基于灰色系统理论用机械特性指标预测苹果贮藏品质特性

研究了用机械特性指标测定和预测苹果贮藏品质的理论和方法。通过对冷藏条件下苹果理化特性与机械特性的连续测定,用灰色关联分析法研究了苹果理化特性与机械特性之间的关系,可知各理化特性指标对机械特性指标有不同程度的影响;用灰色系统理论的GM(1,5)模型建立了苹果品质多因子动态变化的数学模型,可确定苹果理化特性的各项指标对机械特性指标的影响与作用;用灰色系统理论的GM(1,2)模型确定了苹果机械特性与理化特性之间的关系,认为可用压缩时的最大力描述苹果的硬度、可溶性固形物、可滴定酸和水分,用压缩时的屈服力描述苹果的硬度、可滴定酸和水分,用弹性模量E0.5描述苹果的硬度;建立了灰色系统理论的预测模型GM(1,1),在贮藏过程中,可用该模型预测苹果机械特性和理化特性动态变化的规律。通过验证,确定了预测模型的可用性。结果表明,用机械特性指标测定和预测苹果的贮藏品质是可行的,有一定的理论意义和实用价值。     

基于L-M优化算法的BP神经网络的作物需水量预测模型

应用L-M优化算法BP神经网络，通过多维气象数据(太阳辐射、空气温度、湿度)与作物需水量的相关分析，来确定网络的拓扑结构，建立作物需水量的人工神经网络模型。用美国田纳西州大学高原实验室所测的100 d气象数据为输入、作物需水量为输出来训练建立好的BP神经网络，仿真表明该神经网络能很好地解决需水量多影响因素之间的不确定性和非线性，模型的预测精度较高，同时通过一组非样本天气环境参数和作物需水量来验证该神经网络，也得到了较好的预测结果，能够满足灌溉的精度要求。     

基于介电特性的海沃德猕猴桃品质检测

为研究猕猴桃的介电特性与其主要品质之间的关系,本试验通过测定不同贮藏时期海沃德猕猴桃的介电特性、营养成分、色差及质构指标,用连续投影算法(SPA)和遗传算法-偏最小二乘法(GA-PLS)筛选出各品质指标(Vc、可溶性固形物、ΔE、硬度、粘聚性和弹性)的特征频率点,建立猕猴桃品质指标的预测模型并进行验证。结果表明,建立 Vc和ΔE值的最优模型为连续投影算法结合神经网络模型,可溶性固形物、硬度、粘聚性和弹性的最优模型为遗传算法-偏最小二乘法结合神经网络模型,模型对各指标预测的决定系数分别为0.971、0.934、0.922、0.984、0.908和0.954,各品质指标预测值与实测值无显著差异(P>0.05)。综上所述,介电检测技术结合SPA和GA-PLS可用于预测猕猴桃的特征品质。本研究结果为猕猴桃品质的无损检测奠定了基础。     

BP神经网络结合有效积温预测速冻水饺变温冷藏货架期

为了解决速冻食品在温度波动贮藏过程中的货架期预测问题,准确监测其品质变化趋势,该文以速冻水饺为研究对象,将其在-28℃～-12℃进行冷藏,测定酸价、过氧化值、饺皮水分含量、亨特白度等理化指标,并结合感官评价与有效积温理论,应用BP神经网络技术预测速冻水饺的货架期。并与动力学模型预测结果进行比较。结果表明,测试集样本的距货架期终点积温的预测值与实际测定值拟合度较好,最大误差为3.29%,模型验证最大误差为2.74%。BP模型的距货架期终点时间的最大误差为3.45%低于传统动力学模型预测的误差(5.62%)。BP神经网络预测模型为速冻食品货架期预测提供了一种新途径。     

基于MATLAB的BP神经网络在农作物虫情测预报中的应用

本文主要利用神经网络理论，基于MATLAB的神经网络工具箱建立了虫害发生量预报预测的BP神经网络预测系统，确定了发生量与自然因素之间的联系。并通过对安徽省庐江县田间水稻病情的预测来检验模型的效果。实验结果证明了该模型用于虫情预测的可行性，具有很好的应用价值。     

