基于BP神经网络的麦蚜最大虫株率预测

农业病虫害严重制约着农作物的产量和质量,准确的病虫害测报是科学防治害虫的前提,因此建立准确且稳定的预测模型,对于提前采取措施进行病虫害防治、减少农作物经济损失具有重要意义。为探索建立更加准确和稳定的病虫害测报模型,本实验以山西省运城市芮城县1980—2006年麦蚜最大虫株率和气象因子数据为基础,建立BP神经网络预测模型,对1980—2006年数据进行网络训练,预测2007—2011年麦蚜最大虫株率,并与逐步回归法进行比较。结果表明,BP神经网络的预测准确率超过96%,从预测准确率和模型稳性定上都远好于逐步回归法预测结果。基于BP神经网络预测模型处理非线性问题的能力、良好的自学习、自组织和自适应性、良好的推广能力,其可作为农作物病虫害预测预报的一种有效方法继续探索。     

基于电子鼻的苹果低温贮藏时间及品质预测

【目的】研究利用电子鼻对苹果低温贮藏时间及品质的预测效果,为苹果低温贮藏品质的无损检测及合理加工利用提供参考。【方法】以富士苹果为试材,在(0±1)℃低温条件下贮藏,分别在贮藏后的第0,30,60,90,120,150和180天,随机选取30个果实,利用PEN3型电子鼻检测其香气,并一一对应测定苹果的主要品质指标(硬度、可溶性固形物含量和可滴定酸含量)。利用载荷分析优化电子鼻传感器阵列,对优化后的电子鼻检测数据进行线性判别分析,建立苹果低温贮藏品质的偏最小二乘预测模型、BP神经网络预测模型和贮藏时间的多层感知器预测模型,并对预测效果进行了比较。【结果】线性判别分析能够较好地区分苹果的贮藏品质,且苹果香气在贮藏60~90d时变化较大;建立的多层感知器神经网络模型对苹果贮藏时间有较好的预测效果,预测准确率均92.0%;利用偏最小二乘法和BP神经网络均能对果实的品质建立有效的预测模型,其中偏最小二乘法对冷藏苹果硬度和可滴定酸含量的预测效果优于对可溶性固形物含量的预测,利用BP神经网络所建立预测模型的决定系数均0.930 0,预测效果较偏最小二乘法更好。【结论】利用电子鼻的快速无损检测功能可以实现对苹果低温贮藏时间及品质的预测。     

基于灰色神经网络的粮食预测

结合灰色GM(1,1)预测模型和BP神经网络2种预测模型的优点,提出了一种灰色神经网络模型,并用该模型对蚌埠市小麦产量进行预测。结果表明,灰色神经网络预测精度高于单一的灰色GM(1,1)预测模型或BP神经网络。     

基于气体传感器阵列的Tent-SSA-BP苹果鲜度预测模型

为了能够准确预测苹果的鲜度等级、有效降低苹果的储藏风险、避免经济损失，基于一种气体传感器阵列和无线传输模块的电子鼻系统，采集苹果散发的气味信息。在实验室现有的苹果鲜度识别系统的研究基础上，以室内条件下储存的富士苹果为研究对象，建立基于混沌序列（Tent）改进的麻雀搜索算法（SSA）优化反向传播（BP）神经网络的预测模型，通过预测苹果挥发的气味信息完成对苹果鲜度的预测。结果表明，基于气体传感器阵列的Tent-SSA-BP预测模型的决定系数为0.942 03，均方误差为0.000 4，准确性总体高于BP神经网络预测模型的0.800 57，且具有更高的预测稳定性。该预测模型解决了当前基于传统动力学模型的预测准确率低、检测效率低、且对苹果造成破坏的问题；同时相较于红外光谱等其他预测手段，该模型具有更低的经济成本，且具有操作简便、移动便携等优点。综上所述，通过对苹果挥发的气味信息进行预测以实现对苹果鲜度的预测，具有操作简便、成本低、结果可靠的特点，避免了预测鲜度的过程中对苹果造成破坏，实现了无损检测。     

