基于田间环境及气象数据的甘蔗产量预测方法

对2008—2017年间广西某甘蔗地装设的田间物联网获取的田间环境及气象数据进行了分析,研究通过这些数据预测甘蔗产量的可行性。对田间的环境数据(土壤含水率和土壤温度)和气象数据(降水量和空气温度)进行预处理,分别运用BP神经网络及遗传算法优化初始阈值的BP神经网络(GA-BP)对所选地块的甘蔗产量进行预测。结果表明,GA-BP神经网络模型的预测精度明显高于BP神经网络模型,R~2达到0. 989 4,平均相对误差仅为0. 64%。说明用GA-BP神经网络预测甘蔗产量是有效、可行的。     

基于WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一，营养丰富，用途广泛，是一种谷物、蔬菜和水果功能兼具的食物，其蛋白质含量远高于其他块茎类食物，且富含优质的氨基酸。马铃薯生育期短，在湖北平原、丘陵地区冬种春收适宜发展早熟品种，对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此，马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此，针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题，利用鲸鱼算法(Whale optimization algorithm, WOA)对BP神经网络模型进行优化。同时，基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量，采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明：WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型，R²达到0.9764,预测值与试验值之间拟合程度较高，表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。     

融合田间水热因子的甘蔗产量GA-BP预测模型

甘蔗产量预测对于制定甘蔗生长期间的精准管理决策具有重要意义。遗传算法(Genetic algorithm,GA)优化神经网络可以提高预测效率及预测精度,通过高速计算快速找到最优解。基于湛江观测实验站2011—2020年间田间物联网获取的气象因子（大气相对湿度、大气温度、降雨量）、田间水热因子及甘蔗产量,采用BP神经网络及GA-BP神经网络模型对所选地区甘蔗产量进行预测与相关性分析。结果表明,通过Pearson及Spearman相关系数可知,甘蔗产量与月土壤最高温度、月土壤最低温度、月土壤平均温度、月大气最高温度、月大气平均温度、月大气平均相对湿度为极显著相关,相关系数高于0.7,与月土壤平均含水率、月降雨量显著相关,与月大气最低温度相关性较弱。GA-BP神经网络模型对甘蔗产量的预测精度明显高于BP神经网络模型,R2达到0.8428,MAPE仅为0.90%,RMSE为1.10t/hm2,预测值与试验值之间拟合程度较高,V型交叉验证结果表明模型预测结果准确稳定。因此,GA-BP模型能够更加科学、合理地预测甘蔗产量,对甘蔗田间管理措施及统筹分配具有重要的指导意义。     

基于GA-BP神经网络的果园需水量预测

为解决果园需水量预测精度低、鲁棒性差等问题,提出了遗传算法(GA)优化BP神经网络的果园需水量预测模型.选取空气温度、土壤含水率、光照强度3个主要环境因子作为BP神经网络的输入量,利用遗传算法的全局搜索能力优化神经网络权值和阈值,建立GA-BP神经网络模型预测果园需水量.仿真结果表明:GA-BP预测模型的预测值比BP模型更加趋近期望需水量,模型评价指标平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE),均优于单一BP神经网络模型.与传统的BP神经网络算法相比,GA-BP神经网络模型能较好的表达果园需水量与主要环境因子的非线性关系,具有较高的预测精度和适应性.     

基于BP神经网络的车辆跟驰模型研究

课题组进行实际道路跟驰实验,利用GPS采集跟车驾驶行为数据。以GPS采集到的车辆行驶轨迹数据为基础,提取前车车速、相对距离、前车对后车的相对速度以及后车车速作为输入,后车下一时刻的车速作为输出,建立BP神经网络跟驰模型,并使用遗传算法（GA）对BP神经网络跟驰模型进行优化。结果表明,GA-BP神经网络模型与BP神经网络模型对比,GA-BP神经网络跟驰模型预测性能的各个评价指标都优于BP神经网络跟驰模型。     

