基于粒子群优化神经网络混合模型预测马尾松毛虫发生量

针对BP网络具有局部精确搜索但易陷入局部极小、粒子群算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的新算法--PSO-BP算法.根据相关系数法、均生函数法及逐步回归法分别选取与马尾松毛虫有虫面积、虫口密度、有虫株率相关关系密切的气象因子和延拓均生函数序列作为样本的输入特征,分别建立马尾松毛虫有虫面积、虫口密度、有虫株率与气象因子和延拓均生函数序列的PSO-BP混合模型.结果表明:建立的各PSO-BP混合模型,具有令人满意的拟合精度和预测精度.当隐含层神经元个数为13个,预报因子数为6个时,3组预留有虫面积的平均预测误差为4.01%;虫口密度PSO-BP混合模型的隐层神经元个数为9个,预报因子数为4个时,预留样本的平均预测误差为3.32%;有虫株率PSO-BP混合模型的隐层神经元个数为9个,预报因子数为4个时,预留样本的平均预测误差为2.83%.上述3个指标的预测准确率均为100%.     

马尾松毛虫发生量灰色系统模型的建立及其预报

运用灰色系统理论的原理和方法，根据相关系数法和逐步回归法，分别选取与马尾松毛虫有虫面积、虫口密度、有虫株率相关关系密切的气象因子作为样本的因子变量，分别建立马尾松毛虫有虫面积、虫口密度、有虫诛率与气象因子的灰色系统预测模型。结果表明：所建立的各预测模型具有令人满意的预测效果。有虫面积模型预报因子数为8个时，预留样本的平均预测误差为7．47％；虫口密度模型预报因子数为6个时，预留样本的第1年预测不准，第2年的预测误差为2．21％；有虫株率模型预报因子数为5个时，预留样本的平均预测误差为3．60％,总预测成功率为83．33％.     

马尾松毛虫发生量时空回归预测的研究

[目的]为控制马尾松毛虫的危害提供理论依据。[方法]以1983年9月～1989年9月浙江省仙居县虫情调查资料和气象资料为研究对象,考察各调查点马尾松毛虫有虫面积随气象因子及时间、空间的动态变化,建立马尾松毛虫发生量的时空回归预测模型,并用所建立模型对1989年3代马尾松毛虫有虫面积进行预报检验。[结果]共建立了1个线性、8个非线性马尾松毛虫发生量时空回归预测模型。1989年3代马尾松毛虫实际危害村数及有虫面积分别为141、143、138村和4533．1、4181．3、5166．0hm^2,9个模型预报的3代马尾松毛虫的发生村数均为193村,线性模型预报的3代马尾松毛虫的发生面积分别为3978．5、4159．5、3427．5hm^2,非线性模型预报的各测报点3代马尾松毛虫的发生面积分别与实际最大相差71．6868、99．8359、119．9478hm^2。[结论]所建立模型对马尾松毛虫有虫面积的预报准确率均为66．7％。     

马尾松毛虫发生量空间定点预报模型的研究

利用1983年9月至1989年9月马尾松毛虫的虫情调查资料,研究仙居县各测报点的马尾松毛虫有虫面积、虫口密度的时空变化规律,分别建立三维自回归趋势面模型、预测克立格模型、空间-时间序列预测之自回归模型和广义时空回归模型4种发生量空间定点预报模型。结果表明,所建立的4种发生量空间定点预报模型均具有较好的预报效果,对1989年3代的虫口密度、有虫面积进行预报检验,预测克立格模型的预报准确率为100％;空间-时间序列预测之自回归模型和广义时空回归模型对两者的预报准确率则均为66.7％;三维自回归趋势面模型虫口密度预报准确率为33.3％,有虫面积的预报准确率为66.7％。     

桂阳县2007年马尾松毛虫发生趋势

2006年11月预测桂阳县2007年全年马尾松毛虫发生面积4．5万亩，其依据是：1、2006年存在少量防治效果较差区域和漏防区，形成新虫源地，并且虫口基数较大，在有利种群发展的气候环境、天敌、寄主等因子影响下，迅速向四周松林扩散，越冬前虫口密度分别达到50—80条／株、20—30条／株。     

