基于径向基函数神经网络与改进遗传算法的黄河流域需水预测

针对遗传算法的不足 ,利用改进的遗传算法 ,结合性能优于 BP网络的径向基函数神经网络 ,并进行网络优化 ,建立了黄河流域需水预测模型 ,拟合预测结果表明 ,该模型能有效提高预测精度。     

基于改进遗传算法的温湿度模糊神经网络控制器

为了创造适合作物生长的环境,针对温室系统的特点,该文提出了一种基于改进遗传算法的模糊神经网络控制器,利用改进遗传算法训练模糊神经网络模型,采用此模糊神经网络控制器控制温室系统,由数值实验可以看到采用此控制器的温室系统具有响应速度快、过程平稳、编程简单的特点.     

基于RBF神经网络的土壤重金属空间变异研究

本文采用径向基函数神经网络(Radial Basis Function Neural Network,RBFNN)预测太原市晋源区表层土壤中重金属Cr、Cd、Hg的空间变异,并与普通克里格(Ordinary Kriging)插值结果进行对比分析,以选择更合适的土壤重金属空间插值方法。研究结果表明:1)在拟合RBFNN模型过程中,选择合适的spread散布常数可以使模型达到最优,研究区域土壤Cr的最优散布常数为0.08,Cd的最优散布常数为0.10,Hg的最优散布常数为0.14,这组散布常数对于局部区域农田土壤重金属插值模拟有一定的参考意义。2)RBFNN方法与Ordinary Kriging方法对区域重金属浓度分布的预测趋势一致,土壤Cd含量在区域中部较高,尤其是从东北方向到西南方向的轴线上较高,向两侧形成扩散递减趋势;土壤中Cr含量总体分布趋势也是中部较高,其他区域相对较低;土壤Hg含量在区域东北部较高,由东北方向到西南方向浓度逐渐递减。且土壤重金属在区域中的分布与当地的污染源分布相对应。在样本数有限的情况下对土壤重金属进行空间变异研究时,RBFNN方法比Ordinary Kriging方法的预测精度更高更有效。     

基于改进模糊综合评价模型的矿区土地损毁程度评价

土地损毁程度评价是土地复垦适宜性评价及制定复垦措施的重要依据。针对经典模糊综合评价方法中确定指标权重主观性较强的问题,将模糊意见集中决策引入指标赋权法(G1法),建立基于改进G1法的模糊综合评价模型,并将改进的评价模型应用到山西省富康源煤矿土地损毁程度评价中。根据土地损毁类型,研究区划分为两大类(塌陷地和压占地)共5个评价单元,构建研究区土地损毁程度评价指标体系,使用改进G1法确定各评价指标的权重,对研究区5个评价单元进行损毁程度评价。结果表明,5个评价单元的土地损毁程度分别为:中度、轻度、轻度、重度、中度,运用该评价模型得到的评价结果与其他方法基本一致,结合实地调研情况,表现了较高的可靠性。与经典模糊综合评价模型相比,改进后的模型强调权重确定的科学性,克服了经典模型在指标数量较多时权重分配不合理的缺点。因此,该模型可应用于矿区土地损毁程度评价工作中,在矿区土地复垦、生态环境恢复治理、确定赔偿责任范围等方面有较好的应用价值。     

基于模糊神经网络的葡萄病害诊断系统研究

针对传统专家系统自学能力差的特点,以实现基于Web的智能葡萄病害诊断系统为目标,研究了26种葡萄常见病害模糊隶属度的表示方法及模糊BP神经网络模型,采用Java与Matlab混合编程方法实现了该系统的葡萄病害诊断功能。试验结果表明,该系统病害诊断正确率达90.9％,且能在Web上运行,便于推广和使用。     

基于径向基函数神经网络的地下水数值模拟模型的替代模型研究

近年来提出的替代模型方法是一种连接数值模拟模型与优化模型的有效途径,替代模型质量的好坏取决于采样方法和替代模型种类。以金泉工业园区地下水水源地为研究区,基于拉丁超立方抽样方法,结合研究区地下水数值模拟模型,获取输入(抽水量)输出(水位降深)数据集,运用人工神经网络方法,建立径向基函数神经网络模型,作为地下水数值模拟模型的近似替代模型。经验证,径向基函数神经网络模型输出得到的水位降深均值与模拟模型计算结果的拟合平均相对误差为0.038;水位降深剩余标准差的拟合平均相对误差为0.042。拟合平均相对误差较小,表明径向基函数神经网络模型能够有效地替代地下水数值模拟模型,为日后替代模型的深入研究提供了科学依据。     

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。     

基于小波和径向基函数神经网络的滚动轴承故障模式识别

利用振动信号对滚动轴承的状态监测和故障诊断是工程中面临的难题之一，传统的基于平稳信号假设的方法不适于故障轴承的非平稳信号，有效提取故障轴承的故障特征和将故障特征准确分类是解决问题的两个关键。小波分析具有良好的时-频局部化特征，因而非常适于对瞬态或时变信号进行分类, 而人工神经网络可完成非线性系统辨识和模式分类。利用上述原理根据滚动轴承振动信号的频域变化特征，首先采用小波包分析对其建立频域能量特征向量，然后利用径向基函数神经网络完成滚动轴承故障模式的识别。试验结果表明，系统不仅能够检测到轴承故障的存在，而且能够比较准确地识别轴承的内外环故障模式，可以满足工程中的需要。     

