基于数据挖掘分类法的农用地分等

应用决策树模型、BP神经网络和Logistic回归模型等分类法,对龙川县农用地分等进行了实证研究,并对各方法的分等结果有效性进行了评价,同时利用混淆矩阵探讨了样本数量对3种模型分类精度的影响。结果表明,样本数量对模型影响有差异,其中对BP神经网络和决策树模型影响较大,在较多训练样本时,模型的精度较高。在较多样本支持下,BP神经网络精度最高,但训练模型的时间较长,可解释性差;决策树模型既具有较高的精度又具有良好的可解释性;Logistic回归模型表现较差。决策树模型最适合龙川县农用地分等工作。研究结果表明,数据挖掘分类法是有效而准确的土地评价方法,有助于提高土地评价的精度和准确性,对农用地分等方法的优化具有一定的借鉴意义。     

从神经网络中抽取土地评价模糊规则

为了明确土地评价中所训练神经网络的含义,使土地评价工作者可轻松地理解、判断所得到土地评价模型的正确性和合理性,提出从神经网络中抽取土地评价模糊规则的方法。现有的大多数从神经网络中提取方法,神经网络的输入属性要么局限于连续的,要么只适应于离散的,而土地评价因子往往既包含连续的又包含离散的、标称的,该文首先提出了一种输入属性值适应于这三种类型数据的模糊神经网络建立方法,进而给出一种从建立的神经网络中抽取其中较主要模糊规则的算法。试验表明,所提出的土地评价方法,可直接从样本中学习评价规律,使土地评价工作者易于理解,当出现抽取的规则与实际情况不吻合时,可重新训练神经网络和抽取规则,所得到的评价结果比BP网络的评价结果更准确,从而提高了土地评价的准确性。     

基于Boosting的决策树集成土地评价

传统的土地评价方法易受人为因素的限制,探索更科学合理的土地资源评价方法,对土地利用与规划具有重要意义.由于决策树具有分类精度高、分类器可解释性强的优点,特别是C5.0采用了提高决策树分类精度的Boosting技术,提出利用Boosting技术的决策树集成C5.0进行土地评价的方法.采用C5.0算法对广东省七地资源进行了评价,对不使用Boosting的决策树和使用Boosting决策树集成的评价结果进行了分析和比较.研究结果表明利用决策树进行土地质量评价能够得到较高的评价精度,且Boosting决策树集成的土地评价精度高于不使用Boosting的决策树的精度.     

基于RBF神经网络的土壤侵蚀预测模型研究

土壤侵蚀的物理机理十分复杂,用数学方式难以描述.针对土壤侵蚀过程的模糊性、随机性、非线性等特点,将RBF神经网络的理论与方法应用到土壤侵蚀预测中.以杏木小流域为研究对象,应用RBF神经网络方法构建土壤侵蚀预测模型,以汛期降雨量、径流系数、土壤容量、有机质含量及孔隙度土壤侵蚀因子作为模型的输入层变量,输出层变量为年土壤侵蚀模数.通过模拟训练和预测,RBF神经网络取得的结果较好,能够有效地预测土壤侵蚀,且与常见的BP神经网络土壤侵蚀预测模型相比,RBF神经网络得到的预测结果精度更高.RBF神经网络模型将土壤侵蚀预测问题转化为影响因子和年侵蚀模数的非线性问题,该模型的模拟与预测为复杂的土壤侵蚀规律研究提供了新途径.     

不同近红外模型在小麦湿面筋快速检测中的应用研究

本文提出了基于近红外光谱的不同建模方法对小麦湿面筋进行快速无损检测.本研究分别建立了偏最小二乘、BP神经网络和RBF神经网络3种回归模型,并进行分析比较.实验结果表明,3种校正模型都取得了较好的预测效果,预测相关系数分别为0.915 84、0.927 62和0.960 93;预测均方根误差分别为1.852 9、1.623 3和1.112.经过研究比较,基于RBF神经网络所建模型准确度最高并且用时较短,基本上可以完成粮食储备和食品加工行业对小麦及其制品品质的划分以及育种上的前期世代筛选.     

