用灰色神经网络组合模型预测农机总动力发展

农机总动力的需求预测是一个复杂的非线形系统，其发展变化具有增长性和波动性。该文首先在灰色预测模型的基础上建立了新陈代谢型灰色预测模型群，然后结合灰色GM(1,1)模型和BP网络模型的优缺点，建立了串联新陈代谢型灰色神经网络组合预测模型，并对中国农机总动力需求进行了预测，结果表明预测值和实际结果有很好的一致性。     

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。     

核桃不饱和脂肪酸总量预测线性与非线性模型

为研究核桃的外观形状变化与内部营养成分累积的规律,以35个核桃品种的果实为试验材料,分析测定其脂肪、蛋白质、糖分、粗纤维、水分含量及外观指标,采用多元线性回归分析、主成分分析、BP神经网络等数学方法,建立核桃不饱和脂肪酸的预测模型。结果表明,基于16项常规理化及外观测定数据建立的线性模型(LM)和非线性模型(NLM)对核桃不饱和脂肪酸(UFA)总量、多不饱和脂肪酸(PUFA)和单不饱和脂肪酸(MUFA)预测的可靠性存在差异;NLM的可靠性优于LM,即RNLMRLM;全因素的BP神经网络模型可用于MUFA的预测,预测的平均相对误差为0.59%,基于主成分的BP神经网络模型可用于UFA总量的预测,预测的平均相对误差为4.58%。本研究结果为核桃加工利用过程中原料选择、品质评价、质量控制等环节提供了相关的理论依据。     

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.     

基于集合经验模态分解与Elman神经网络的线椒株高预测

为提高温室环境控制系统的有效性,针对作物生长量的变化与环境因子的变化存在时间尺度不统一的问题,该文基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)与Elman神经网络建模,提出一种线椒株高生长量预测方法。以8819线椒为试验对象,分别对线椒株高及其环境因子进行EEMD分解,对各尺度下的时间序列建立EEMD-Elman预测模型。结果表明:应用EEMD-Elman神经网络建立线椒株高生长量预测模型,模型预测值与实测值的平均绝对误差为1.69 cm,相关决定系数为0.996,标准误为1.104,模型预测结果与实测值呈极显著性相关。研究结果可以解决作物生长变化与环境变化时间尺度不统一的问题,为温室环境控制系统的控制目标的优化提供有效参数。     

基于BP神经网络的城市边缘带土壤重金属污染预测——以成都平原土壤Cd为例

随着成都平原城市化快速发展,城市边缘带土壤重金属污染风险逐渐增大。而关于社会经济对土壤重金属污染定量影响的研究方法还较为欠缺。本文利用BP人工神经网络方法,建立了12输入、1输出、1个隐含层的三层BP神经网络,定量研究成都平原城市发展中社会经济影响因素与土壤重金属Cd含量间的内在联系。网络拟合精度达97.02%,模型拟合程度高。运用该BP网络模型对城市化影响下城市边缘带土壤重金属Cd含量进行预测,其预测精度为84.19%,明显高于传统回归模型71.55%的预测精度,体现出神经网络预测模型的优越性。利用2005年和2010年各影响因素的预测值,将这两组值分别作为网络的输入,并和以前的样本合并再重新训练更新网络权值,得到2005年和2010年各区/县土壤重金属Cd预测值。     

基于神经网络预测的无线传感器网络田间射频信号路径损耗

为解决应用无线传感器网络技术监测农田信息时无法快速预测射频信号路径损耗的问题,基于神经网络理论研究了田间路径损耗与其影响因素间的关系。试验中选取915和2 470 MHz 2个载波频率,在冬小麦的不同生长阶段测量射频信号在田间各影响因素作用下的路径损耗,建立和验证基于神经网络的射频信号田间路径损耗预测模型。所建立模型模拟值与实测值的相关系数为0.92,应用建立的神经网络预测田间射频信号路径损耗并与实测值对比,最大预测误差绝对值为4.186 dB,最大预测标准差为2.759 dB,预测准确度为94.2%。所建立的BP网络可以对田间射频信号路径损耗进行预测。     

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R-BP神经网络的温室小气候多步滚动预测模型

温室高效生产依赖于适宜的温室小气候环境,建立高精度的温室小气候多步预测模型对实现温室环境优化调控具有重要意义。本研究提出一种基于滚动的反向传播神经网络（Rolling Back Propagation Neural Network, R-BP）的温室小气候多步滚动预测模型。模型主要包括两个阶段：（1）建立初始的BP神经网络。采用自动编码器无监督学习方法获取初始网络参数,并利用改进的粒子群算法优化网络参数。（2）建立滚动的BP神经网络群。将前一个网络输出作为后一个网络的部分输入进行滚动训练和预测,实现温室小气候多步滚动预测。为验证R-BP模型的有效性,在阿拉伯联合酋长国阿布扎比市的自控温室和中国苏州市的非自控温室分别进行试验。验证试验表明,与传统BP神经网络相比,在阿布扎比温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低69.9%,预测相对湿度,其平均误差降低47%;在苏州温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低43.3%,预测相对湿度,其平均误差降低55.6%。说明R-BP模型能够较准确预测未来6h内温室小气候环境变化,可为制定温室小气候优化调控方案提供依据。     