遗传算法优化BP神经网络在山洪临界雨量预测中的应用研究

为研究确定四川省冕宁县山洪灾害临界雨量,及时采取减灾避灾措施,根据冕宁县14个雨量站和气象站的资料,选取山洪灾害发生的关键因子:日时段降雨量和降雨强度,建立BP神经网络预测模型.然后用遗传算法对BP神经网络的权值和阈值进行优化,建立GA-BP预测模型.与BP预测模型相比,GA-BP预测模型能有效克服BP模型训练时间长,易陷入局部最优的缺陷,在临界雨量预测精度方面,GA-BP模型预测的平均相对误差为1.96％,而BP模型预测的平均相对误差为7.22％,明显提高了预测精度.这一临界雨量预测方法与结果,进一步修正完善后将试用于冕宁县山洪灾害监测预警系统.     

基于改进的BP神经网络胶铆接头的力学性能预测研究

利用遗传算法优化BP神经网络的连接权值和阈值,并将改进的BP神经网络应用于胶铆接头力学性能预测中,建立了胶铆接头最大拉剪力预测模型。结果表明:GA-BP神经网络比BP神经网络的收敛时间长,但GA-BP网络预测相关系数更好,回归性能更好,具有更好的泛化能力。对训练好的神经网络预测模型进行验证,发现GA-BP神经网络预测的均值绝对误差为BP神经网络均值绝对误差的40%,GA-BP神经网络具备更好的预测性能。     

基于改进的BP神经网络对蓄水坑灌冬季果园土壤温度预测

为准确预测冬季果园土壤温度,建立了蓄水坑灌条件下BP神经网络土壤温度预测模型(BP-WSPI-T)、遗传算法优化的BP神经网络土壤温度预测模型(GA-WSPI-T)和增量逆传播学习算法优化的BP神经网络土壤温度预测模型(IBP-WSPI-T),采用坑内平均气温、地表温度、沿相邻两蓄水坑中心连线距坑壁的距离和距坑壁5cm处分层土壤最低温度为模型输入,对距坑壁15、25和35cm处分层土壤最低温度进行预测,并通过与田间实测数据的统计学分析来判定预测效果。结果表明:BP-WSPI-T、GA-WSPI-T和IBP-WSPI-T模型的平均相对误差分别为8.19%、4.41%和7.57%,GA-WSPI-T模型的预测效果最好,较BP神经网络预测精度得到了很大的提高,建议采用GA-WSPI-T模型对蓄水坑灌冬季果园土壤温度进行预测。     

基于GA-BP神经网络的作物参考腾发量预测

采用黄金分割原理优化算法确定BP神经网络的隐含层节点数,进而确定BP神经网络的结构,并针对BP神经网络容易陷入局部极小值和全局搜索能力弱的缺点,引人遗传算法(GA)优化网络权值,建立GA-BP网络模型,预测作物参考腾发量ET0.以北京地区的相关资料为基础,选用6种输入因子组合方案,对该模型进行验证,结果表明该网络模型具有较好的预测能力;同时,对6种方案比较分析表明,方案4最优,该方案只需选用4项输入因子(日序数、平均气温、风速和日照时数),就能以较高的精度预测作物参考腾发量.     

基于卡尔曼滤波的GA-BP模型在大坝变形预测中的应用

传统的BP神经网络拥有良好的逼近非线性映射能力,然而由于其自身存在收敛速度慢,容易陷入局部极小值和泛化能力差的不足,往往难以满足实际中预测精度的需要。采用卡尔曼滤波方法,将观测到的大坝位移原始值进行滤波处理,以尽可能剔除随机误差的干扰,并引入遗传算法,对神经网络的权、阈值进行优化,提高其全局搜索能力,建立了基于卡尔曼滤波的GA-BP模型。以某大坝位移预测为例,证明了此模型比传统的BP模型在预测精度上有所提高,具有一定的实际应用价值。     

