改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

基于遗传神经网络的采暖季PM10浓度预测

用GA算法和BP算法相结合的算法预测西安市PM10污染浓度,首先采用GA算法优化BP神经网络模型的初始权重,再用BP算法进行精确训练,在此基础上进行浓度预报。实例表明GA-BP神经网络解决了BP神经网络收敛速度慢和易于陷入极小值的问题,提高了预测精度。     

基于粒子群优化的BP网络模型在旱涝预测中的应用

旱涝预测为旱涝灾害防御措施的研究提供重要的依据.运用PSO优化的BP神经网络建立了旱涝预测模型.PSO优化的BP神经网络既发挥了BP神经网络在预测领域的优点,同时又结合了PSO算法全局搜索能力强、收敛速度快等特点进行预测.预测结果表明:辽宁省本溪地区11年实测数据对PSO优化的BP神经网络模型进行验证,PSO优化的BP神经网络模型的预测结果明显好于未经优化的,模型精度得到了一定程度的提高,能满足本溪地区旱涝预测的实际需要.     

BP神经网络和遗传算法相结合在洞庭湖氨氮浓度预测中的应用

BP算法具有寻优精确的特点,而遗传算法具有很强的宏观搜索能力和良好的全局优化性能。因此将遗传算法与BP神经网络相结合,训练时先用遗传算法进行寻优,将搜索范围缩小后,再利用BP神经网络来进行精确求解,可以达到全局寻优和快速高效的目的。设计了一种利用遗传算法优化BP神经网络权重的预测方法,并对洞庭湖氨氮浓度的预测进行了研究。结果表明,丰水期(9月份)数据分布比较均匀,遗传算法优化BP神经网络权重的预测方法的3种学习算法计算值与实际值接近,并优于BP神经网络的计算结果,说明该方法具有较好的预测效果。     

基于BP神经网络的我国农民收入预测模型

依据1978~2008年影响我国农民收入因素的相关数据,选取从事农业的人口、第一产业产值、乡村就业人员数等13个指标,依据标准化方法和BP神经网络方法,建立了关于农民收入的人工神经网络模型,并进行具体分析。结果表明,模拟值与真实值吻合较好,改进BP算法的神经网络模型预测精度高,收敛速度快,具有良好的泛化能力。在此基础上,提出了增加农民收入的建议：一是推进城镇化进程;二是发展农村中小企业;三是鼓励集约经营;四是加强农村基础设施建设和农业科技投入。     

改进的BP神经网络在单桩竖向承载力预测中的应用

提出了用改进的BP神经网络对单桩竖向承载力进行预测的新方法,并编写了相应的训练程序.实例计算表明,改进的BP神经网络算法比一般的BP模型结果误差小、收敛快,对单桩竖向承载力的预测行之有效.     

基于BP神经网络的粮食产量预测模型

提高我国粮食产量的预测精度与效率是人们关注的一个重要问题.BP模型是目前最为广泛应用的神经网络模型之一,它是一种简单又非常有效的算法.将BP神经网络模型应用到粮食产量预测中,并建立了粮食产量的神经网络预测模型,结果表明BP神经网络应用于粮食产量预测是可行的.     

BP神经网络在渭干河流域土壤盐渍化预测中的应用

[目的]比较神经网络算法和传统统计建模方法对土壤盐渍化预测模型的效果.[方法]对渭干河流域多年土壤盐渍化和其影响因子进行分析的基础上,采用BP网络的3种算法,建立基于BP神经网络土壤盐渍化预测模型.将预测结果与多元线性回归模型预测结果进行对比分析,讨论线性和非线性方法用于土壤盐渍化预测模型.[结果]与传统的统计建模方法相比BP神经网络结构简单、快捷,预测精度高,很好地再现了土壤盐渍化与其影响因素之间复杂的非线性函数关系;三种BP算法中,基于trainlm算法建立的壤盐渍化预测模型具有较好的推广能力.[结论]BP神经网络的土壤盐渍化预测性能良好,用来可以预测土壤盐渍化情况.     

