基于经验模态分解与BP神经网络的农机总动力增长预测

为提高农机总动力增长变化预测结果的准确性和可靠性,根据农机总动力增长变化与其影响因素之间具有在各时间尺度明显的非线性波动特征,提出以1986—2013年农机总动力增长为研究对象,分别对农机总动力增长及其影响因素时间序列数据进行经验模态分解(empirical mode decomposition,EMD),对得到的各时间尺度下的波动分量分别建立BP神经网络预测模型。将EMD-BP网络预测结果与多元线性回归、支持向量机、BP神经网络进行对比分析,结果表明:基于EMD-BP网络建立的农机总动力增长预测模型,拟合和预测平均相对误差分别为0.99%和1.29%,相关决定系数约为0.999,均方根误差为316.35 MW,模型评价等级为"好",各项精度评价指标都优于其他方法,因此该预测模型精度高、可靠性强。研究成果为农业机械化发展规划的制定和出台相关政策提供有效参考。     

基于Shapley值的农机装备水平组合预测(简报)

对农机装备水平的定量预测可以为农业机械化发展目标的制定提供依据.该文选用ARIMA时间序列和BP神经网络模型,再基于Shapley值法分配权重,构建了新的组合预测模型,并以1979～2005年山西省农机总动力、大中型拖拉机及配套农机具、小型拖拉机及配套农机具的统计数据为依据进行了颁测.预测结果表明,该组合预测模型的预测精度高于选定的各预测模型,对农机装备水半的预测是可行、有效的.以此模型预测山西省2010年农机总动力、大中型拖拉机、小型拖拉机、大中型拖拉机配套农机具、小型拖拉机配套农机具、大中拖拉机配套机具比、小型拖拉机配套农机具比将达到2619万kW、43479台、297546台、84638套、327743套、1.95、1.10.     

灰色-马尔柯夫链预测水稻产量的方法及其应用

将灰色系统预测模型GM(1,1)与马尔柯夫链相结合,建立玉林市早稻产量预测模型。应用结果表明:(1)模型具有灰色微分动态模型的特点,反映了产量变化的灰色过程;(2)应用马尔柯夫链对该模型所产生的误差进行修正,克服了GM模型误差较大等缺点,大大提高了预测精度,(3)灰色系统理论与随机过程理论相结合,互相取长补短,为统计理论发展开创了新的路径,也为产量预测预报提供了新的方法。     

基于灰色预测法的芜湖市耕地变化研究

应用灰色系统预测理论，建立芜湖市耕地预测模型GM（1，1），利用1996-2003年耕地面积建立时间数列，对其求解、检验、预测，可得到今后数年的芜湖市耕地面积数量，对合理利用耕地资源、实现耕地的可持续发展有重要意义。最后并对灰色系统模型应用于耕地面积预测作了可行性分析，研究表明：①灰色模型适合于任何一个无规律到有规律的系统。②耕地数据在主导因素——政府政策没有太大的变化的情况下，它本身就是一个理想的灰色数列。③应用灰色模型作耕地面积预测为政府做耕地长期规划提供了一个较精确的预算方案。     

黑龙江省农业机械化作业水平预测方法

黑龙江省农机化作业水平的预测是一个复杂的非线性系统,其发展变化具有增长性和波动性,对于拟合的方法要求较高。该文对黑龙江省农机化作业水平预测方法进行研究,在传统预测模型灰色GM(1,1)模型、平滑预测模型和回归预测模型的基础上建立了基础预测模型,并与BP神经网络模型组合,建立了灰色神经网络、平滑回归神经网络等组合预测模型,并预测了黑龙江省2008～2015年的农机化耕、种、收、植保、灌溉作业水平。结果表明,新的预测方法拟合精度高、有效、可行,为农机化作业水平的预测提供了一条新的途径;黑龙江省机耕、机播、植保作业水平很高,但是机收作业水平不高,机械化灌溉是主要的瓶颈,需要进一步发展。     

零陵地区农机总动力及其构成发展预测

利用零陵地区1952～1987年农机动力发展统计资料,以Gompertz曲线进行拟合,建立了有较强预测能力的回归方程:(万kW),求得2000年地区农机总动力预测值为133.49(万 kW)。 对总动力构成(包括机电排灌动力、内燃机、拖拉机、小拖、农用汽车、电动机等)进行了预测,分析表明它们与农机总动力呈线性正相关关系,其预测值为:机电排灌动力29.61(万kW),内燃机为47.52     