基于改进模糊层次模型的土地整理效益评价研究

以山西省武乡县涌泉乡土地整理项目为研究案例,采用专家咨询法与层次分析方法(AHP),从经济效益、社会效益和景观生态效益角度构建土地整理效益评价指标体系,并基于改进的AHP确定各指标权重,通过专家咨询法对土地整理效益评价指标的影响等级进行评判,运用模糊综合评判模型综合评价土地整理综合效益。评价结果为:土地整理综合效益的等级值为2.221 5,属于"较好"等级,符合项目区的实际情况。结果表明基于改进模糊层次综合评价的土地整理效益评价方法是一种科学、系统而又切实可行的评价方法。     

基于GIS和模糊神经网络的西南山地烤烟生态适宜性评价

山地烤烟生态适宜性评价是合理利用山地资源、科学规划烟叶产业的重要基础。本文以渝东南黔江烤烟种植为研究对象,依据烟叶生长生物学特性,筛选出影响黔江烤烟种植的主要生态指标,在GIS支持下根据山区生态环境特点,对各生态要素进行"由点及面"的空间模拟,在此基础上将模糊逻辑和神经网络相结合,引入模糊神经网络对烤烟生态适宜性进行评价。结果表明:黔江烤烟种植生态最适宜面积648.63 km2,约占评价总面积的27.03%,主要集中在黔江中南、东南海拔800~1 100 m的中山丘陵缓坡地带;适宜和次适宜面积964.13 km2,约占全区总面积的40.18%,主要分布于黔江中部、北部600~800 m低山丘陵区域;不适宜面积775.16 km2,主要集中于黔江东南、东北>25°的坡陡地以及东南、中西部海拔1 600 m以上的高山地区。研究成果不仅可为当地烤烟种植布局的合理调整和资源优化利用提供科学的决策依据,而且为山地作物生态适宜性评价提供了一种新思路。     

基于SFAM神经网络集成的土地评价

SFAM(Simplified Fuzzy ARTMAP,简化的模糊ARTMAP)神经网络具有自组织反馈、增量式学习和高度复杂映射等特点,是一种较BP神经网络和RBF神经网络等前馈神经网络更优秀的自组织神经网络.为克服SFAM神经网络受输入样本顺序的影响,提高土地评价的精度,提出利用SFAM神经网络集成进行土地评价的方法.并用SFAM神经网络、SFAM神经网络集成、BP神经网络、BP神经网络集成、RBF神经网络和RBF神经网络集成等方法对广东省中山市的土地进行了评价,对评价结果进行了分析和比较,结果表明SFAM神经网络具有比BP神经网络和RBF神经网络更优越的评价性能;对于这三种不同的神经网络,神经网络集成的土壤评价精度分别高于单个神经网络的精度.     

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。     

可变模糊集方法及其在土地适宜性评价中的应用

土地适宜性是多级别、多指标模糊评价问题,其模糊性在评价中应予以考虑。可变模糊集方法以可变模糊集理论为基础,通过模型参数的变化,提高评价结果的可靠性。该文在介绍该方法的基础上对长乐市农用土地适宜性等级进行了评价。结果表明该市农用土地适宜性等级介于中度适宜与高度适宜之间,略偏于中度适宜。可见该方法在土地适宜性评价中具有较好的适用性。     

用基于遗传算法的BP神经网络识别牛肉肌肉与脂肪

利用遗传算法的全局搜索能力,改进标准BP算法随机选取初始权重的不足,并构建了3-12-1的三层遗传BP神经网络,进行了3次牛肉肌肉与脂肪像素的分类试验,研究用BP网络对牛肉肌肉与脂肪两类像素点进行识别的可行性。以像素点的RGB值作为BP网络输入向量,每次训练集样本数62,测试集样本数43。测试的最终结果为：训练集的样本识别率分别为100%、100%、98.3871%;对应测试集的样本识别率分别为97.6744%、97.6744%、100%。试验结果表明,尽管基于遗传算法的BP神经网络对训练样本集以及测试样本集的肌肉和脂肪的识别率均在97%以上,但由于牛肉图像像素值在颜色空间中比较分散,有利于聚类的规律性不明显,因而是否可用BP网络来完成肌肉与脂肪的识别,还需要在网络拓扑结构、训练样本集等方面进一步研究。     

基于模糊综合分析法的农用地分等方法

针对农用地评价因素的复杂性和模糊性,而传统的多因素综合评价法在农用地分等时易对评价因素以及等别进行"硬性划分"的不足。该文以湖北省安陆市为例,首次提出将模糊综合评判法与模糊聚类分析法结合(简称模糊综合分析法),以模糊综合评判的矩阵成果作为模糊C-均值聚类分析的数据源来对划分农用地等别方法进行探讨,并将模糊综合评判法的分等结果与传统方法分等结果进行比较,得出2种方法分等结果中约有80%相同。采用安陆市各村的粮食平均播面单产对2种方法分等结果存在差异的地区进行独立检验,得到模糊综合评判法和传统方法的分等成果同播面单产的线性相关系数分别为0.87和0.82。研究结果表明:运用模糊综合分析法进行农用地分等具有可行性;将模糊综合分析法运用到农用地分等中比传统方法更能客观准确地说明土地质量的优劣程度。     

