基于改进的神经网络预测气候因子对大青杨早材纤维壁厚度和生长速率的影响

为更好地判断气候因子对木材的材质和生长规律的影响,采用径向基函数(RBF)神经网络模型进行模拟,在此基础上提出了一种自适应RBF神经网络以提高拟合精度。结果表明:基于自适应RBF神经网络建立的早材胞壁率及生长速度影响对气候因子响应模型,可以很好地改进传统RBF算法的不足,此算法能较准确的预测人工林大青杨的生长规律,且相比于传统RBF其仿真速度得到显著提高,误差显著减小。     

基于多项式与神经网络的陇南林区降水量预测模型

本文基于径向基函数(radial basis function,RBF)神经网络非线性映射能力强、学习收敛快的特点,结合降雨量预测时全年各月降水量对待测月份降水量的相关性,提出一种多项式与径向基函数神经网络混合预测模型,并利用甘肃陇南各林区1944—2011年月降水量为样本对模型进行验证。仿真结果表明:在相同的样本空间下,本文预测模型与一般神经网络相比较,在降水量丰富的月份预测值与实际值误差更小,且收敛速度更快。     

叶尔羌河年径流预测模型研究与应用

为提高叶尔羌河中长期径流预测精度,基于小波分析的基础上建立遗传算法优化BP神经网络的耦合模型,对60年叶尔羌河年径流时间序列进行研究。结果表明:耦合模型综合了两者的优势,在保留神经网络优良非线性拟合能力的同时,又融入遗传算法的容错性和全局搜索能力,提高预测径流时的学习速度和泛化能力。在对年径流进行预测时,其预测平均误差为-2.69%,而采用传统单纯的BP神经网络模型预测的平均误差为-10.25%。从预测误差检验以及模型的对比结果可知此模型合理、可行,因此该算法有助于解决叶尔羌河中长期径流预测问题。     

基于改进径向基函数的降雨量短期预测研究

为提高短期降水量预测的精度,尤其是汛期降水量的准确估计对防洪减灾以及水资源管理都具有很重要的指导意义。将具有较强非线性映射能力的人工神经网络技术用于汛期降水量预测,更符合降水量的随机相关特征,能切实提高其预测精度。将基于密度参数改进传统K-均值算法与径向基函数神经网络(radial basis function,RBF)耦合,提出了一种新的短期降雨量预报模型。并将所构建的模型应用于黑龙江省双鸭山市汛期月降雨量预报中进行验证。RBF神经网络是一种泛化能力较强的前馈型神经网络模型;密度参数可以通过寻找聚类中心至样本平均距离区域内样本的最优密度,使K-均值算法确定的RBF神经网络基函数中心减少波动,消除标准K-均值算法对初始聚类中心的敏感性,提高RBF网络的逼近能力和网络中心的搜索速度。研究结果表明:基于改进径向基函数的降雨预报模型对于预见期2010年、2011年和2012年的汛期(6~9月)降雨量的计算平均相对误差为10.81%,确定性系数为0.95,预报精度比标准K-均值算法和BP神经网络两种模型的计算结果都有所提高。本研究确定的径向基函数能够更好地描述研究区域汛期月降雨量间的映射关系,与标准K-均值算法和BP神经网络两种模型相比,除预报精度有所提高外,其收敛速度更快,这表明本方法能对短期降水预报提供更高的预报精度。     

基于最小二乘支持向量机的灌区粮食产量预测研究(英文)

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i(允许错分的松弛变量)的二范数。这使得最小二乘向量机的优化问题为:min(1/2)‖w‖~2+C(1/2)sum from i=1 to 1ξ_i~2(ξ_i是松驰变量;C为正则化参数)。用于函数估计的最小二乘SVM为:y(x)=sum from k=1 to Nα_k K(x,x_k)+b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数(γ为可调参数,σ为核函数宽度系数),参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

基于径向基函数神经网络的植烟土地适宜性评价

在Matlab7.0环境下, 根据人工神经网络的理论和方法, 以重庆市彭水县植烟土地的实测数据及评价标准构建径向基函数神经网络模型, 并进行模型训练及样本评价;在ArcGIS技术支持下, 进行不同尺度土地适宜性评价及精度检验. 结果表明: 采用最近邻聚类学习算法选取聚类中心, 模型具有较强非线性处理能力和逼近能力, 并具有学习时间短, 网络运算速度快, 性能稳定等优点;通过模型评价结果和检验值的验证, 发现用径向基函数神经网络模型评价土地适宜性, 具有评价精度高, 使用方便, 适应性强等优点, 因此可望将其用于区域土地资源生态环境分类评价研究.     