基于机器学习的马尾松毛虫发生面积预测模型

为了提高马尾松毛虫预测预报的准确性,分别采用随机森林、支持向量机和深度学习3种机器学习模型,应用气象因子预测马尾松毛虫发生面积,并将模型预测结果与实际发生面积进行比较。结果表明:3个机器学习模型的拟合效果均优于多元线性模型,其中深度学习对马尾松毛虫发生面积的预测最为稳健,拟合决定系数(R~2)和预测准确率(PA)最高(R~2=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R~2=0.9617,RSME=0.3275,PA=92.13%)。深度学习可用于马尾松毛虫发生面积与气象因子非线性模型的构建。     

卵期气温对马尾松毛虫发生量影响神经网络的分析

基于神经网络非线性数据实证分析表明,马尾松毛虫发生面积(hm2)与上一代防治面积(hm2)、上一代防治效果(虫口减退比率)、卵期极低气温(℃)、卵期平均气温(℃)、卵期积温(日度)具有高度非线性相关性,并可以作为马尾松毛虫预测预报非线性建模因子之一,进行马尾松毛虫灾害预测预报。     

基于机器学习的马尾松毛虫发生面积预测模型

为了提高马尾松毛虫预测预报的准确性,分别采用随机森林、支持向量机和深度学习3种机器学习模型,应用气象因子预测马尾松毛虫发生面积,并将模型预测结果与实际发生面积进行比较。结果表明:3个机器学习模型的拟合效果均优于多元线性模型,其中深度学习对马尾松毛虫发生面积的预测最为稳健,拟合决定系数(R²)和预测准确率(PA)最高(R2)和预测准确率(PA)最高(R²=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R2=0.9901,PA=99.27%),均方根误差(RSME)最低(RSME=0.1711);支持向量机模型预测效果也较好(R²=0.9617,RSME=0.3275,PA=92.13%)。深度学习可用于马尾松毛虫发生面积与气象因子非线性模型的构建。     

灾变模型在马尾松毛虫幼虫发生量预报中的应用

  目的  提高马尾松毛虫Dendrolimus punctatus幼虫发生量预测预报结果的准确性。  方法  利用灰色灾变预测GM(1, 1)模型预测了安徽省潜山县1989-2016年马尾松毛虫越冬代、1代和2代严重发生的年份。  结果  马尾松毛虫越冬代虫口数的GM(1, 1)灾变预测模型为:${\hat z^{(1)}}(k + 1) = 9.580\;75{{\rm{e}}^{0.269\;33k}} - 8.580\;75$, 其中k为年序号, ${\hat z^{(1)}}(k + 1)$为灾变年序号。1代幼虫虫口数的GM(1, 1)灾变预测模型为:${\hat z^{(1)}}(k + 1) = 18.181\;8{{\rm{e}}^{0.241\;87k}} - 17.181\;8$。2代幼虫虫口数的GM(1, 1)灾变预测模型为:${\hat z^{(1)}}$(k+1)=20.123 7e0.197 58k-19.123 7。根据此模型求得已知年份的拟合值与观察值, 对两者差异进行t检验, 差异均不显著, 即拟合值与观察值间吻合度高, 各灾变年精度值平均为84.40%, 84.85%和84.08%, 总体平均精度依次为96.25%, 92.34%和94.09%, 模型精度高。由此推算未来时刻的预测值得到, 从2011年马尾松毛虫越冬代幼虫灾变年算起, 再过10 a即2021年为马尾松毛虫越冬代大发生年。从2011年马尾松毛虫1代幼虫灾变年算起, 再过11 a即2022年为马尾松毛虫1代幼虫大发生年。从2011年马尾松毛虫2代幼虫灾变年算起, 再过9 a即2020年为马尾松毛虫2代幼虫大发生年。  结论  灾变预测对马尾松毛虫幼虫发生量灾变的预报是一种较理想的预报方法。     

基于文献学分析马尾松毛虫预测预报的研究综述

关于马尾松毛虫预测预报文献统计分析表明,在年度分布上主要集中在2007年之后,主要作者和主要机构文献数占比分别为18.79%和22.90%,被引文献和最新相关度较高文献分布与作者分布基本一致。从文献内容看,当前马尾松毛虫预测预报文献主要集中在基于马尾松毛虫生物生态学特性和气象因子之上。     

