反演方法。首先对Sentinel-1微波遥感数据和Sentinel-2光学遥感数据进行预处理并提取21个特征参数;然后采用差分进化特征选择(Differential Evolution Feature Selection,DEFS)算法从21个特征中选出包含10个参数的最优特征子集,并利用主成分分析(Principal Component Analysis,PCA)法将特征子集进行降维;之后建立BP神经网络,采用遗传算法(GeneticAlgorithm,GA)对BP网络的节点权值进行优化,使用降维后的特征矩阵和部分实测土壤含水量数据对BP网络进行训练;最后利用训练好的GA-BP网络对研究区土壤水分进行反演,并利用实测数据对反演结果精度进行对比验证。试验结果表明,该研究反演结果的决定系数为0.789 3,均方根误差为0.028 7 cm~3/cm~3,相比单纯使用GA-BP神经网络,加入DEFS和PCA之后决定系数提高了0.215 7,同时均方根误差降低了0.029 5 cm~3/cm~3。该结果展示了DEFS和PCA算法在土壤水分反演最优特征集选择的有效性,为多源遥感农田地表土壤水分反演提供了新思路。     

基于颜色传感器和遗传算法的牛肉系水力快速检测

为了实现快速检测牛肉系水力,解决肉制品系水力检测不便的问题,该文研究了基于颜色传感器和遗传算法的牛肉系水力快速检测方法。优化了变色试纸与牛肉样品的最佳贴附时间,使用Arduino控制器操控颜色传感器采集试纸颜色参数;将80组牛肉样品分成60个训练组和20个验证组,应用遗传算法优化BP神经网络模型。研究结果表明:在系水力试纸的尺寸为5 cm×2 cm、氯化钴浸泡液浓度为3 g/mL的条件下,得到试纸最佳贴附时间为20 s;经遗传算法优化BP神经网络后,最佳线性回归方程的斜率为0.96,相关系数R~2为0.987,优化后的神经网络模型对系水力等级的预测准确率从90%提高到95%;将检测时间降低到1 min之内,实现了对牛肉系水力等级的快速检测。该研究为进一步开发智能化的肉制品系水力快速检测设备提供了理论依据。     

结合知识图谱与双向长短时记忆网络的小麦条锈病预测

针对现有小麦条锈病预测方法没有利用病害发生因素之间的语义信息,存在预测难度大、准确率低等问题,利用知识图谱(Knowledge Graph, KG)和双向长短时记忆网络(Bi-directional Long Short-Term Memory, Bi-LSTM)处理多源异构复杂数据的各自优势,提出一种基于KG与Bi-LSTM结合的小麦条锈病预测方法。首先,构建小麦条锈病知识图谱,将与小麦条锈病发生相关的环境信息转换为特征向量;其次,利用特征向量训练Bi-LSTM模型,得到基于Bi-LSTM的小麦条锈病预测模型;最后,利用小麦条锈病数据库数据进行试验。结果表明,KG丰富了进行病害预测所描述的语义信息,提升了Bi-LSTM提取高层病害预测特征的能力,从而提高了病害预测的准确率。在小麦条锈病数据库上的预测准确率达到93.21%,比基于Bi-LSTM的病害预测方法提高了4.5个百分点。该方法能较好预测小麦条锈病,为小麦条锈病的预报预警和综合防治提供科学依据。     

基于蜣螂算法优化BP的冬夏生菜根区温度预测模型

为解决生菜应用营养液膜技术（nutrient film technique,NFT）在冬夏季根区温度控制的问题,该研究基于机器学习方法,结合温室内外历史环境数据,构建BP神经网络根区温度预测模型。为提高模型精度,采用蜣螂算法（dung beetle optimizer, DBO）优化BP神经网络模型的输入权重和阈值,构建了冬夏两个季节的基于DBO-BP神经网络的栽培槽内根区温度预测模型,并与GA-BP、BP神经网络模型进行对比。结果表明,根区温度预测值与真实值变化趋势较为一致,DBO-BP模型温度预测最大误差为2.21°C,决定系数为0.943,而GA-BP与BP模型决定系数分别为0.928、0.892;DBO-BP模型评价指标的均方根误差、平均绝对误差分别为0.707、0.549°C,均小于其他模型评价指标。DBO-BP神经网络可满足在NFT栽培中根区温度预测精度的需求,能够为生菜栽培根区快速控温提供有效方法。     

陇南山区小麦条锈病流行程度预测模型

利用1957-2006年陇南山区小麦条锈病资料分析得出：白龙江流域小麦条锈病在海拔1600m以上自生麦苗上越夏，在海拔1000m以下的川坝河谷地无明显的越冬期，春季流行以当地菌源为主，西汉水流域海拔1600m以上区域是陇南小麦条锈病的主要越夏区。小麦感病品种面积比率，上年条锈病越夏菌量、秋苗病情病田率和上年8月、10月及当年1月、3月平均气温与春季小麦条锈病流行程度相关十分显著，10月一次年3月平均气温与小麦条锈病流行程度呈正相关，4—8月平均气温与小麦条锈病流行程度呈负相关，逐月降水量与小麦条锈病流行程度呈正相关，由此建立的预报模型，其历史拟合率可达87．5％，其中偏重到大流行历史拟合率为100％，2006年在业务应用中预报正确。