BP神经网络组合模型在次洪量预测中的应用

[目的]探讨BP神经网络组合模型在次洪量预测中的应用,为黄土高原淤地坝群的安全度汛提供决策依据。[方法]构建基于多元线性回归模型(MLR)和去趋势互相关分析法(DCCA)的BP神经网络组合模型;选择均方差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)以及确定性系数(DC)作为评价指标,与单一模型(多元线性回归模型、BP神经网络模型以及去趋势互相关分析法)进行比较。[结果]BP神经网络组合模型的4项指标MSE,MAE,MAPE和DC分别为2.144,5.453,0.074和0.988,均优于单一模型;模型预测效果从优到劣分别为BP神经网络组合模型、BP神经网络模型、多元线性回归模型和去趋势互相关分析法。[结论]BP神经网络组合模型较单一模型平稳性增强,提高了预测效果,可用于淤地坝群的次暴雨洪量预测。     

BP神经网络在降雨侵蚀力预测预报中的应用研究

降雨侵蚀力反映由降雨引起土壤侵蚀的潜在能力,是建立通用土壤流失方程USLE的最基本因子之一。由于降雨侵蚀力计算过程中所需资料较难收集,给其计算增加了难度。运用BP神经网络方法对降雨侵蚀力与地理之间的关系进行研究,建立降雨侵蚀力BP神经网络模型。对福建省46个地域的降雨侵蚀力进行研究,结果表明:所建立的降雨侵蚀力BP神经网络模型对模拟预测福建不同地域的降雨侵蚀力,平均模拟精度为96.81%,平均预测精度为95.68%,达到了较为理想的效果。这不仅为降雨侵蚀力的预测预报提供了科学依据,而且也为BP神经网络在水土保持研究中的应用开辟了新的思路。     

应用BP神经网络预测高压脉冲电场对果蔬干燥速率的影响

高压脉冲电场（HPEF）预处理果蔬可以提高果蔬干燥速率,改善干燥产品的品质,降低能耗。通过对白萝卜和苹果HPEF预处理干燥试验,探讨脉冲强度、作用时间和脉冲个数等预处理参数对干燥速率的影响。应用BP神经网络L-M训练法分析HPEF预处理参数与不同时间段干燥速率之间的关系。从而达到确定HPEF参数与不同时间段干燥速率之间因果关系的目的。研究结果表明,脉冲强度对干燥速率的影响比作用时间和脉冲个数对干燥速率的影响显著;建立白萝卜和苹果预处理干燥的BP神经网络仿真模型,并与实测值进行对比,用BP神经网络预测的干燥速率接近实测结果,具有较好的估计效果。     

优化BP神经网络提高高光谱检测调理鸡肉菌落总数精度

针对调理鸡肉菌落总数在贮藏期间易受到外界因素影响,提出了一种优化反向传播(back propagation,BP)神经网络的调理鸡肉菌落总数预测方法。以贮藏在4℃条件下的调理鸡肉为研究对象,采集其表面400~1 000 nm高光谱信息共计419个波段作为全波段,并利用竞争性自适应重加权(competitive adaptive reweighted sampling,CARS)算法筛选出34个特征波段,分别以全波段和特征波段对应的光谱值作为BP神经网络输入,采用鸟群算法(bird swarm algorithm,BSA)和免疫算法(immune algorithm,IA)优化BP神经网络的初始权重和阈值,建立调理鸡肉菌落总数的BP、BSA-BP、IA-BP、BSA-IA-BP预测模型。试验结果表明:经过CARS筛选特征波长的BSA-IA-BP模型预测效果最佳,预测集相关系数RP、均方根误差、剩余预测偏差分别为0.93、0.31lg(CFU/g)、2.68,且模型稳定性最好。该研究为基于BP神经网络实现调理鸡肉菌落总数快速无损检测提供了算法支撑和理论基础。     

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。     

采后苹果电特性与生理特性的关系及其应用

为了了解果蔬的电学特性,并为果蔬品质自动化识别提供新方法,该文从生理特性角度分析了影响采后苹果电参数变化的原因。基于电参数的变化,将BP神经网络技术应用于苹果新鲜等级的识别。研究结果指出：采后红富士苹果相对介电常数的变化规律与乙烯释放量变化规律相似,电阻率与乙烯释放量变化规律相反,在乙烯释放峰出现时,相对介电常数达到最大值,电阻率达到最小值。根据采后苹果可溶性固形物含量和pH值的变化,将苹果分为3个新鲜等级,以相对介电常数和电阻率作为BP神经网络的输入特征参数,在2-20-3的网络结构下,苹果新鲜等级平均识别率达到79%。该研究为了解采后果品电特性变化的原因提供了信息,为基于电特性的新型果品内部品质检测技术的研究提供了基础。     