基于遗传神经网络的采暖季PM10浓度预测

用GA算法和BP算法相结合的算法预测西安市PM10污染浓度,首先采用GA算法优化BP神经网络模型的初始权重,再用BP算法进行精确训练,在此基础上进行浓度预报。实例表明GA-BP神经网络解决了BP神经网络收敛速度慢和易于陷入极小值的问题,提高了预测精度。     

基于遗传算法和神经网络的攻丝扭矩预测

针对振动攻丝工艺参数与攻丝扭矩之间的高度非线性关系问题,利用神经网络的基本原理,结合遗传算法理论建立了工艺参数和攻丝扭矩之间的关系模型．将网络模型的预测结果与实验结果进行了比较,显示出了GA—BP预测模型的可靠性．     

基于时间序列和神经网络的温室传感器节点故障诊断

温室无线传感器网络中故障节点会产生并传输错误数据,不仅消耗节点的能量和带宽,而且导致错误决策。针对此问题研究一种准确判断节点故障状态的方法。采用时序分析和遗传BP神经网络,建立基于时间序列和神经网络的传感器节点故障诊断系统,通过对传感器样本数据进行时序分析,提取模型参数作为特征向量,并以此对遗传BP神经网络进行网络训练,实现传感器节点故障的诊断。试验结果表明：该方法能够有效地识别传感器节点故障类型,15组测试样本的输出矢量与同类故障基准矢量的欧式距离和为0.007,识别正确率为100%。     

基于GA-BP算法的玉米品种识别系统研究

介绍一种基于GA-BP学习算法的人工神经网络,利用神经网络具有的自适应性、并行性、鲁棒性以及分类能力强等优势,构造玉米品种学习和识别系统。选用3层BP网络自动识别玉米品种,遗传算法进行粗精度的学习以选取网络权值,用BP算法完成给定精度的学习,克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷。结果表明,提出的GA-BP学习算法有效提高了BP算法的收敛速度。     

基于GA-BP算法的土壤墒情预测

利用遗传算法的全局寻优能力优化BP神经网络连接权值,建立基于GA-BP算法的土壤墒情预测模型具有绝对误差小和收敛速度快的优点,且避免了BP算法易陷入局部极小值的缺点,该模型预测的平均绝对误差为1.11%,具有较好的预测精度。     

思茅松天然林林分生物量混合效应模型构建

本研究以云南省普洱市的思茅松天然林为对象,调查了3个位点45块样地的林分地上、根系和总生物量。以幂函数模型为基础构建林分生物量的基本模型;采用混合效应模型技术,考虑区域效应随机效应,选择基本混合效应模型,并分析模型的方差和协方差结构,分别构建3个维量的区域效应随机效应的混合效应模型;考虑林分因子、地形因子和气象因子固定效应,构建含环境因子固定效应和区域效应随机效应的林分生物量混合效应模型。所有模型均采用拟合指标和独立检验指标进行评价。结果表明:1) 从模型拟合情况看,考虑区域效应的随机效应模型均能显著提高一般回归模型的精度;在3类含环境因子固定效应模型中,含地形因子固定效应的区域混合效应模型均具有最低的AIC和BIC值,表现最好;2) 就模型独立性检验看,除地形因子固定效应的林分根系混合效应模型外,其余模型均优于一般回归模型;考虑环境因子固定效应的混合效应模型与普通区域效应混合模型相比,各个维量模型的独立性检验指标表现不一,但总体上差异不大;3) 综合考虑模型拟合和独立性检验结果,除林分根系生物量选择普通区域效应混合模型外,另2个维量均选择含地形因子固定效应和区域效应随机效应的混合效应模型。      