基于高光谱和BP神经网络模型苹果叶片SPAD值遥感估算

叶绿素含量表征植被的营养生长状况,为西北地区苹果的大面积、无损、实时生长监测提供科学依据,使用SVC HR-1024I型便携式野外光谱辐射仪和SPAD-502型叶绿素仪测定不同生育期苹果叶片光谱反射率和SPAD值。分析不同生育期苹果叶片SPAD值及其高光谱变化特征,不同生育期叶片SPAD值与原始光谱反射率和光谱特征参数的相关性,构建基于光谱特征参数的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型,并对反演模型进行验证。结果表明,1)从新梢开始生长到果实成熟,苹果叶片SPAD值呈现先上升后下降趋势;2)基于光谱特征参数构建估算叶片SPAD值的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型均通过显著性检验,在秋梢停止生长期各模型反演和预测精度均最高;3)在各生育期,基于光谱特征参数建立的单因素回归模型中,均以蓝边幅值Db和绿峰面积SRg为自变量建立的回归方程拟合和预测能力最优;4)在各生育期,基于逐步回归分析的BP神经网络模型反演和预测能力较单因素回归模型和多元逐步回归模型表现最优,建模R2和验证R2分别达到0.90和0.84以上,验证RMSE4.41,验证RE8.42%,是一种快速、高效估算苹果叶片SPAD值的良好反演方法。     

苹果产量集成预测模型研究

苹果产量与气象因素密切相关,建立以气象因子为变量的预测模型是实现产量预测的重要手段。单一预测模型受限于年际及空间变化,预测效果不佳。选取山东省4个苹果主产县,通过对2005—2019年气象数据和苹果产量数据进行分析,构建苹果产量集成预测模型。首先,通过趋势分析法将苹果产量分解为趋势产量和气象产量。其次,分别针对月平均气象数据,依据距离相关系数筛选影响产量的关键气象因子。最后,以支持向量机回归、多元线性回归和决策树回归为基础模型形成集成预测模型。结果表明,集成预测模型精度优于单一模型,其平均相对误差在3.0%～4.5%,均方根误差在1.5～2.6。该模型在不同地区均表现出较好的预测效果,可为苹果产量预测提供理论支撑。     

马尾松毛虫幼虫发生严重程度的预测研究

为了提高马尾松毛虫幼虫发生严重程度的预测精度,寻求简便准确的预测方法,采用时间平稳序列法、回归预测法、马尔科夫链法、BP神经网络法和列联表多因子多级相关分析法对安徽省潜山县1983—2014年的马尾松毛虫越冬代、一代和二代幼虫发生的严重程度进行预测,研究历史符合率,并用2015年和2016年的实际发生情况验证。结果表明,平稳时间序列法,列联表多因子多级相关分析法计算简便,预测结果准确;BP神经网络法和马尔科夫链法预测结果非常准确。回归模型中以当代卵盛期卵量预测当代幼虫发生严重程度的一元回归模型的预测结果准确性高,其余一元回归模型预测结果稍差,多元回归模型和逐步回归模型优于一元回归模型。BP神经网络模型是一种理想的预测模型。     

基于Vis-NIR光谱的土壤质地BP神经网络预测

为快速、准确地获取土壤质地信息,提出了应用Vis-NIR光谱结合BP神经网络的建模方法。以河南封丘县的86个土壤样本为研究对象,以原始光谱和微分光谱主成分为输入变量,建立土壤粘粒和砂粒的BP神经网络预测模型,并将其预测结果与多元线性逐步回归模型进行比较。结果表明:基于原始光谱主成分的BP人工神经网络预测结果最好,优于多元逐步回归模型,预测粘粒和砂粒的RMSE分别为1.62和6.52。BP神经网络所建模型训练时间短、准确度也较高,能实现对土壤质地的高效预测。     

云冷杉天然林林分年龄预测——以金沟岭林场为例

应用BP神经网络模型、PPR神经网络模型以及多元逐步回归模型,依据林分因子预测了金沟岭林场云冷杉天然林林分年龄。对比分析了人工神经网络计算模型算法与多元逐步回归分析模型预测结果的精度以及稳定性。结果表明:3种模型均可用于天然林林分年龄的预测,BP神经网络模型的预测平均相对误差为0.04,模型稳定性差;PPR神经网络模型的预测相对误差为0.06,模型稳定性好;多元逐步回归模型的预测相对误差为0.08,模型稳定性好。     

基于多种模型的浙江省入境游客量预测

入境游客量是衡量地区旅游发展的重要指标之一,准确的旅游需求预测可以为旅游规划提供参考依据。本文根据浙江省2001-2011年接待入境旅游游客量及其他相关统计数据,运用BP神经网络法、GMDH模型、逐步回归分析与BP神经网络组合预测法以及BP神经网络与GMDH模型组合预测法,基于影响因子要素对入境游客量进行预测分析。实验证明BP神经网络与GMDH模型组合预测法具有较强的预测优势。     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015 年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明：通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab 平台上训练精度设为0.005、学习率0.01 的BP神经网络方法可以很好地逼近非线性函数。用大于1/3 样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

