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。     

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。     

基于遗传算法的BP网络在小流域侵蚀量预测中的应用

人工神经网络可用于流域水土流失的预测.针对BP神经网络收敛速度慢及容易陷入局部最优解的缺点,设计了基于遗传算法(GA)的优化BP神经网络.利用遗传算法特有优势,为BP网络的初始权值和阈值搜索全局最优解空间,经过BP算法迭代训练,进行预测.依据黄土高原沟壑区杨家沟小流域多年径流与泥沙的实测数据,对创建的侵蚀量模型进行训练和预测,取得了较高的预测精度和较快的收敛速度.     

基于人工神经网络的粮食产量预测模型

研究了人工神经网络在经济预测中的应用问题,探讨利用人工神经网络进行农业粮食产量预测的方法。提出一种基于多层前馈BP神经网络的农业粮食产量预测模型,可以得到影响粮食产量的主要因子和粮食产量之间的非线性映射关系。并通过实例验证了神经网络模型的预测精度明显高于线性回归模型的预测精度。     

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。     

基于人工神经网络的农民收入预测模型的应用分析——以陕西省为例

阐述了神经网络及其BP算法的工作原理,将神经网络的BP算法引入农民收入研究领域,并应用MATLAB神经网络工具箱对陕西省农民纯收入进行了预测研究。预测模型在预测精度和算法的收敛速度方面都达到了较好的效果,对未来农民收入的研究具有重要意义。     

优化BP神经网络算法在油茶产量预测中的应用

针对标准的BP神经网络模型对我国南方的重要木本油料树种油茶产量进行预测过程中存在的缺陷,采用相对误差逐步优化回溯算法在迭代过程的参数,使原始的BP神经网算法在运算精度和计算速度上均得到显著的提高,即一种改进的回溯算法优化BP神经网络预测模型。经过试验效验与仿真证明,得到的改进算法不仅能提高油茶产量预测的收敛速度,而且在油茶产量预测精度上也有很大的提高。优化后的BP神经网络算法为多要素因子之间相互影响事件的结果预测,提供了新的设计思路和更好的解决方法。     

基于小波神经与随机分析的径流预测

【目的】分析水文不确定性因素对径流预测的影响,提高中长期水文预报方法模拟预测结果的精度。【方法】将小波分析(WA)、人工神经网络(ANN)和随机分析联合使用建立径流预测模型,即在小波分析(WA)揭示流量时频特性的基础上,将径流原序列分为高频部分和低频部分,然后利用人工神经网络(ANN)对低频部分进行模拟预测,利用随机分析对高频部分进行分析,最后将各部分结果叠加作为最终预测结果。将所建立的径流预测模型用于渠江二级支流后河的径流预测,并与传统BP人工神经网络方法的预测结果进行对比。【结果】根据《水文情报预报规范》,以预测值的相对误差小于10%为标准,传统BP人工神经网络预测结果合格率为46.67%,而基于小波神经与随机分析的径流预测模型在正常水文年模拟预测结果的合格率为73.33%。【结论】基于小波与随机分析的径流模型预测精度好、合格率高,能得到更好的复杂水文条件下的径流预测值。     

基于主成分分析和粒子群优化神经网络的粮食产量预测

粮食产量的预测研究在粮食安全方面具有重要意义,神经网络可以较好地反映粮食产量这一复杂的非线性动态系统。但是传统的BP神经网络预测模型存在学习收敛速度慢、易陷入局部极小值等缺陷,为了改善这一缺陷,提出了一种基于主成分分析(PCA)和粒子群(PSO)优化神经网络的预测模型。首先计算各影响因素与粮食产量之间的相关系数,利用主成分分析方法降低影响因子的维度,将降维后的因子作为神经网络的输入,然后采用BP神经网络建立粮食产量预测模型,其中引入PSO算法对BP神经网络的权值和阈值进行优化,最后使用训练过的BP神经网络预测粮食产量值。预测结果表明,该模型可有效提高预测精度,且收敛速度快,全局收敛性好,为粮食产量预测提供了一种新的途径。     

水库调洪演算BP网络模型的建立与研究

分析了影响水库调洪演算的因素 ,建立了基于人工神经网络下的水库调洪演算 BP网络模型 ,进行了洪水过程模拟和预测 ;对影响网络收敛速度的因素做了探索研究 ,阐述了 BP网络参数选择原则和选取范围     

土壤水分预测的BP神经网络方法及模型

土壤水分预报是农田适时适量灌水的基础。田间土壤水分的变化受到外界气象因素及土壤特性、作物生长的影响,关系比较复杂。笔者利用多年实测土壤水分资料和气象资料,建立了考虑多个因素对土壤水分影响的BP人工神经网络模型。模型结果表明:所建立的模型具有较好的预测效果;用神经网络建立土壤水分预测模型的方法是可行的。     

基于PSO–BP算法的油菜籽干燥工艺参数的优化

结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化:采用BP神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型,利用试验样本数据计算并确定预测模型的网络权值及阈值,再采用PSO算法进行参数优化。试验验证结果表明,对比BP网络模型和PSO–BP模型,发现BP网络仿真值相对误差最大值为4.5%,而PSO–BP仿真值最大相对误差小于2.93%。     

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BP神经网络的太湖典型农田土壤水分动态模拟

收集太湖典型农田2010年10—12月和2011年3—6月2个时间段的逐日气象资料和土壤水分资料,运用BP(back propagation)神经网络和缺省因子分析法确定影响该地区土壤水分动态的主要气象因子(降水量、蒸发量、平均气温和平均地表温度以及平均风速),以这些主要影响因子作为输入变量建立该地区土壤水分动态模拟的BP神经网络模型。利用100组实测样本对神经网络进行训练,用剩余的64组实测样本进行检验。结果表明:0～14 cm和14～33 cm土壤含水量模拟的平均相对误差(MARE)最大为0.062 9,均方根误差(RMSE)最大为1.764,不同土壤层次的训练样本和检验样本的精度(PA)都在0.87以上。因此,BP神经网络用于太湖典型农田的土壤水分动态模拟是可行的。     

间隔覆盖条件下坡面产流产沙状况的BP神经网络模拟

本文以塿土和黄绵土作为实验材料,尝试使用BP神经网络方法(Back-Propagation neural network)模拟人工降雨条件下,间隔覆盖坡面的产流产沙状况。通过设置不同坡度、降雨强度、面积比,获得各种因素不同水平组合下的实测数据;以实际降雨强度、坡度、面积比、径流起始时间和初始含水率5个因子为输入变量、坡面产流量和产沙量为输出变量,利用BP神经网络模型与多元线性回归模型对数据进行模拟分析,并检验其模拟效果。研究结果表明:训练样本集平均相对误差为18.23%,预测样本集平均相对误差为5.21%;与多元线性回归模型相比,BP神经网络模型拟合精度较高,拟合效果更理想,表现出更强的预测能力。另外,比较不同土质坡面产流量与产沙量模拟效果,塿土优于黄绵土。从本研究的结果看,BP神经网络模型应用于坡面产流产沙模拟预测,省时省力,方便快捷,具有一定的应用潜力,但其实际的模拟预测能力尚需进一步探索。     

水分敏感指标人工神经网络模型研究

 选用经度、纬度和土壤有效含水量、全生育期日平均参考作物腾发量作为输入因子，水分敏感指标作为输出因子，构建了一个具有二层隐含层的BP人工神经网络模型，利用湖北和广西的水稻试验数据作为样本对网络进行训练和检验。结果表明：模型具有较高的拟合精度和预测精度，能够用于缺乏试验数据的地区进行水分敏感指标的计算。     

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。