粗糙度不变假设下的大区域冬小麦墒情多源遥感监测方法

大区域农田墒情遥感定量监测对当代精准农业应用意义重大,但如何提高监测精度一直是该领域的关键问题.融合多源遥感的方法可以充分发挥各种遥感的优势,是提高监测精度的重要技术手段.以河南省中东部为研究区域,利用MODIS、Sentinel数据,结合实测土壤含水量,根据植被覆盖、地表粗糙度和不同湿度的土壤对后向散射的贡献,利用BP神经网络模型构建上述参数的关系,分别对研究区2016年3-6月冬小麦高植被覆盖时期0～10 cm、0～20 cm深度土壤墒情反演.根据地表粗糙度参数的性质,提出了地表粗糙度不变假设,并结合遗传算法优化BP神经网络方法(GA-BP),进行对比实验.结果显示:①植被茂盛期,后向散射系数(σ)及其差值(?σ)与土壤墒情均具有一定的相关性,VV极化优于VH极化,差值优于原值;②在反演0～10 cm与0～20 cm深度土壤墒情时,BPσ、BP?σ、GA-BP?σ模型得到的结果精度均依次提高,其中GA-BP?σ模型的均方根误差0～10 cm为4.07％,0～20cm为3.42％;③3种BP神经网络模型皆与0～20 cm深度土壤墒情相关性较好,预测精度较高.研究表明:中原地区冬小麦全生育期地表粗糙度不变假设是成立的,后向散射系数差值(?σ)与土壤墒情的相关性更好,0～20 cm的根部墒情的遥测敏感度更高,     

拖拉机作业载荷数据平台设计与旋耕作业质量预测

针对拖拉机田间试验数据不足、机组作业质量无法实时评估与准确预测的问题,设计了涵盖多参数、多工况的车载测试终端,构建了全国范围的田间作业试验拖拉机作业载荷数据平台系统,以获取拖拉机各关键零部件的田间作业载荷数据。在此基础上,研究了准确预测、评价拖拉机田间旋耕作业质量的智能算法,为产品研发、性能预测以及作业评估提供全面的基础数据与可靠的预测结果。基于农业大数据,融合BP神经网络与遗传算法对数据平台基础作业载荷进行分类挖掘,预测评价了拖拉机田间旋耕作业质量,结果表明,基于遗传算法的神经网络预测精度高达96.77%,均方根误差(RMSE)小于0.01,说明拖拉机作业载荷数据平台的基于遗传算法的神经网络预测模型可准确预测评价拖拉机田间旋耕工况的作业质量。     

陕西省耕种收综合机械化水平预测研究

研究采用BP网络改进算法、RBF网络和遗传神经网络,构建了机耕、机播与机收水平预测模型。应用所构建的模型对陕西省机耕、机播、机收水平进行预测,着重对3种预测模型进行比较和分析,为有关部门制定政策、方针和路线提供科学依据。用测试样本对预测精度进行检验,3种机耕水平预测模型(基于BP改进算法的BP模型、GA-BP模型和RBF模型)的平均相对误差都在10%以内;3种机播水平预测模型的平均相对误差分别为5.17%,9.0%和13.86%;3种机收水平预测模型的平均相对误差分别为12.11%,7.22%和16.75%。对于机耕水平预测问题,综合考虑预测精度、构建网络的复杂度和稳定性,采用RBF模型较好;机播水平预测采用预测精度最高的基于改进BP算法的BP模型;机收水平预测可采用GA-BP模型。     

基于GA-BP神经网络与正态区间估计的需水预测 ——以邯郸市为例

科学准确的需水量预测结果可以为城市水资源供需平衡决策提供合理依据.针对城市需水涉及因素多、历史数据样本量少、需水量具有波动性和不确定性的特点,提出了基于GA-BP神经网络与正态区间估计的组合预测模型,模型使用主成分分析法、灰色关联分析法筛选影响因子,加入遗传算法优化BP神经网络,构建GA-BP神经网络,最后引入正态区间...     