变异系数法结合优化神经网络的无人机冬小麦长势监测

高效、快速、准确获取冬小麦长势信息在农业发展和经营决策中具有重要作用。该研究以冬小麦为对象,开展无人机冬小麦长势监测,获取冬小麦生物量、株高、叶绿素含量和植株含水率数据,基于变异系数法（Coefficient of Variation Method,CV）构建综合长势监测指标（Comprehensive Growth Monitoring Indicators,CGMICV）,通过16种植被指数与CGMICV进行相关性分析,计算植被指数间的方差膨胀因子,筛选最优植被指数作为模型输入变量,采用偏最小二乘（Partial Least Squares Regression,PLSR）、随机森林（Random Forest,RF）、反向传播神经网络（Back Propagation Neural Networks,BPNN）及遗传算法（Genetic Algorithm,GA）优化的BPNN模型建立冬小麦长势反演模型,结合评价指标获得冬小麦最优长势反演模型,最终得到研究区冬小麦长势空间分布信息。研究结果表明：以变异系数法得到的冬小麦CGMICV相关性比单一指标的相关性有不同程度的提高;利用变异系数法结合BPNN得到的冬小麦长势最佳反演模型CGMICV-BPNN,其决定系数R2可达0.71,模型精度较传统赋权法提高了26.79%;采用GA优化后的BPNN模型的不稳定显著下降,其平均相对误差中位数下降了22.22%,决定系数R2也有所提高;研究区内半数以上的冬小麦长势集中于第Ⅲ等级,其所占比例为55.83%,其次集中于第Ⅰ等级,其所占比例为36.08%,研究区冬小麦整体长势较为稳定。研究结果可为冬小麦长势监测及区域作物生产监测提供重要参考。     

基于人工神经网络方法的冬小麦叶面积指数反演

实践中,大尺度上测量叶面积指数（LAI）很难实现,利用遥感技术进行LAI的定量反演成为当前研究的重点。该文应用MODIS地表反射率数据反演冬小麦叶面积指数,假设MODIS像元由作物和土壤混合,建立了SAILH模型与裸土反射率组成的线性光谱混合模型,基于人工神经网络的方法进行LAI反演,获得了北京顺义冬小麦种植区在2001年4月1个时间序列的LAI。研究表明,此方法能够较好的获取大区域尺度上的LAI,对冬小麦长势监测具有重要意义。     

Spatial prediction of soil nutrient in a hilly area using artificial neural network model combined with kriging

It is widely recognized that using correlated environmental factors as auxiliary variables can improve the prediction accuracy of soil properties. In this study, a radial basis function neural network (RBFNN) model combined with ordinary kriging (OK) was proposed to predict spatial distribution of four soil nutrients based on the same framework used by regression kriging (RK). In RBFNN_OK, RBFNN model was used to explain the spatial variability caused by the selected auxiliary factors, while OK was used to express the spatial autocorrelation in RBFNN prediction residuals. The results showed that both RBFNN_OK and RK presented prediction maps with more details. However, RK does not always obtain mean errors (MEs) which were closer to 0 and lower root mean square errors (RMSEs) and mean relative errors (MREs) than OK. Conversely, MREs of RBFNN_OK were much closer to 0 and its RMSEs and MREs were relatively lower than OK and RK. The results suggest that RBFNN_OK is a more unbiased method with more stable prediction performance as well as improvement of prediction accuracy, which also indicates that artificial neural network model is more appropriate than regression model to capture relationships between soil variables and environmental factors. Therefore, RBFNN_OK may provide a useful framework for predicting soil properties.     

近红外光谱结合化学计量学方法检测蜂蜜产地

为了实现蜂蜜产地的快速判别,应用近红外光谱结合化学计量学方法对蜂蜜产地进行了判别分析。kennard-Stone法划分训练集和预测集。光谱用一阶导数加自归一化预处理后,再用小波变换（WT）进行压缩和滤噪。结合滤波后光谱信息,分别用径向基神经网络（RBFNN）和偏最小二乘-线性判别分析（PLS-LDA）建立了苹果蜜产地和油菜蜜产地的判别模型。对不同小波基和分解尺度进行了讨论。对苹果蜜,WT-RBFNN模型和WT-PLS-LDA模型都是小波基为db1、分解尺度为2时的预测精度较好,都为96.2%。对油菜蜜：WT-RBFNN模型在小波基为db4和分解尺度为1时,预测精度较好,为85.7%;WT-PLS-LDA模型在小波基为db9、分解尺度也为1时,预测精度较好,为90.5%。研究表明：WT结合线性的PLS-LDA建模比WT结合非线性的RBFNN建模更适于蜂蜜产地判别;近红外光谱技术具有快速判别蜂蜜产地的潜力。