基于灰色神经网络与马尔科夫链的城市需水量组合预测

【目的】针对城市需水量预测系统具有非线性和随机波动性的特点,建立基于马尔科夫链修正的组合灰色神经网络预测模型,以提高模型的预测精度。【方法】比较分析灰色GM(1,1)模型、BP神经网络模型以及二者线性组合的灰色神经网络预测模型的预测效果,建立基于马尔科夫链修正的组合灰色神经网络预测模型,并以榆林市2000-2009年的用水量实际数据为研究对象,通过实例比较分析模型的检验预测精度。【结果】经马尔科夫链修正处理后,建立的基于马尔科夫链修正的灰色神经网络组合模型的预测精度更高,预测误差的绝对值均小于4%,且均方差σ为1.00,小于组合灰色神经网络模型与GM(1,1)模型、BP神经网络模型预测误差值的均方差。【结论】基于马尔科夫链修正的组合灰色神经网络需水量预测模型,对城市需水量的预测优于灰色神经网络及各单项预测模型,不仅预测精度高,而且能同时反映出数据序列发展变化的总体趋势和系统各状态之间的内在规律,适合描述随机波动性较大的预测问题。     

基于SWAT模型的渭河咸阳-西安段非点源污染削减措施研究

【目的】针对渭河流域咸阳-西安段的非点源污染状况,模拟分析不同管理措施下非点源污染负荷的削减效果,为渭河流域的非点源污染控制与治理提供科学依据。【方法】构建渭河流域咸阳-西安段的非点源污染SWAT模型,利用2008-2016年逐月径流、水质及CMADS气象数据集等资料,对SWAT模型进行率定及验证,分析研究区内非点源污染特征;针对2016年研究区内非点源污染状况,设定4种管理措施,模拟验证不同管理措施在渭河流域咸阳-西安段对非点源污染负荷的削减效果。【结果】构建了渭河流域咸阳-西安段的非点源污染SWAT模型,该模型对研究区域具有较好的适用性和可靠性;2016年研究区域非点源总氮(TN)和总磷(TP)负荷的入河量分别为7 654.0和626.5 t,主要集中在蓝田县、长安区、临潼区、鄠邑区、旬邑县以及彬县部分子流域;通过实施化肥减量、集中设置沼气池和加强水土保持等3项措施,可分别削减7.57%～29.11%、0.54%～32.85%和0.4%～23.12%的非点源TN负荷以及2.59%～15.99%、0.45%～28.65%和0%～39.79%的非点源TP负荷;将上述3种管理措施整合在一起的综合管理措施的削减效果较单一措施明显提高,其可削减9.98%～50.68%的非点源TN负荷和5.25%～52.84%的非点源TP负荷。【结论】渭河流域咸阳-西安段非点源污染的重点控制时段在汛期(6-10月),重点控制区域是蓝田县、长安区、临潼区、鄠邑区、旬邑县以及彬县部分子流域;加强水土保持和化肥减量是有效控制该研究区域非点源污染的重要措施。     

证券市场灰色神经网络组合预测模型应用研究

提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具.     

基于修正组合模型的包头市用水量预测分析

【目的】建立基于马尔科夫链修正的组合灰色神经网络模型,为城市用水量的准确预测提供支撑。【方法】在运用灰色关联性分析法确定用水量变化的主要影响因素的基础上,建立了基于马尔科夫链修正的组合灰色神经网络模型,将该模型应用于包头市2009和2010年的用水量预测,并将其预测结果与灰色模型、BP神经网络模型和组合灰色神经网络模型的预测结果进行比较。【结果】包头市用水量受人口、国内生产总值、工业总产值、建成区绿化覆盖率、耕地面积及工业用水重复利用率的影响较大,利用建立的基于马尔科夫链修正的组合灰色神经网络模型对包头市2009和2010年用水量进行预测,并与实际用水量进行比较后表明,其相对误差分别为0.16%和2.16%,均方根相对误差为1.53%,而灰色模型、BP神经网络模型和组合灰色神经网络模型的均方根相对误差分别为4.34%,3.08%和1.99%。可见,基于马尔科夫链修正的组合灰色神经网络模型的预测效果最好。【结论】基于马尔科夫链修正的组合灰色神经网络模型结合了各模型的优势,预测精度较高。     