基于径向基函数神经网络的植烟土地适宜性评价

在Matlab7．0环境下,根据人工神经网络的理论和方法,以重庆市彭水县植烟土地的实测数据及评价标准构建径向基函数神经网络模型,并进行模型训练及样本评价;在ArcGIS技术支持下,进行不同尺度土地适宜性评价及精度检验．结果表明：采用最近邻聚类学习算法选取聚类中心,模型具有较强非线性处理能力和逼近能力,并具有学习时间短,网络运算速度快,性能稳定等优点;通过模型评价结果和检验值的验证,发现用径向基函数神经网络模型评价土地适宜性,具有评价精度高,使用方便,适应性强等优点,因此可望将其用于区域土地资源生态环境分类评价研究．     

基于EVI-RBF的玉米长势监测及产量预测

近年来,农作物长势监测和产量预测研究大多是通过建立复杂的生长模型来实现的,而这往往不具有较强的推广性。本研究建立了一种基于植被指数和产量统计数据的玉米长势监测及产量预测方法。以玉米为研究对象,利用MODIS09A1数据建立其2000-2018年的增强型植被指数(EVI)时间序列,并将该序列作为径向基(RBF)神经网络的输入参数,下一阶段的EVI值或玉米产量作为网络的输出参数,完成玉米的长势监测及产量预测。该方法被成功应用到黑龙江省哈尔滨市宾县的玉米研究中,对玉米EVI值的预测精度达到了90.0%以上,产量预测相较于传统的线性回归模型也有明显提高,预测精度达到了98.6%。依赖植被指数和产量统计数据的长势监测及产量预测方法有较大的应用推广前景。     

基于改进果蝇算法优化广义回归神经网络的绿色农产品消费行为预测

针对绿色农产品消费行为具有多变量非线性相互作用的特点，传统统计方法难以准确预测消费行为的问题，提出基于改进果蝇算法优化的广义回归神经网络消费行为预测模型。首先针对果蝇群搜索不均匀所导致果蝇飞行单一的问题，提出一种均匀的果蝇群搜索机制即扇形果蝇优化算法加快搜索能力和效率；其次针对广义回归神经网络的平滑因子易受人为选择的影响，提出改进果蝇算法优化广义回归神经网络参数，实现参数的自动化选择，提高模型的预测能力。运用提出的模型对绿色农产品消费行为预测。结果表明：相较于广义回归神经网络，遗传算法优化广义回归神经网络、粒子群算法优化广义回归神经网络、果蝇算法优化广义回归神经网络和改进果蝇算法优化广义回归神经网络模型在均方根误差指标上分别下降4.45%、1.89%、4.54%和5.03%,表明遗传算法、粒子群算法、果蝇算法和改进果蝇算法能够优化广义回归神经网络模型的平滑因子，提高模型的预测精度。从平均绝对误差、均方误差、均方根误差3个评价指标看，改进果蝇算法优化广义回归神经网络模型比其他6个单一预测模型具有更高预测精度。结果证明了改进果蝇算法优化广义回归神经网络模型在绿色农产品消费行为预测的有效性，...     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i（允许错分的松弛变量）的二范数。这使得最小二乘向量机的优化问题为：min（1/2）‖w‖^2＋C（1/2）sum from i=1 to 1ξi~2（ξi是松驰变量;C为正则化参数）。用于函数估计的最小二乘SVM为：y（x）=sum from k=1 to Nαk K（x,xk）＋b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数（γ为可调参数,σ为核函数宽度系数）,参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

组合预测方法在玉米施肥预测中的应用

为提高玉米施肥量预测的精度,利用拉格朗日乘数法,基于预测误差平方和最小这一目标,对肥料效应函数、神经网络施肥预测方法这2种单一施肥量预测模型进行加权组合,建立了玉米施肥组合预测模型。预测结果显示:肥料效应函数、神经网络施肥预测方法和组合预测模型的预测误差平方和分别为2789.40,653.79,421.72,说明玉米施肥组合预测模型优于单一施肥预测模型;采用组合预测方法对玉米施肥量进行预测,能够显著提高预测精度。     

基于遗传算法优化小波神经网络的煤炭铁路运量预测模型研究

鉴于煤炭铁路运量预测的复杂性和随机性,本文利用遗传算法优化小波神经网络模型的方法进行运量预测。该模型高度融合了小波神经网络和遗传算法的优点,具有广泛映射能力和全局搜索能力,从而保证了预测精度。结果表明,优化模型计算的预测值和实际值之间的相对误差低于3%,说明该模型具有较高精度。     

基于模糊控制与RBF神经网络的桃树病虫害发生预测

将模糊控制引入到径向基函数(RBF)神经网络中,采用模糊控制与RBF神经网络相结合的方式建立预测模型,对河北顺平地区种植的桃树进行病虫害发生预测.仿真结果表明,该预测模型相对误差小,并解决了人工神经网络缺乏处理不确定性和模糊信息能力的缺点,预测预报及时、准确.     