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BP神经网络的土壤墒情预测精度研究——以肥东县为例

本文以肥东县土壤墒情为例,选用BP神经网络模型,对土壤墒情预测进行探究。先介绍神经网络相关理论知识,然后针对模型建立需要确定的参数做了详细说明。着重比较了隔日和五日两种预测结果的精度,结果表明隔日预报精度要高于五日预测精度,得出结论 BP神经网络短期土壤墒情预报能取得较高的精度,对农业生产具有实际指导意义。     

基于CGA-BP神经网络的好氧堆肥曝气供氧量预测模型

为提高好氧堆肥曝气供氧量的曝气效率以及预测精度,该研究利用遗传算法（genetic algorithm, GA）对标准反向传播（back propagation, BP）神经网络的初始权值和阈值进行优化,再利用克隆选择算法（clonal genetic algorithm, CGA）优化遗传算法中的变异算子并复制算子,加快获取最优参数的速度,构建基于CGA-BP神经网络的曝气供氧量预测模型。为验证CGA-BP模型的有效性,与BP模型、GA-BP模型预测结果进行对比。试验结果表明：克隆遗传算法优化BP神经网络能加快获得最优解,效率相比BP模型和GA-BP模型分别提高了75.36%、51.30%;在曝气供氧量预测模型中,CGA-BP模型具有更准确的预测效果,预测精度为99.65%,而BP模型与GA-BP模型预测精度分别为96.99%、99.26%;CGA-BP模型评价指标的均方误差、平均绝对误差、平均绝对百分误差分别为0.003 4、0.038 9和0.350 6,均小于BP神经网络和GA-BP神经网络模型评价指标的误差;利用CGA-BP好氧堆肥曝气供氧量预测模型对好氧堆肥发酵过程进行精准...     

BP神经网络在地表移动边界角预测中的应用

在对煤矿采空区地表移动及其边界角影响因素分析的基础上,提出用BP神经网络预测采空区地表移动边界角.建立了边界角预测的BP神经网络模型,利用国内近30项工程的采空区地表移动实测数据作为学习样本对网络进行训练,用实际工程对网络进行了测试分析.结果显示,预测精度平均达90%,研究表明用BP神经网络计算边界角方法可行,具有实用性,为边界角的确定提供了一条新的途径.     

基于模糊神经网络集成的土壤资源评价性能的改进

Land evaluation factors often contain continuous-, discrete- and nominal-valued attributes. In traditional land evaluation, these different attributes are usually graded into categorical indexes by land resource experts, and the evaluation results rely heavily on experts＇ experiences. In order to overcome the shortcoming, we presented a fuzzy neural network ensemble method that did not require grading the evaluation factors into categorical indexes and could evaluate land resources by using the three kinds of attribute values directly. A fuzzy back propagation neural network （BPNN）, a fuzzy radial basis function neural network （RBFNN）, a fuzzy BPNN ensemble, and a fuzzy RBFNN ensemble were used to evaluate the land resources in Guangdong Province. The evaluation results by using the fuzzy BPNN ensemble and the fuzzy RBFNN ensemble were much better than those by using the single fuzzy BPNN and the single fuzzy RBFNN, and the error rate of the single fuzzy RBFNN or fuzzy RBFNN ensemble was lower than that of the single fuzzy BPNN or fuzzy BPNN ensemble, respectively. By using the fuzzy neural network ensembles, the validity of land resource evaluation was improved and reliance on land evaluators＇ experiences was considerably reduced.     

BP神经网络和GM（1，n）模型在吉林省四平市建设用地面积预测中的应用比较

[目的]科学准确地预测城市建设用地,有利于把握城市发展的速度,了解城市化发展进程,为相关政府部门掌握土地利用情况,制定土地总体规划提供科学依据。[方法]把四平市作为研究对象,从"城市—农村"合力视角构建影响因子,利用因子分析探讨影响建设用地扩张的相关性,对指标进行筛选,在此基础上利用BP神经网络和灰色模型对四平市2012,2013和2014年建成区面积进行预测,最后对预测结果进行比较分析。[结果]通过预测与比较分析可知,BP神经网络结果的相对误差分别为0.8%,1.1%和2%,而灰色GM(1.1)模型预测结果相对误差分别为0.04%,0%和3.2%。可以看出,BP神经网络预测出的结果与实际相比较误差均在2%以内。[结论]BP神经网络预测的结果较精确,运用该方法可以有效提高预测的精度。     