凉水自然保护区阔叶红松林冠下4个主要树种更新幼树树高生长模型

以黑龙江省凉水国家级自然保护区阔叶红松林为研究对象,基于14块标准地中红松(Pinus koraiensis)、红皮云杉(Picea koraiensis)、冷杉(Abies nephrolepis)、色木槭(Acer mono)等4个主要树种448棵幼树的连年树高生长量数据,从5个备选模型中分别为4个树种选择最优树高生长模型作为基础模型,并采用R语言对4个树种分别构建了样地水平和样木水平的幼树树高生长混合效应模型并进行独立检验。结果表明:4个树种幼树树高随年龄增加而增大,且总体趋势较为明显,在幼树阶段其树高的年增长量差别不大。柯列尔方程或幂函数能较好地拟合4个树种幼树的树高生长过程。将柯列尔方程作为最优基础模型并建立混合效应模型,通过比较赤池信息准则(A_I,C)、贝叶斯信息准则(B_I,C)以及对数似然值(L_L)得出结果,样木水平混合效应模型优于样地水平混合效应模型。与基础模型相比,4个树种样木水平混合模型的调整后确定系数(R_adj²)提高4.16%~20.31%(平均11.13%);均方根误差(R_M,S,E)降幅较大,为83.92%~89.66%(平均86.32%)。模型检验结果显示,相对于基础模型,混合效应模型的平均绝对误差(M_A,E)减小6.8~13.4 cm,平均减小9.78 cm;平均预测误差百分比(M_P,S,E)降幅较大,为14.4%~49.5%(平均30.85%)。说明样木水平混合模型既能提高模型的拟合效果,又能提高模型的预测能力,证明了树高生长的差异主要源于随机效应(即幼树个体差异)。本研究所构建的幼树树高生长模型可以为阔叶红松林的生长模拟和森林演替研究提供基础。     

混交林生长模型研究进展

通过对国内外各种混交林生长模型文献的分析研究 ,得出以下结论 :混交林是森林可持续经营的重要的营林体制 .随着混交林面积的增加 ,混交林的经营面临着挑战 .迫切需要研究合适的模型用于混交林的生长预测和经营 .混交林生长模拟的难点主要包括多树种、林分年龄、立地指数和竞争效应的表达等方面 .在这些方面仍需要大量的工作 .混交林生长模型按模型的层次可分为单木模型、径级模型和全林分模型 .其中单木模型最适合于描述受不同树种间个体竞争影响的混交林的生长 ,个体竞争的描述是这类模型的研究重点 .文章最后讨论了混交林生长模型的发展趋势 ,包括单木模型的研究、混合模型的研究、三维模型和模拟的可视化及与GIS相结合等     

成品油管道顺序输送混油模型研究进展

成品油在顺序输送过程中会产生多个混油段,混油量的精确计算对于批次定位和混油切割方案的制定具有重要意义。系统地梳理了目前成品油管道顺序输送混油计算模型,依据其建立方法将其分为经验模型、半理论半经验模型及基于计算流体力学(CFD)理论所建立的模型,对这3类模型的研究现状及局限性进行了分析。最后指出:建立考虑混油拖尾机理的数学模型及开发适用于求解湍流状态下的高维混油模型的快速耦合算法是未来成品油管道混油预测的重要研究方向。(参46)     

番鸭体重生长非线性混合效应模型评价的研究

【目的】定量描述和估计本地番鸭体重生长的轨迹和参数。【方法】本研究对116只番鸭进行了21 weeks的饲养和观测;利用5种生长函数(Gompertz、Logistic、Von Bertalanffy、Richards和Brody)拟合了番鸭体重生长的非线性混合效应模型;分别计算了这些模型的8个生长参数(成熟体重、拐点日龄、拐点体重、初生体重、绝对生长率、相对生长率、绝对成熟率和相对成熟率);根据信息准则、误差方差的大小和生长参数估计值的准确度,比较了不同模型间的拟合和估计结果。【结果】与非线性固定效应模型比较,5种非线性混合效应模型拟合的番鸭体重生长方程和估计的8个生长参数,其准确度整体上提高了许多;全群番鸭体重生长Gompertz非线性混合效应模型,其信息准则最小,误差方差减少量达99.92%;雄、雌番鸭体重生长Richards非线性混合效应模型, 其信息准则最小,误差方差减少量分别是89.80%、91.81%。【结论】Gompertz和Richards非线性混合效应模型分别是评价全群和雄、雌番鸭体重生长的最优模型。