基于PCA优化—BP神经网络算法的农田土壤养分评价

为达到对膜下滴灌土壤养分综合评价的目的,采用描述性统计分析、主成分分析(Principal Component Analysis,PCA)和Back Propagation(BP)神经网络方法对通辽市科左中旗农田土壤养分进行评价,结合单因子指数法,并与传统方法中运用最广的模糊数学综合评价结果进行对比分析。依据《全国第二次土壤养分分级标准》,经实测数据验证,结果表明:2015年和2016年科左中旗农田土壤养分综合评价良好;将PCA与BP神经网络相结合的方法运用到解决土壤学问题中,可获得客观的结果;经检验PCA与BP神经网络模型相结合的评价方法适用于因子多且复杂、精度要求高的样本。将PCA与BP神经网络相结合既可以解决信息过多、分析困难的问题,又可以降低模糊性、减少精度下降,将各自优点有效的联系在一起,相较传统方法可以更加科学合理、准确有效地对土壤养分进行综合评价。     

基于BP神经网络的新安江模型初始土壤蓄水量计算研究

【目的】克服传统经验折减系数法在计算新安江模型初始土壤蓄水量方面的缺点,并提高新安江模型在湿润半湿润地区的应用效果。【方法】结合流域初始土壤蓄水量的影响因素和神经网络模型特点,提出构建基于BP神经网络的新安江模型初始土壤蓄水量计算方法。【结果】在3种输入因子组合方式下,当BP神经网络隐含层节点大于11时,模拟训练期模型应用效果达到项目精度评价指标的甲等水平,预测检验期的9个样本,均有6个以上样本检验合格;当BP神经网络隐含层节点数从4个变化到21个时,模型评价指标纳什效率系数从0.51变到0.97、均方根误差从11.77降到2.74;与采用传统经验折减系数法计算新安江模型初始土壤蓄水量相比,采用BP神经网络模型应用效果明显占优,且能克服经验折减系数法计算土壤初始蓄水量需要选择流域一场暴雨或久旱未雨才能开始计算和计算过程数据不能中断的缺点。【结论】在湿润半湿润地区采用BP神经网络模型计算新安江模型初始土壤蓄水量具有可行性和适用性;当神经网络输入因子和隐含层节点数选择合理时,模型模拟和预测精度较高。     

神经网络在土壤养分流失预测中的应用

以BP网络（Back Propagation Network)为基础，建立了小流域土壤养分（包括N，P，K3种成分）为输出层，流域出口处的洪量，输沙量及流域的年降雨量为输入层的包含一个中间层的BP网络，经检验，模型输出与多元线性回归模型计算结果一致。模型的建立及求解为水土保持中土壤养分的流失预测研究提供了一种新方法。     

土壤水分特征曲线Van-Genuchten模型参数的土壤传输函数比选

基于黄土高原区多种土壤的水分特征曲线试验数据样本,建立了以土壤黏粒、土壤粉粒、干密度、有机质和盐分含量为输入变量,Van-Genuchten模型参数α与n为输出变量的非线性预报模型和灰色BP神经网络预报模型,在对两种模型误差参数α与n分别进行误差分析比较的基础上,对两种模型的预测结果进行了整体误差分析。结果表明:无论是参数α还是参数n,非线性模型的平均相对误差低于10%,综合精度平均相对误差为15.73%;灰色BP神经网络模型的预测精度的平均相对误差低于4%,综合精度平均相对误差为10.01%,灰色BP神经网络模型的预测精度都要比非线性模型的预测精度高,但灰色BP神经网络模型易出现过度拟合的情况。综合而言,两种模型均能实现Van-Genuchten模型参数α与n的预测,可根据具体情况选用其中一种以达到更好的预测效果。     

基于BP神经网络的黄河小浪底济源断面水质评价模型研究

为了解BP神经网络模型在水质评价上的适用性,以黄河流域小浪底济源断面2010-2013年4个水质指标pH值、DO、COD、NH3-N为评价研究对象,结合统计软件MATLAB,以2010-2012年水质指标为训练集,2013年水质指标为检验预测集,通过输入变量和输出变量的确定以及隐层节点数的选择,确定最优的模型拓扑结构,构建单隐层BP神经网络模型。结果表明,BP神经网络模型评价水质结果同综合污染指数法评价水质结果基本吻合,BP神经网络训练结果吻合率达到93.33%。通过实例分析表明,该模型应用于水质评价具有客观性和实用性,经过训练的模型能够准确评价黄河流域水体的水质类别,模型具有较好的评价效果。     

人工神经网络在土壤含盐量预测中的应用

土壤含盐量的预测对合理配置水资源.防治土壤次生盐碱化等具有重要的指导意叉.在阐述BP人工神经网络原理的基础上,针对影响土壤含盐量的主要因素,建立了多因子土壤含盐量的3层BP网络模型,以土壤含水率、地下水矿化度、地下水pH值、地下水埋深、相对湿度、降雨量、蒸发量作为模型输入参数,土壤含盐量作为模型输出,对土壤含盐量进行了预测.结果表明,BP神经网络模型预测土壤含盐量的最大误差为8.78%,平均误差为5.99%,模型具有较高的预测精度.     