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。     

基于半监督BP_Adaboost的农机作业效益评估

为提升农机管理水平和用户收益，该研究利用影响作业效益的因素，以每台农机一天的作业信息作为一条数据评估农机当天作业效益。作业信息包括农机作业效率、油耗、作业质量、重复作业率、遗漏作业率、有效作业时间占比等。使用半监督BP_Adaboost方法对农机作业效益进行评估，对部分数据进行人工评分，根据评分结果标记农机每天作业效益的好坏，其中一部分作为训练样本，另一部分作为测试样本，再利用BP_Adaboost方法训练模型后对剩余未评分数据预测，以减少训练样本的人工标记工作量和提高模型准确性。从32 000条深松作业数据中选取1 000条样本进行标记，其中500条作为训练样本，500条作为测试样本，使用BP_Adaboost方法得到的模型预测准确率为93.36%，使用半监督BP_Adaboost方法增加训练样本得到的模型预测准确率为97.03%。根据作业效益推荐最优农机机具组合，增强作业能力，提高效益。     

基于随机森林算法的耕地面积预测及影响因素重要性分析——以甘肃省庆阳市为例

[目的]分析耕地面积变化影响因素的重要性,以便科学预测耕地资源数量,为保护耕地资源服务。[方法]以属于黄土高原地区的甘肃省庆阳市为例,尝试采用随机森林算法构建耕地面积预测模型,与BP神经网络模型的预测结果进行对比,并对耕地面积变化影响因素重要性进行排序。[结果]随机森林算法预测结果的相对误差和均方根误差均小于BP神经网络的,预测精度高,结果稳定。它预测出2020,2025,2030年的耕地面积分别为4.515×10~5,4.513×10~5,4.512×10~5 hm~2,呈现减少的趋势;主要影响因素重要程度排序为:农业机械总动力农业人口地区生产总值固定资产投资额。[结论]随机森林算法适合于耕地面积预测,且能够测度耕地面积变化影响因素的重要程度。     

农机产品拥有量的非线性特性研究

农机产品的社会拥有量预测是农机产品市场预测的基础。该文建立了描述农机产品社会拥有量的演化方程,并指出该方程具有非线性混沌特性。在简要介绍描述混沌程度的典型参数关联维数和柯尔莫哥夫熵的定义的基础上,计算了基于时间序列的中国农机产品拥有量（以大中型拖拉机和联合收割机为例）的关联维数和柯尔莫哥夫熵,结果表明中国农机市场发展确实存在混沌。最后指出农机产品拥有量长期预测的困难,建议改进传统的预测方法。     

农机跨区作业紧急调配算法适宜性选择

目前农机跨区紧急作业中供需信息不对称,农机部门缺乏科学合理的紧急调配方案,无法在紧急状况下指导农机进行及时有效的调配。针对上述问题,该文研究了农机跨区作业紧急调配模型和算法。首先分析了多机多任务紧急调配过程,建立了以最小化调配成本和损失为目标的紧急调配模型,提出了基于距离最近优先的多机多任务紧急调配算法(shortest-distance first algorithm,SDFA)和基于贡献度最大优先的多机多任务紧急调配算法(max-ability first algorithm,MAFA),前者是搜索当前距离最近的农田和农机,进行优先分配,后者是搜索当前贡献度最大的农田和农机并进行优先分配。采用该文算法对河北省邯郸市2017年的真实数据以及随机生成的农田和农机实例库进行计算与分析可知,当农机数量充足时,算法MAFA的平均调配成本要比SDFA的平均调配成本降低4.34%。当农机不足时,SDFA的平均损失和平均调配成本要比MAFA的平均损失和平均调配成本分别下降了12.79%和4.11%。进一步验证可知,当农田数量为6时,上述2种算法比笔者之前提出的基于非合作博弈紧急调配算法(non-cooperative game algorithm,NCGA)的平均运算性能均提升25%以上,当农田数量为30时,性能均提升41%。该研究可为农机管理部门紧急调配与决策分析提供科学依据。     

大功率农机作业效率与机组合理运用模式的研究（简报）

为了科学管理、合理运用大功率农业机械,提高机组的作业效率,在调查测试播种和麦收作业的基础上,对测试机组分别进行了时间利用率和作业效率分析。结果表明：影响播种作业和小麦割晒作业时间利用率与总作业效率的主要因素分别是加种子肥料、故障维修和地头转向,个别机组存在动力匹配不合理的问题。根据调查和分析的结果,针对大功率农机作业中存在的问题提出了机组的合理运用模式。     

基于模糊隶属度的多站点多机协同即时响应调度系统

为了实现多农机站联合调配完成农户的实时作业订单，该研究针对农田与农机的匹配与调度需求问题，综合考虑农户满意度、多农机站协同、订单数量、农田面积和位置坐标等因素，建立带有模糊时间窗并以调度总时长最小和调度农机数量最少为目标的多农机站即时响应调度数学模型。并设计了基于保留优秀父代基因的改进遗传算法的农机调度系统，完成多农机站响应多农田的同时作业需求的任务，在最短时间里即时调配农机按照最短路径至各农田完成作业要求。以武汉周边某地区的3个农机站和35个农田作业订单为例，验证所提出的模型和智能优化算法，并进行可视化界面展示。试验表明，当模糊隶属度为0.8时，调度总路程减少率为9.89%，农机数量降低率为15.38%；针对该地区各农机站农机数量的实际情况，在不影响农户满意度的前提下，单个农机站接受实时订单数量以不超过20为最佳。该研究实现了多农机站对多农田精准调度作业，有助于科学合理调度农机，提高农机作业效率，节约成本投入。