蓄水坑灌条件下苹果树蒸腾速率预测模型对比研究

为了实现对蓄水坑灌苹果树蒸腾速率(WSPIT)的定量监测,研究基于遗传算法(GA)、列文伯格算法(LM)和附加动量算法(AM)优化的三种BP神经网络模型,建立了以气温、大气相对湿度、光辐射强度和饱和水汽压差为输入,以蓄水坑灌苹果树蒸腾速率为输出的GA-BP-WSPIT模型、LM-BP-WSPIT模型和AM-BP-WSPIT模型,对苹果树蒸腾速率进行预测,并采用实测数据对模型进行率定和验证。结果表明GA-BP-WSPIT模型、LM-BPWSPIT模型和AM-BP-WSPIT模型的平均相对误差分别为2.17%、3.56%和5.68%,GA-BP-WSPIT模型精度最优。蓄水坑灌条件下苹果树蒸腾速率的定量预测建议采用GA-BP-WSPIT模型。     

水稻作物产量预测模型的研究——基于多源数据回归模型

水稻是我国重要的粮食作物之一,在我国不同农业生产区域都有种植,实现水稻产量的精准预测对于稳定我国粮食安全具有重要意义。为了改良传统产量预测方法,实现水稻产量高效预测,基于主成分分析法提取主成分,再将主成分作为BP神经网络模型的输入,对水稻种植面积较大的黑龙江省、江苏省、湖南省和湖北省2011-2020年的数据进行预测分析。研究结果表明：水稻产量与月最高土壤温度、月最低土壤温度、月土壤平均温度、月大气最高温度、月大气平均温度、月平均大气湿度为极显著相关,与月降雨量显著相关,与月大气最低温度相关性较弱。主成分分析与BP神经网络组合模型下,水稻产量的预测精度明显高于传统BP神经网络模型,R²达到0.86,MAPE仅为0.97%,RMSE为0.93,预测值与试验值之间拟合程度较高,模型验证结果表明模型预测结果准确稳定。研究结果对于更加科学、合理地预测水稻产量具有重要的指导意义。     

改进GA-BP模型在地下水位埋深预测中的应用

地下水位埋深预测是有效实施节水措施、合理控制地下水位的前提与保证。鉴于地下水位埋深与引水量、降水量、蒸发量、排水量、地下水开采量等因素之间存在复杂的非线性关系,提出了基于改进遗传算法的BP神经网络模型用于地下水位埋深预测,弥补了BP神经网络本身易陷入局部最优值的缺陷;同时在遗传算法中改进了自适应交叉、变异概率算法,提高了神经网络的逼近能力和预测精度,并采用了Matlab软件实现了BP神经网络编程。通过不同模型在河套灌区解放闸灌域2000-2013年地下水位埋深模拟与预测,结果表明改进遗传算法优化的BP神经网络模型具有较高的预测精度和收敛速度,在其他地区地下水位埋深预测中也具有较好的适应性。     

基于优化BP神经网络的新能源汽车锂电池SOH预测模型研究

基于优化后的反向传播神经网络，提出了一种新能源汽车锂电池SOH(状态健康)预测模型。该模型利用历史电池数据和当前电池参数作为输入，预测电池的SOH。为了优化模型性能，使用遗传算法对模型进行训练和优化，提高了预测精度和鲁棒性。试验结果表明，该模型能够在不同工况下准确预测锂电池的SOH,并且相对于传统方法具有更好的性能。基于优化BP神经网络的SOH预测模型具有广泛的应用前景，可以为新能源汽车锂电池的健康管理提供有力的支持。     

基于GA-BP神经网络的水轮机非线性建模方法研究

建立精确的水轮机模型是水轮机调节系统有效建模仿真的关键。运用基于遗传算法改进反向传播神经网络的GA-BP神经网络对水轮机工作特性进行非线性拟合建模。详细介绍了利用水轮机模型综合特性曲线与飞逸特性曲线获取水轮机流量特性与力矩特性样本数据的方法,并对基本样本数据进行补充延伸。结合BP神经网络与遗传算法两者优点构建了GA-BP神经网络,利用所得样本数据进行训练,获得了基于GA-BP神经网络的水轮机非线性模型,并与传统BP神经网络在水轮机流量特性和力矩特性拟合效果上进行对比试验。仿真结果验证了论文提出方法的可行性和优越性。     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。