基于人工神经网络技术的蔬菜施肥决策研究

阐述神经网络的概念和特点，着重介绍BP神经网络并在Maflab环境下建立基于BP神经网络的施肥模型，以土壤养分（氮、磷、钾)和实际产量为模型输入，以氮肥、磷肥和钾肥的施用量为模型数输出．进行网络训练，直至获得满意的施肥模型。结合投入产出物的价格对模型功能进行扩展，按利润最大化目标进行施肥决策。     

基于灰色理论—BP神经网络方法的表层土壤容重预测

以山西省黄土高原区15个试验点的年度跟踪监测样本为依据,利用灰色关联理论与BP神经网络相结合的方法,构建了表层土壤容重与土壤基本理化参数和累积接收水量之间的土壤传输函数预报模型。结果表明:影响表层土壤容重的7个土壤理化参数对于土壤容重的关联度均大于0.6;基于BP神经网络,以关联度较高的土壤粉粒含量、土壤砂粒含量、累积接收水量、体积含水率、有机碳含量和全盐量作为输入变量对表层土壤容重进行预测是可行的,预测值与实测值高度吻合,预测结果相对误差的平均值为0.41%,预测精度较高;检验样本预测结果相对误差的平均值为1.05%,误差完全在可接受范围内。研究结果可为黄土区土壤容重的获取提供新思路,为科学指导农田农事和灌溉管理提供理论支撑。     

基于MEA-BP神经网络的土壤养分评价模型

针对BP神经网络在解决复杂非线性问题时,存在初始权值和阈值随机赋值,网络学习速度慢,局部极小的问题,运用群体搜索能力强的思维进化算法(MEA),寻找出最优的初始权值和阈值,优化BP神经网络的网络结构,建立MEA-BP神经网络的土壤养分等级评价模型。以敦化市黑土的土壤养分数据作为测试集,评价指标选用土壤的有机质、全氮、速效氮、速效磷和速效钾。对比MEA-BP网络预测模型、遗传算法(GA)优化BP网络预测模型和单一的BP网络预测模型,结果表明MEA-BP网络预测模型的均方误差(MSE)最小、决定系数(R^2)最接近1和误差波动最小,可以更准确地反映土壤养分分级特性。     

尿素对土壤水分传感器测量精度的影响

土壤水分的精准测量对节水灌溉、墒情监测、水肥一体化等领域具有重要意义,土壤氮含量会影响水分传感器的测量。为了消除这种影响,设计了不同尿素质量对不同水分含量土壤样本的监测实验,采用高灵敏度水分传感器并对尿素干扰下的输出电压进行监测,通过称重法监测土壤样本的含水率,使用LCR电桥测试仪监测土壤样本的电容和电阻。为了研究氮含量影响水分测量的机理,根据实验数据建立了三元三次多项式、BP神经网络、深度学习3种预测模型,并对预测结果进行误差分析。结果表明,相同土壤含水率条件下,尿素质量与土壤水分传感器输出值呈周期性的振荡关系。3种预测模型的平均绝对误差分别为0.77%、0.64%、0.75%,BP神经网络模型有98%误差集中在0~2%区间,误差峰值仅为2.07%,确立BP神经网络模型为最佳抗尿素干扰水分预测模型。     

基于神经网络的传感器非线性校正方法

BP神经网络是基于数值计算的知识处理系统，具备高度非线性映射的能力。为此，通过BP神经网络对样本数据进行训练，得到非线性校正模型及精度值，然后与传统的曲线拟合方法进行比较分析。结果显示，基于神经网络模型的传感器非线性校正方法具有良好的测试精度和实用性。     

基于PCA-GA-BP神经网络的水电机组状态异常辨别方法

为提高机组异常运行识别效率与精度,提出基于主成分分析法和遗传算法优化反向传播神经网络(BP neural network)的机组异常状态检测模型.以机组实时记录传感器数据为样本,利用主成分分析法对多维数据进行降维操作,处理后得到综合变量.随后在此基础上搭建BP神经网络并利用遗传算法优化神经网络随机初始权值与阈值,完成对机组不同运行状态检测模型仿真训练.最后以某电站连续时间段内机组正常与异常运行状态下各部件传感器实时监测数据为样本分析,并将所提PCA-GA-BP算法与其他优化算法、传统算法进行对比,通过不同样本比例下的仿真训练试验验证该方法可行性.仿真试验结果表明:模型相较于传统BP神经网络,平均状态检测时间相对缩短84%,平均检测正确率相对提高2.5%,能在均正确率接近99%的基础上实现0.7~1.0 s内对机组异常运行的有效辨别,做到机组异常运行的精确辨别与早期预警.     