基于BP神经网络的华北落叶松小班蓄积预估模型研究与应用

林分蓄积是衡量小班林分生产力的重要指标。选择华北落叶松人工林小班数据,对以年龄、公顷株数和立地指数为自变量,小班公顷蓄积为因变量的BP (back propagation)神经网络模型和多元回归模型进行研究。研究结果表明:①BP神经网络参数最优组合:三层网络结构包括输入层3个神经元,隐含层10个神经元和1个神经元,输出层1个神经元,R语言算法选用含有动量的自适应梯度下降法,MATLAB软件算法选择Levevberg-Marquardt法;②多元回归模型中,生长理论方程为基础修正函数"Logistic+幂函数"组合的修正模型V=SI~(0.977 2)N~(0.510 3)0.500 1/[1+44.226 1exp(-0.146 6t)]表现最优,其决定系数R~2为0.721 8;③BP模型预测精度最高,其次是多元回归模型和材积表法。基于以上研究,为了提高BP模型的实用性,通过JAVA和R语言编程方式,将构建BP神经网络小班蓄积预估模型存储到收获预估模型的模型库中,在人工林收获预估中实现BP模型的调用,实现从经典的数学模型形式向智能化软件方向发展,提高BP模型在实际生产中的可操作性,为森林经营作业提供决策支持。     

农作物虫情的模糊神经网络预测模型

利用BP神经网络建立的农作物虫情预测模型,其算法存在收敛速度慢、网络泛化能力差等缺点,可影响预测精度。为进一步提高预测精度,将人工神经网络与模糊系统结合,建立基于模糊神经网络的农作物虫情预测模型;并将该模型与基于BP神经网络算法的预测模型进行比较。结果表明,模糊神经网络的预测模型预测精确度比较高,训练速度比较快;该模型给农作物虫情预测提供了一种新方法。     

土壤墒情预测模型对比

为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。     

基于人工神经网络的辽宁省粮食产量模型预测研究

利用辽宁省1983～2008年粮食产量数据,建立了粮食产量预测的3层BP网络模型,网络拓扑结构为6-6-1。用此模型对作物产量进行预测,并与多元线性回归预测结果进行比较。结果表明,人工神经网络预测的最大误差为1.57%,平均误差为0.79%,网络预测精度为0.97,说明人工神经网络模型具有较高的预测精度和较强的泛化能力,为粮食产量预测提供了一条新途径。     

云南省水稻白叶枯病BP神经网络测报技术研究

 人工神经网络对复杂非线性问题映射能力强,能提高预测的准确度,为水稻白叶枯病害的防治工作提供指导。因此,本研究基于水稻白叶枯病害发生、危害与温度、湿度、降雨等气象因素相关的特点,利用人工神经网络建立云南省勐海县和石屏县水稻白叶枯病害BP神经网络预测模型,预测病害的发生程度。经实例验证,BP神经网络预测模型预测准确度达到80%以上,较逐步回归模型高。研究表明在勐海、石屏建立水稻白叶枯BP网络预测模型是可行的,并具有较高预测准确度,对防治工作有较高应用价值。     

BP神经网络在小麦赤霉病气象预测中的应用*

 应用BP神经网络的方法建立四川资中小麦赤霉病发病的预报模型,为预防小麦赤霉病发病提供科学依据。根据四川资中小麦赤霉病发生发展的气象生理指标及历年该病发生的统计资料,借助人工神经网络强大的函数映射能力,采用Fletcher-Reeves算法的变梯度反向传播算法——Traincgf,建立了小麦赤霉病发病的气象预报模型。该模型不需要事先确定数学模型,拟合与预测的平均绝对偏差分别为0.01,0.05,优于多元线性回归模型的0.17,0.29。BP神经网络预报模型的拟合精度和预报精度都较高,优于多元线性回归模型,能很好地实现预期效果,对小麦赤霉病发病的预测预防工作具有一定的指导意义。     

基于BP神经网络的粮食产量预测模型

提高我国粮食产量的预测精度与效率是人们关注的一个重要问题.BP模型是目前最为广泛应用的神经网络模型之一,它是一种简单又非常有效的算法.将BP神经网络模型应用到粮食产量预测中,并建立了粮食产量的神经网络预测模型,结果表明BP神经网络应用于粮食产量预测是可行的.