基于主成分分析和粒子群优化神经网络的粮食产量预测

粮食产量的预测研究在粮食安全方面具有重要意义,神经网络可以较好地反映粮食产量这一复杂的非线性动态系统。但是传统的BP神经网络预测模型存在学习收敛速度慢、易陷入局部极小值等缺陷,为了改善这一缺陷,提出了一种基于主成分分析(PCA)和粒子群(PSO)优化神经网络的预测模型。首先计算各影响因素与粮食产量之间的相关系数,利用主成分分析方法降低影响因子的维度,将降维后的因子作为神经网络的输入,然后采用BP神经网络建立粮食产量预测模型,其中引入PSO算法对BP神经网络的权值和阈值进行优化,最后使用训练过的BP神经网络预测粮食产量值。预测结果表明,该模型可有效提高预测精度,且收敛速度快,全局收敛性好,为粮食产量预测提供了一种新的途径。     

一类BP神经网络优化评分预测的协同过滤推荐算法

协同过滤推荐算法是当前被广泛关注的推荐算法之一,算法中基于Resnick公式的评分模块只考虑了用户的浏览行为,忽略了用户间的评分影响,而且在数据稀疏的情况下不能较好的发挥评分预测的作用。针对这一不足,提出了一类BP神经网络优化评分预测的协同过滤推荐算法。其中,BP神经网络优化评分预测模块首先将相似用户的评分频数作为输入数据,并将目标用户正确评分作为输出数据进行神经网络训练,然后使用训练完的神经网络对用户评分进行预测。应用该模块分别替换皮尔逊推荐、模糊混合用户推荐和改进后的Top-N推荐代表性算法中的Resnick公式,对应给出了3种BP神经网络优化评分预测的协同过滤推荐算法。Movie-Lens数据集上的试验结果表明,该类协同过滤推荐算法在个性评分预测、特别是在稀疏数据评分预测方面有较强的竞争力。     

基于BP神经网络的闽江上游洪水预报

洪水预报是水文科学中的难题,尤其是多分支河流的洪水演进和预报问题更是水文预报的难点。研究应用VB 6.0编程技术,实现人工神经网络BP算法的程序化,并建立闽江上游洪水过程预报的反向传播神经网络模型。经检验,洪水预测精度较好,结果令人满意,为闽江的洪水预报及调度工作提供新的思路和依据。     

基于免疫粒子群和BP神经网络的变压器故障诊断技术

为了解决粒子群算法的早熟收敛问题和BP神经网络梯度下降训练法收敛速度慢、容易陷入局部极小值的问题,将免疫学中的克隆、变异理论用于粒子群算法的优化,建立免疫粒子群算法并给出算法步骤及免疫粒子群算法训练BP神经网络的步骤,将其应用到电力变压器的故障诊断中．仿真实验证明所提出的方法对变压器故障的诊断准确率可达95％以上,能够满足工程应用的需要．     

基于RBF神经网络的城市需水量预测研究

鉴于RBF神经网络强大的非线性逼近能力及能够避免陷入局部最优的特点，建立了基于RBF神经网络的城市需水量预测模型，为提高神经网络的收敛速度及精度，利用退火遗传算法对网络进行了优化，并以天津市的城市需水量预测为例，进行了实例研究。     

Application of artificial neural networks in yield prediction of potato crop

Forecasting of crop yield is helpful in food management and growth of a nation, which has specially agriculture based economy. In the last few decades, Artificial Neural Networks have been used successfully in different fields of agricultural remote sensing especially in crop type classification and crop area estimation. The present work employed two types of Artificial Neural Networks i.e., a Generalized Regression Neural Network (GRNN) and a Radial Basis Function Neural Network (RBFNN) to predict the yield of potato crops, which have been sown differently (flat and rough). Crop parameters like leaf area index, biomass and plant height were used as input data, while the yield of potato fields as output dataset to train and test the Neural Networks. Both GRNN and RBNN predicted potato crop yield accurately. However based on quick learning capability and lower spread constant (0.5), the GRNN was found a better predictor than RBFNN. Furthermore, the rough surface field was found more productive than flat field.     