基于阶段输出系数模型的农业非点源污染负荷估算与评价——以四川省为例

传统的农业非点源污染负荷输出系数模型无法实现农业非点源污染阶段负荷估算。本研究综合考虑农业用地、畜禽养殖和农村生活,从产生、流失、入河3阶段分别建立了农业非点源污染负荷估算模型,并以四川省为例,估算了2012年农业非点源TN（总氮）、TP（总磷）3个阶段的污染负荷量,分析了其主要来源及污染区域。结果显示,产生阶段中农业用地是主要污染源,遂宁、巴中、雅安和德阳产生负荷强度较高。流失和入河阶段中畜禽养殖成为主要污染源,阿坝流失负荷强度最大,遂宁水质受农业非点源污染影响最严重。研究表明,阶段输出系数模型能简便可靠地实现农业非点源污染阶段负荷估算。该研究可为农业非点源污染的源头控制、迁移过程控制和受纳水体修复提供支撑。     

地下水位粒子群优化神经网络组合预测模型

【目的】将粒子群优化神经网络组合预测方法引入地下水位预测中,以提高地下水位预测的精度。【方法】以回归分析法、指数平滑法、灰色GM（1,1）模型的地下水位预测结果及预测结果平均值作为网络的输入,以实际地下水位值作为输出,对3个单一模型进行非线性组合,建立地下水位的粒子群优化神经网络组合预测模型,应用实例对模型的预测结果进行了验证,并与3个单一模型及等权平均组合模型的预测结果进行比较。【结果】实例运用结果表明,粒子群优化神经网络组合预测模型的均方误差为0.740 9,平均绝对误差为0.657 6,均小于单一模型及等权平均组合模型的相应值。【结论】粒子群优化神经网络组合预测方法适用于地下水位的预测。     

基于SWAT的汾河运城段非点源污染模拟与研究

【目的】对汾河运城段非点源污染进行模拟与分析,为该流域非点源污染控制提供依据。【方法】构建汾河运城段的非点源污染SWAT(Soil and water assessment tool)模型,根据河津水文站2005-2010年的实测逐月径流、泥沙和水质数据对模型进行率定和验证,并利用率定好的模型对研究区域的非点源污染进行模拟研究与分析。【结果】建立了包括土壤侵蚀、水文过程和污染负荷子模型的汾河运城段非点源污染模型,该模型对研究区域的适应性较好,可用于流域非点源污染的模拟研究;对非点源污染负荷时间分布规律的分析表明,研究区域各水文年的非点源污染负荷为丰水年平水年枯水年,而且发生在汛期(7-10月)的TN、TP流失量分别在60%和70%以上;对非点源污染空间分布特征的分析发现,研究区域内污染的关键区域主要为万荣与新绛县部分子流域,该部分区域降雨量、土壤侵蚀性均较大,并且坡度也相较其他区域大,因而产沙量相对较大,再加上农业活动的影响最终导致非点源污染相对较大,由此可见控制非点源负荷产出的关键在于减少流域的水土流失;对研究区域内TN、TP各类污染源贡献率进行分析可知,研究区域的非点源TN、TP负荷中分别有46.3%和53.5%为土壤养分流失所产生。【结论】汾河运城段非点源污染的控制重点在汛期(7-10月),采取相应措施减少水土流失、降低土壤养分流失、减少农业用肥量可以有效地控制研究区域的非点源污染。     

基于遗传算法优化的BP神经网络的组合预测模型方法研究

【目的】提出以传统猪瘟发病率为对象的组合预测模型。【方法】利用ARIMA模型以及灰色模型GM(1,1)进行数据初始化处理,将初步处理结果作为优化后的BP神经网络输入构建组合模型。【结果】利用组合模型对2000年到2009年的月度发病数据进行实例分析,结果表明预测数据精度达到97.379%,较ARIMA模型,灰色模型、BP神经网络模型分别提高了5.469%、3.499%、1.188%,模型平稳性增强,预测结果良好。【结论】本研究为动物疫情测报提供了有效的分析手段,验证了组合模型在动物疫情研究中的可行性,并可为其它动物疫病提供借鉴和参考。     

灰色GM（1，N）自记忆模型研究

对灰色多变量自记忆模型进行了尝试性研究,首次将系统的影响因素在建模时加以考虑,给出了建立灰色GM(1,N)自记忆模型的方法.在此基础上结合新疆和田绿洲月蒸发能力实测资料,建立了灰色GM(1,2)自记忆模型,取得了理想的预测效果.结果表明,建立的多因素影响的灰色自记忆模型有着可行性.     