灰色广义回归神经网络在木薯产量预测中的应用

将GM(1,1)预测模型与广义回归神经网络(GRNN)相融合,构建一种兼具两者优点、互补型的灰色广义回归神经网络(GGRNN).以1985-2007年度广西木薯鲜薯总产量为数据样本,采用GGRNN模型进行广西木薯产量预测研究.研究结果表明,GGRNN训练期平均拟合指数、预测期平均拟合指数分别为0.99和0.93,分别比GM(1,1)模型高0.09和0.04.该组合模型在拟合精度和预测精度方面均优于单一的GM(1,1)预测模型,并具有自学习能力、非线性映射能力以及适应性强等优点,为木薯产量预测的定量化和智能化提供了一条有效途径.     

城市用水量非线性组合预测方法研究

利用小波网络构造模型的优化组合函数,建立了城市用水量非线性组合预测模型.将非线性组合函数的拟合转化为小波网络参数的估计,采用遗忘因子法训练网络的权值,利用递推预报误差算法训练尺度因子和平移因子.实例表明,该方法具有很强的泛化能力与自适应数据和函数变化的能力,能够有效提高预测精度,克服了线性组合预测方法适应性不强的问题.     

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。     

重型拖拉机液压机械无级变速箱冷却润滑油液的分配优化

[目的]为了实现重型拖拉机液压机械无级变速箱(hydro-mechanical continuously variable transmission, HMCVT)内部各个零件的良好润滑,提出一种冷却润滑油路的优化方法,实现油液合理分配。[方法]采用计算流体力学(Computational Fluid Dynamics, CFD)仿真与试验验证相结合的方法获取样本数据,利用径向基(radial basis function, RBF)神经网络建立出口孔径与出口流量的拟合函数,并构建以出口流量与目标流量误差平方和为优化目标的优化函数,运用惩罚函数法与遗传算法优化获得流量误差最小的流道结构参数。[结果]建立的CFD模型仿真结果与试验结果误差均小于10%,说明利用CFD方法计算润滑油路各出口流量值是切实可行的。利用RBF神经网络方法拟合的孔径-流量函数具有很高精度,决定系数均在0.95以上,优化后的冷却润滑油液分配更加合理,与目标流量值误差在5%以内。[结论]本文提出的冷却润滑油液合理分配的油路优化设计方法,能够减少设计成本,准确实现油液的精确分配,为变速箱润滑油路的设计提供了理论依据。     

基于改进BP神经网络的价格预测模型研究

人工神经网络是一种人工智能算法,具有强大功能,可任意逼近非线性连续函数。面对畜产品价格变化的复杂因素,文章运用MATLAB实现各种BP神经网络的设计和训练,利用改进的神经网络算法即在权值中引入动量项,输入层至隐含层的传递函数采用S型曲线,隐含层至输出层的传递函数采用线性函数,对东北地区畜产品价格进行预测。结果显示模拟数据与实测数据拟合性很好、预测精度较高、泛化能力较好,可为畜产品价格预测提供一种全新思路和方法。     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015 年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明：通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab 平台上训练精度设为0.005、学习率0.01 的BP神经网络方法可以很好地逼近非线性函数。用大于1/3 样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

用MTF-QNN模型预测水中溶解氧含量

研究水中溶解氧含量的预测问题,可为水厂生产、水产养殖业、地表水环境的管理提供科学依据。影响水中溶解氧的各因素关系复杂,很难进行数学建模,神经网络由于具有较强的非线性问题处理能力而被广泛应用于水中溶解氧的预测研究。由于传统神经网络具有陷入局部极小、收敛速度慢并且网络冗余度较大等缺陷,为提高网络的正确预测能力和泛化能力,采用多层激励函数(modulation transfer function,简称MTF)与量子神经网络(quantum neural network,简称QNN)相结合建立水中溶解氧预测模型,但若用神经网络作为前馈型网络,它的沿梯度下降的算法会使其在进行网络训练时有可能陷入局部极小,针对这一缺陷,提出一种可以使量子神经网络逃离局部极小点的算法,并将它应用到量子神经网络中进行网络误差调整。仿真结果表明,与传统BP(back propagation)神经网络预测结果相比,采用多层激励函数的量子神经网络(modulation transfer function-quantum neural network,简称MTF-QNN)预测水中溶解氧含量的预测精度更高。