浙江省严重干旱发生年份的GM（1，1）预测模型

传统灰色GM（1，1）模型对稳定序列的中长期预测效果较好，对变化幅度较大的严重干旱年序列的中长期预测效果较差。本文采用中心逼近式灰色GM（1，1）模型，通过调整m值，使模型精度达到要求，从而建立浙江省严重干旱发生年份的GM（1，1）预测模型。拟合结果表明，该方法对预测浙江省下一个严重干旱发生年有一定的参考价值。     

农机总动力增长波动影响因素分析

为了明确农机总动力增长波动变化的特征,分析不同因素对农机总动力增长波动影响的大小,进而采取有效的措施来稳定和加快农机总动力增长。针对农机总动力增长波动的复杂性与非线性的特点,采用经验模态分解法对1986-2013年农机总动力增长及其影响因素进行多层次、多尺度分解,得到各本征模态函数分量和趋势量,并采用集对分析理论分析农机总动力增长各本征模态函数分量与其相对应影响因素之间的联系度,进而计算得到各影响因素对农机总动力增长波动的综合影响率。结果表明,政府投入、劳均(每个劳动力)播种面积、燃料价格指数、粮食单产、非农产业的发展和第一产业从业人员数对农机总动力增长波动的综合影响率分别为23.89%、23.73%、23.67%、7.13%、7.41%和14.17%,农民人均纯收入、农业劳均产值、机械化农具价格指数、初中文化以上农村劳动力比例4个影响因素对农机总动力增长波动不产生影响,只对增长趋势量有影响。该研究成果为农业机械化发展政策的调整和制定提供了参考。     

作物产量灰色马尔柯夫链预测模型

以黑龙江垦区１９４９－１９９２年小麦单产资料为例，用灰色系统ＧＭ（１，１）动态预测模拟和预测趋势产量，用马尔柯夫链动态预测模型预报气象产量，从而组合一套完整的作特意一灰色马尔柯夫链预测模型。以此模型对黑龙江垦区小麦单进行预测，其结果均怀实况基本相符。     

小水电代燃料生态保护区农村用电量预测研究

小水电代燃料生态保护工程是以生态效益为主的公益性工程，论文结合小水电代燃料生态保护工程的特点，利用灰色系统理论建立了项目区未实施小水电代燃料情况的农村年用电量预测模型，将实施小水电代燃料工程后的农村用电量分为代燃料生活用电量和常规用电量两部分，应用弹性系数法建立了常规用电量预测模型。实例应用表明，灰色预测模型和弹性系数预测模型对于小水电代燃料农村用电量和常规用电量预测是十分有效的；小水电代燃料工程实施后，不仅会极大地增加代燃料用电量，也会带动项目区常规用电量的增长。研究成果为小水电代燃料工程的生态环境效益评估、确定代燃料电价、制定多能互补方案奠定了科学基础。     

基于新疆粮食产量的灰色关联分析及其BP模型预测

为明确影响新疆粮食产量的主要因素及预测未来变化,采用灰色关联法和BP神经网络预测模型,对2000—2019年影响新疆粮食产量的9个关联指标进行分析。结果表明,粮食作物播种面积、劳动力数量和有效灌溉面积是影响新疆粮食产量的主要因素,其关联度均高于0.91。从新疆的实际情况和关联度分析出发,确定影响粮食产量的6个重要因素是粮食作物播种面积、就业人数、有效灌溉面积、农业机械总动力、化肥施用量和新疆人口数量。利用matlab2015b软件构建BP神经网络模型,预测2020年新疆粮食产量为1 542.7万t,预测值与当年的实际粮食产量相差不大,说明BP神经网络模型对粮食产量的预测具有很好的匹配性。     

基于人工神经网络的PV/T热电联供系统性能预测

为研究太阳能PV/T热电联供系统的性能和针对太阳能PV/T系统复杂的能量平衡方程,搭建了太阳能PV/T系统试验台,同时建立了基于改进灰狼优化的BP神经网络(back propagation neural network model based on improved grey wolf algorithm, IGWO-BP)预测模型,在晴朗天气下进行试验,并采用该模型对系统电功率以及蓄热水箱内水温进行预测。结果显示,晴朗日系统的电效率8.7%～12.2%、热效率51.7%;预测结果与BP神经网络预测模型、基于粒子群优化的BP神经网络(back propagation neural network based on particle swarm optimization, PSO-BP)预测模型和卷积神经网络（convolutional neural network, CNN）预测模型预测结果进行比较,结果显示IGWO-BP预测模型电效率预测模型的绝对百分比误差(mean absolute percentage error, MAPE)、决定系数(determination coefficient, R ² )、均方根误差(root mean square error, RMSE)、效率因子(efficient factor, EF)和Pearson相关系数(pearson related coefficient, r )分别为4.5E-05、0.99、0.24、0.99和1.00,在储热罐温度预测中,上述指标分别为8.90E-04、0.98、0.07、0.98、0.99,均优于其他预测模型,IGWO-BP神经网络预测模型具有更好的预测性能。研究结果可为太阳能PV/T热电联供系统性能预测与优化控制提供参考。     