利用BP神经网络模型对太湖水体叶绿素a含量的估算

利用太湖2001-2006年常规水质监测资料和气象资料进行主成分分析,确定影响太湖水体叶绿素a 含量的主要因子。在此基础上构建BP神经网络模型,利用模型对太湖湖心区水体叶绿素a含量进行估算,并对模型进行敏感度分析;将所建模型运用于太湖梅梁湾、贡湖湾、竺山湾以及东太湖4个湖区叶绿素a含量的估算,以验证其适用性。结果表明：基于主成分分析的BP神经网络模型估算的湖心区叶绿素a含量与实测值的拟合度良好,对已建立的BP神经网络预测模型进行敏感度分析表明,气温和溶解氧与浮游植物叶绿素a含量密切相关;该模型对太湖其它4个湖区水体叶绿素a含量的估算结果与实测值拟合度良好, 表明其适用性也较好,因此,可以运用于对太湖水体叶绿素a含量的估算及预测。     

BP神经网络在渭河水环境质量评价中的应用

为准确和客观地评价渭河水环境质量状况,将改进算法的BP神经网络引入地表水环境质量评价领域,采用渭河2010年(9月7日至10月11日)水质指标监测数据,构建了渭河水环境质量评价模型。通过3个水质监测项目(氨氮、高锰酸盐指数、溶解氧)对渭河水质进行了评价,评价结果与环境保护部公布结果完全一致。结果表明,BP神经网络应用于水环境质量评价具有客观性、通用性和实用性,可以很好地解决评价因子与水质等级间复杂的非线性关系,评价方法简便可靠,预测精度高。     

应用集成BP神经网络进行田间土壤空间变异研究

以英国北爱尔兰Hayes的一块牧草地为研究区，将所有样点分为独立的训练和检验数据集，并在训练样点集的基础上设计了其他4种样点布局方案，以研究神经网络集成技术应用于田间土壤性质空间变异性的可能性。与广泛应用的克里格法的试验结果相比，集成BP神经网络的插值结果精度与之基本相当，尤其是在样点分布较稀疏和样点数较少的情况下，集成BP网络表现出明显的优势；由于神经网络集成方法对样本数据的分布没有任何要求，因此具有较广泛的应用前景和潜力，并在不符合克里格法对样本数据分布要求的情况下是一种可行的替代方法。     

基于特征光谱参数的苹果叶片叶绿素含量估算

果树叶绿素含量的快速、无损、准确监测,可以及时掌握果树的营养水平,对指导果树管理具有重要意义。该文利用2012年和2013年山东省肥城市潮泉镇下寨村的苹果叶片叶绿素含量和叶片光谱数据,分析了叶绿素含量和苹果叶片原始光谱及其变换形式之间的相关性,筛选出较优光谱参数,并利用随机森林法、偏最小二乘法、BP神经网络和支持向量机回归法进行估算和验证。结果表明:1)叶绿素含量与叶片原始光谱及其变换形式之间的最优光谱参数分别为554和708 nm的原始光谱反射率,554和708 nm倒数之对数光谱,535、569、700和749 nm一阶微分光谱以及557和708 nm连续统去除光谱;2)随机森林、偏最小二乘法、BP神经网络和支持向量机估算模型的R2分别为0.94,0.61,0.66和0.60,RMSE分别为0.34,0.78,0.75和0.81 mg/dm2。说明随机森林算法模型用于估算苹果叶片叶绿素含量效果较好,为及时了解果树养分状况及果树营养诊断提供技术支持。     

基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算

为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量（soil and plant analyzer development,SPAD）值,分析了一阶微分光谱、高光谱特征参数与 SPAD的相关关系,构建了基于一阶微分光谱、高光谱特征参数和 BP 神经网络的 SPAD 估算模型,并对模型进行验证;再结合主成分回归（principal component regression,PCR）、偏最小二乘回归（partial least squares regression,PLSR）以及传统回归模型与 BP 神经网络模型进行比较。结果表明：SPAD 值与一阶微分光谱在763nm 处具有最大相关系数（R=0.901）;以763 nm 处的一阶微分值、蓝边内最大一阶微分为自变量建立的传统回归模型可用于玉米叶片 SPAD 估算;将构建传统回归模型时筛选到的光谱参数作为输入,实测 SPAD 值作为输出,构建 BP 神经网络模型,其建模与验模 R2分别为0.887和0.896,RMSE 为2.782,RE 为4.59%,与其他回归模型相比,BP 神经网络模型预测精度最高,研究表明 BP 神经网络对叶绿素具有较好的预测能力,是估算玉米叶片 SPAD 值的一种实时高效的方法。     

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。