基于BP神经网络的三峡库区小流域水质评价

在阐述BP人工神经网络原理的基础上,运用我国地表水环境质量标准(GB3838-2002)作为训练样本,建立了一个多因子水质综合评价的3层BP网络模型,以溶解氧、氨态氮、总磷、砷、汞和铬为评价因子,对三峡库区小流域一嘉陵江的次级支流流域进行了水质综合评价.结果表明:该河中上游水质状况良好,而下游水质状况较差,汇入嘉陵江、长江后将时三峡水库的水质造成不良影响.为了保证三峡水库的水质安全,建议加强库区小流域的地表水环境管理.     

基于BP神经网络的润滑流量因子系数的预测

因现有润滑方程中的流量因子系数值有限，不能满足摩擦学研究的需要。本文利用BP神经网络，使用L—M规则，对润滑方程中流量因子系数进行了预测。训练时，以微凸体的纵横比v为输入样本,输出样本为压力流量因子的两个系数。结果表明：训练良好的BP网络输出数据与实测数据吻合较好，并具有收敛速度快等特点。     

RBF与GRNN神经网络模型在河流健康评价中的应用

利用层次分析法构建符合区域中小河流健康评价指标体系和分级标准,基于RBF与GRNN神经网络算法原理,分别构建RBF与GRNN神经网络算法的河流健康评价模型,采用内插法构造网络训练样本,将河流健康分级评价标准值作为“预测”样本进行“预测”,并将结果作为河流健康等级评价的划分依据,对文山州区域中小河流健康状况进行评价分析。结果表明：①RBF与GRNN神经网络模型对区域中小河流健康评价结果完全相同,与BP神经网络评价结果基本相同,表明研究建立的河流健康评价模型和评价方法均是合理可行的,同BP网络算法相比,RBF与GRNN神经网络模型有收敛速度快、预测精度高、不易陷入局部极小值等优点,且调整参数较少,只有一个SPREAD参数,可以更快地预测评价网络,具有较大的计算优势。②文山州区域主要河流健康评价等级为Ⅱ～Ⅲ级,即处于健康与亚健康之间,客观反映了区域中小河流健康状况,可为区域河流的可持续管理和生态环境建设提供参考依据。     

基于神经网络的汽车维修企业顾客满意度测评

为了更好地研究汽车维修企业的顾客满意度测评方法,对神经网络模型进行了分析,并以汽车维修企业顾客满意度调研数据为基础,利用BP和ELMAN神经网络对16组样本数据进行了网络训练,对4组样本数据进行了预测,结果表明将神经网络应用于汽车维修企业顾客满意度测评是可行的,且ELMAN网络性能明显优于BP神经网络。     

混合遗传神经网络在边坡稳定性评

将改进的遗传算法与BP神经网络相结合，分析了边坡稳定性的影响因素，建立边破稳定性评价的神经网络模型。分别用改进的遗传算法和自适应BP算法对网络权值进行全局优化和局部二次优化。选用边坡实例对网络进行训练检验，结果表明，混合遗传神经网络提高了训练速度和泛化能力，对边坡稳定性分析有较好的适用性，为边坡稳定性评价提供了依据。     

贝叶斯模型在土壤转换函数中的应用与适应性评价

为了研究大型灌区节水改造后的区域农田生态环境效应中分布式水文模型空间参数的确定问题,通过内蒙古河套灌区解放闸灌域22个土壤水盐监测点110个土壤样本的采样与分析,利用贝叶斯神经网络(BNN)模型建立了河套灌区区域分层土壤特征参数与土壤水分特征曲线模型参数、特征含水率之间的土壤转换函数模型,并与已有的BP神经网络模型进行适应性比较及模型验证。结果表明,BP模型土壤转换函数的训练模拟精度优于BNN,但是在模拟预测方面,BNN模型普遍好于BP模型,而且模型输入因子数量对BP模型的精度影响较大,而BNN模型对于不同输入因子表现出很好的稳健性,BNN模型比传统的人工神经网络模型具有更好的适应性和预测效果,体现了土壤特征参数的空间随机性和结构性特征,而且预测的土壤水分特征曲线与实测和VG拟合结果更为接近,是一种具有广阔应用前景的区域土壤转换函数推求方法。