基于Logistic回归和RBF神经网络的土壤侵蚀模数预测

[目的]寻求估算土壤侵蚀模数的新方法,并通过GIS实现对土壤侵蚀空间分布情况的预测。[方法]采用土壤侵蚀模数作为判别条件,分别验证基于Logistic回归和RBF神经网络而建立的土壤侵蚀预报模型的适用性,进而构建并验证改进模型——LOG-RBF神经网络土壤侵蚀预测模型。[结果](1)Logistic回归模型判别目标土地是否发生土壤侵蚀的优势明显,未发生和发生土壤侵蚀的预测正确率分别为77.4%和97.9%,总预测正确率为94.9%。(2)RBF神经网络模型估计土壤侵蚀模数的能力较强,模拟结果的相对误差和平方和误差分别为0.612%和13.292,R2为0.57。(3)LOG-RBF神经网络土壤侵蚀预测模型预测结果的相对误差和平方和误差比RBF神经网络模型模拟结果分别降低了0.157%和2.601。R2为0.82,拟合程度上优于RBF神经网络模型。随着土壤侵蚀模数的增大,错估现象呈逐渐减少趋势。通过受试者工作特征曲线的判别,LOG-RBF神经网络模型的曲线下面积值比RBF神经网络模型大0.063,模型判断的准确性更高。[结论]利用LOG-RBF神经网络土壤侵蚀预测模型可更准确地估计土壤侵蚀模数,基于GIS能够预测土壤侵蚀的空间分布情况。     

基于PINNs的单旋翼植保无人机下洗流场预测模型

植保无人机（unmanned aerial vehicle,UAV）进行喷施作业时,旋翼高速旋转所产生的下洗流场是影响雾滴飘移的重要因素。为了快速准确地预测单旋翼植保无人机下洗流场的速度等流场参数,提升无人机精准施药效果,该研究基于物理信息神经网络（physics-informed neural networks,PINNs）构建了单旋翼植保无人机下洗流场的预测模型。在全连接神经网络结构的基础上,嵌入纳维-斯托克斯（Navier-Stokes,N-S）方程作为物理学损失项来参与训练,减轻网络模型对数据依赖性的同时增强了模型的可解释性。通过最小化损失函数,使得该模型学习到流场中流体的运动规律,以得到时空坐标与速度信息等物理量之间的映射关系,从而实现对单旋翼无人机下洗流场的速度等参数的快速预测。并通过风洞试验验证了该预测模型的可行性和准确性,结果表明：没有侧风的情况下,预测模型在旋翼下方0.3、0.7、1.1以及1.5 m 4个不同高度处各向速度的预测值和试验值的误差均小于0.6 m/s,具有较小的差异性;不同侧风风速情况下,水平和竖直方向速度的预测值与试验值的总体拟合优度R2分别为0.941和0.936,表明所提出的模型在单旋翼植保无人机下洗流场预测方面具有良好的应用效果,能够快速准确地预测下洗流场的速度信息。结果可为进一步研究旋翼风场对雾滴沉积分布特性的影响机理提供数据支撑。     

基于机械特性BP神经网络的苹果贮藏品质预测

应用L－M优化算法BP神经网络，通过用苹果机械特性指标(压缩时的最大力、屈服力、弹性模量)预测苹果贮藏品质(硬度、水分、可溶性固形物、总酸)的方法，建立贮藏品质的人工神经网络模型。用试验所测的机械特性指标为输入，苹果贮藏品质为输出来确定网络的拓扑结构，训练建立的BP神经网络。仿真结果表明：该神经网络模型用机械特性指标能预测苹果贮藏品质，同时通过5组非样本数据来验证该神经网络，模型的预测值与实测值的相对误差在5%以下，能够满足工程应用中预测苹果贮藏品质的精度要求。     

基于BP神经网络的离心泵关死点功率预测

离心泵关死点功率至今还不能通过理论计算求得。该文介绍了BP神经网络的结构和特点及其在离心泵性能预测领域的应用现状。基于BP神经网络建立了离心泵关死点功率的预测模型。给出了预测模型的输入模式,并应用试凑法确定了BP神经网络中间隐含层的数目。用46组数据该预测模型进行了训练并给出了神经网络权值和阈值,用3组数据该预测模型进行了仿真并对仿真结果进行了线性回归分析。研究结果表明:建立的离心泵关死点功率预测模型具有比较高的预测精度,其预测平均偏差为4%,可以应用于工程实践中离心泵关死点功率的理论求解。     

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...