黄土区不同土地经营方式径流量神经网络模拟

基于黄土坡面降雨—径流关系的复杂性和非线性,引用3层前馈型BP网络模型,对不同土地经营方式(草灌地、刈割地、翻耕地)径流量进行模拟,以植被盖度、降雨强度、坡度、土壤前期含水率和土壤容重5个因子作为输入层变量,次降雨下径流量作为输出层变量。利用野外人工模拟降雨试验所得到的不同降雨强度下各类土地经营径流小区的径流量实测资料,对网络进行模拟训练并预测,径流量平均误差不超过10%,且径流量较大的翻耕地训练精度及预测结果较草灌地、刈割准确性更高些。与传统回归统计方法进行了误差比较,结果表明,该模型能更好地预测次降雨的径流量。     

采用LWD-QPSO-SOMBP神经网络的拖拉机柴油机故障诊断

针对目前拖拉机柴油机故障诊断中单BP（Back Propagation）神经网络模型的局限性,该研究提出一种LWD-QPSO-SOMBP（Linear Weight Decrease-Quantum Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络的拖拉机柴油机故障诊断模型。首先,将SOM（Self Organizing Maps）神经网络和BP神经网络结合,重置网络结构并利用LWD-QPSO（Linear Weight Decrease-Quantum Particle Swarm Optimization）算法对网络的权值和阈值进行优化;然后,分析拖拉机柴油机的故障机理,确定反映故障发生的数据信号;最后,确定LWD-QPSO-SOMBP神经网络模型的结构参数,基于CAN（Controller Area Network）总线技术采集潍柴WP6型拖拉机柴油机传感器信号数据对LWD-QPSO-SOMBP神经网络的性能进行测试,并将测试结果与BP神经网络、SOMBP（Self Organizing Maps Back Propagation）神经网络、PSO-SOMBP（Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络、LWD-PSO-SOMBP（Linear Weight Decrease-Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络及改进量子粒子群（Improved Quantum Particle Swarm Optimization,IQPSO）算法优化后的SOMBP神经网络的测试结果进行对比。试验结果表明, LWD-QPSO-SOMBP神经网络输出总误差为0.111 8、平均相对误差为0.005 8、均方误差为0.000 3,相比于其他5种神经网络均为最低。LWD-QPSO-SOMBP神经网络充分发挥并有效综合了SOM神经网络在数据预处理及PSO算法在优化BP神经网络初始权值阈值方面的优势,实现了拖拉机柴油机的高精度故障诊断。LWD-QPSO-SOMBP神经网络由于使用SOM神经网络结构对输入数据进行预处理,网络收敛速度大幅度提升,相比单BP神经网络,迭代次数由2 431次降为63次,下降了97.40%;同时采取LWD-QPSO算法对BP神经网络的初始权值阈值进行优化,降低了传统PSO算法的粒子适应度,进一步提高了网络的收敛精度和收敛速度,相比传统PSO算法,粒子适应度从0.15降为0.11,下降了26.67%,网络训练误差由0.004降为0.000 6,下降了85.00%;LWD-QPSO-SOMBP神经网络的故障诊断准确率大幅度提升,相比于单BP神经网络,输出总准确率由85.00%上升至99.44%。研究结果可为高精度拖拉机柴油机故障诊断提供参考。     

电子鼻快速检测谷物霉变的研究

针对目前我国在谷物的霉变与否的检测上还有一定的滞后性，研制出一套能快速检测谷物是否霉变的电子鼻装置，该装置能快速、准确地分析所测谷物散发的气味，从而判定所测谷物是否霉变。该电子鼻主要由一组厚膜金属氧化锡气体传感器阵列和RBF神经网络组成。用所研制的电子鼻对小麦、水稻、玉米3种谷物进行检测。整个实验过程如下：首先从每个传感器的反应曲线中提取4个特征值，并对所有特征值进行归一化处理，然后用常规的主成分分析和径向基函数(RBF)神经网络对它们进行分析。实验过程中发现，从主成分分析的结果发现很难将霉变谷物与正常谷     

遗传RBF神经网络在卷烟香气质量评定中的应用

卷烟香气质量感官评定结果的准确性往往难以保证，因此研究准确、客观的评定方法是必要的。运用遗传RBF神经网络研究了基于气敏传感器阵列的卷烟香气质量评定方法。实例表明，该方法是可行的，所给出的遗传学习算法是有效的。为进一步开展卷烟香气质量客观评定方法的研究奠定了基础。