脂肪醇沸点的神经网络估算与预测

利用神经网络ＮＮ多层模型及误差反向传播算法（ＢＰＮＮ）研究了脂肪醇沸点与结构的定量关系。并用所提出的方法对多种脂肪醇沸点进行估算和预测，获得良好结果。可在ＱＳＡＲ研究中取得应用。     

基于径向基神经网络的水轮机组故障诊断研究

针对传统意义的BP(B ack-P ropagated)神经网络在水轮机故障诊断中的不足,提出了一种基于径向基RBF(R ad ia l bas is function)神经网络的水轮机组故障诊断方法。实例应用表明,该方法克服了BP神经网络的不足,具有精度高、收敛快、可以避免局部极小值的优点;RBF神经网络收敛速度约是BP神经网络的40倍,并能准确地诊断出水轮机组的故障。     

人工神经网络及其在植物保护中的应用

介绍了人工神经网络(ANN)的主要特点及误差反向传播网络(BP)的工作原理。综述了人工神经网络在植物病虫害的诊断、虫害和病害流行预测等方面的应用研究进展,并讨论了提高人工神经网络预测精度应注意的问题。     

深度学习在大田种植中的应用及展望

深度学习是目前机器学习领域最前沿和最具前景的技术,本研究采用归纳总结法,介绍了深度学习的特征及与传统机器学习的区别,归纳和梳理了深度学习在大田种植中的应用现状。结果表明:1)深度学习在大田种植中的应用初现端倪,主要集中在作物的识别与分类、农业遥感影像应用、土壤环境监测、农业场景识别等;2)采用的主要模型有卷积神经网络(CNN)、自编码(AE)、深度置信网络(DBN)、堆栈自编码(SAE)、全卷积神经网络(FCN)、深度神经网络(DCNN)等,其对各领域的分类与识别精度均有提高;3)目前存在的主要问题是标注数据缺乏,尤其在遥感图像分类领域,普遍采用了迁移学习、数据增强、微调等技术来解决标注数据缺乏的问题。随着大田种植领域数据的增长以及信息技术的快速发展,基于深度学习和多源异构数据的作物识别与分类、作物长势监测、病虫害预测预警、农作物产量预测、果树花朵及果体识别、水果质量及产量的优化控制等将会获得较快发展。     

BP-ANN模型在地下水动态预测中的应用研究

地下水动态预测的研究是地下水评价的重要内容,而因受降水、开采、蒸发等多种因素制约,使地下水水位在时序上常表现出复杂的非线性特征。文章采用人工神经网络方法对某农场的地下水动态进行预测。结果表明,该方法具有很高的拟合精度,是一种具有广泛应用价值的新方法。     

Artificial Neural Network estimation of soil erosion and nutrient concentrations in runoff from land application areas

The transport of sediment and nutrients from land application areas is an environmental concern. New methods are needed for estimating soil and nutrient concentrations of runoff from cropland areas on which manure is applied. Artificial Neural Networks (ANNs) trained with a backpropagation (BP) algorithm were used to estimate soil erosion, dissolved P (DP) and NH₄–N concentrations of runoff from a land application site near Lincoln, Nebraska, USA. Simulation results from ANN-derived models showed that the amount of soil eroded is positively correlated with rainfall and runoff. In addition, concentrations of DP and NH₄–N in overland flow were related to measurements of runoff, EC and pH. Coefficient of determination values (R²) relating predicted versus measured estimates of soil erosion, DP, and NH₄–N were 0.62, 0.72 and 0.92, respectively. The ANN models derived from measurements of runoff, electrical conductivity (EC) and pH provided reliable estimates of DP and NH₄–N concentrations in runoff.