灰色神经网络耦合模型在河套灌区引黄水量预测中的应用

针对河套灌区22年净引水量的变化特点,在建立灰色GM(1,1)模型的基础上,结合BP神经网络预测法建立灰色神经网络耦合模型,并通过Matlab编程实现。实例结果表明,耦合模型的预测精度明显优于单一灰色GM(1,1)模型,可应用于实际生产中。     

基于神经网络猪舍氨气浓度预测方法研究

猪舍内氨气浓度对猪生长发育影响较大,建立准确氨气浓度预测模型尤为必要。目前已有针对猪舍内氨气浓度预测研究,但氨气浓度受猪舍内多种环境因素影响,缺少准确预测模型。为此本研究从实测猪舍内环境数据(包括氨气浓度、温度、湿度、活动量、通风)中随机选取1 537组数据,使用L-M算法优化BP神经网络、线性神经网络和Elman神经网络预测猪舍内氨气浓度。结果表明,基于L-M算法优化BP神经网络建立5-9-9-1四层结构预测模型经290步后达目标误差,预测值和真实值最大绝对误差仅为0.1720,与Elman神经网络和线性神经网络预测方法相比可提高猪舍氨气浓度预测准确性和及时性,为猪舍环境预警提供支持。     

MATLAB在RBF神经网络模型中的应用

本文介绍了RBF神经网络的基本原理及主要特点,并举例说明了基于MATLAB神经网络工具箱建立RBF神经网络模型及实现仿真的方法.     

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。     

基于神经网络的心电分类器设计

设计了一种基于神经网络的心电分类器,该设计利用前向多层神经网络的反向传播算法,即BP算法,采用Matlab软件建立了用于心电信号分类的BP神经网络,并利用大量的心电图数据训练神经网络,使神经网络能分辨出正常和异常的心电信号。     

Identification of Typical Rice Diseases Based on Interleaved Attention Neural Network

Taking Jiuhong Modern Agriculture Demonstration Park of Heilongjiang Province as the base for rice disease image acquisition, a total of 841 images of the four different diseases, including rice blast, stripe leaf blight, red blight and bacterial brown spot, were obtained. In this study, an interleaved attention neural network (IANN) was proposed to realize the recognition of rice disease images and an interleaved group convolutions (IGC) network was introduced to reduce the number of convolutional parameters, which realized the information interaction between channels. Based on the convolutional block attention module (CBAM), attention was paid to the features of results of the primary group convolution in the cross-group convolution to improve the classification performance of the deep learning model. The results showed that the classification accuracy of IANN was 96.14％, which was 4.72％ higher than that of the classical convolutional neural network (CNN). This study showed a new idea for the efficient training of neural networks in the case of small samples and provided a reference for the image recognition and diagnosis of rice and other crop diseases.     

Automatic Plant Identification with Chlorophyll Fluorescence Fingerprinting

The development of precision farming needs methods for automatic identification of individual plant species. We have earlier shown that chlorophyll fluorescence induction curves can be reliably used for automatical identification of plants (Tyystjärvi et al., 1999). In the present study we show that a high accuracy of recognition can be obtained even if the teaching set for pattern recognition is collected several weeks before identifying a test batch of plants. It is also shown that very simple fluorescence traces can be used for the identification, and that dark pre-incubation of the plants can be shortened to a few seconds without seriously compromising the power of the method. The method is even more powerful if the aim is only to distinguish one crop species from weeds. The data shown here suggest that the fluorescence fingerprint can be developed to a method of practical importance for precision farming.     

MOS VLSI电流型模拟电子神经网络

本文提出了采用ＭＯＳ晶体管的电流型模拟电子神经网络的新实现。该电路结构非常简单，且具有ＭＯＳ ＶＬＳＩ的优点，新的神经元电路的神经态既可以是全电流型又可以是电压型。     

基于BP神经网络的稻麦轮作区小麦赤霉病预测模型

为提高稻麦轮作区小麦赤霉病发生程度预测的准确度，以江苏洪泽、姜堰和张家港的历年赤霉病病穗率、田间初始菌源和气象因子为数据集，采用逐步回归分析，筛选影响小麦赤霉病发生的关键因子，进一步构建不同生态区的基于 BP 神经网络算法的小麦赤霉病发生预测模型，对江苏姜堰和张家港地区小麦赤霉病病穗率预测准确度均为 100%，对江苏洪泽地区小麦赤霉病病穗率预测准确度为 91.67%。     

Elman神经网络在农网短期负荷预测中的应用

为提高负荷预测精度,更好地反映负荷的动态特性,提出了一种基于Elman神经网络的预测方法。先对负荷样本进行数据预处理,消除伪数据,然后把不同日各时刻的负荷序列作为样本,对未来时刻的负荷进行短期预测。预测实例表明,基于Elman神经网络的预测方法比基于BP神经网络的预测方法具有更好的预测效果。     

基于神经网络的催化剂配方模型

本文应用人工神经网络中的BP网络与RBF网络，讨论脂肪醇催化剂配方的建模问题，并与传统的多元线性回归方法进行对比。结果表明，神经网络具有明显的优点，而RBF网络又比BF网络更加精确，且收敛速度要快1000倍以上。