基于BP神经网络的油松人工林树高模型研究

通过分析比较不同算法以及不同输入层因子，构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源，通过对6种BP神经网络的训练方法进行训练，经过反复筛选找出最优模型并与传统胸径-树高模型作比较；最后将BP神经网络中的输入因子从2个增加到6个后，经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳，R²和MSE分别为0.963 0和1.168；2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响，BP神经网络模型的决定系数（R²）随着隐含层节点数的增加呈现先上升后下降的趋势；均方误差（MSE）呈现先下降后上升的趋势，两者都在节点数为10时有极值，此时的模型为最优模型；3）当输入因子为胸径和优势树高时，油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1），此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.761 0和1.984 7；当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时，最优模型结构为6∶10∶1，此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出，在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法；BP神经网络模型与传统模型相比，BP神经网络模型不需要目标方程结构，并且模拟和预测的精度均要优于传统模型；在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。     

基于GA-BP神经网络的灌木生物量估测模型

【目的】应用以遗传算法优化的BP(GA-BP)神经网络构建灌木生物量估测模型,以有效避免回归分析建模中自变量及模型形式选择的复杂问题。【方法】以灌木林地的荆条为试验对象,应用遗传算法优化BP神经网络的结构、初始权值和阈值,通过BP神经网络训练构建荆条最优地上生物量估测模型,并与传统的应用回归分析方法构建的模型进行对比分析。【结果】仿真结果表明,GA-BP神经网络模型和回归分析模型的模拟精度分别为77.65%和71.79%,估测精度分别为81.46%和75.64%,GA-BP神经网络模型的精度略高于回归分析模型。【结论】应用GA-BP神经网络构建灌木生物量模型是可行的,能够实现灌木生物量的快速估测。     

西伯利亚落叶松天然林立木生物量估算模型研究

[目的]构建西伯利亚落叶松地上、地下及各组分器官的生物量估测模型.[方法]基于54株伐倒样木实测数据,运用相关回归分析方法,构建西伯利亚落叶松各组分生物量估测模型,并对比分析各种模型估测精度.[结果]以胸径、树高构建的落叶松各组分二元估测模型优于一元模型,其中地上、树干、树冠和树枝生物量预估精度提高了2.84; ～5.00;,而树叶和地下生物量仅提高了0.33;和0.15;.落叶松树干生物量和地上总生物量最优估测模型为W=aDbhc、树冠和树枝生物量最优模型为W=a(D3/H)b、树叶生物量最优模型为W=aDb;其中地上总生物量预估精度最高,达96.38;;树叶生物量预估最低,为84.07;;地下生物量以实测数据直接建模法与根茎比建模法对比,根茎比建模法预估精度高,其最优模型精度为90.50;.[结论]研究确定西伯利亚落叶松天然立木单株各组分生物量的最优估测模型,根据现地实测数据,可进行立木生物量估测,但人工落叶松立木生物量和天然落叶松不同林分的生物量估测还有待进一步研究.     

基于环形BP神经网络的指纹匹配算法

针对传统BP神经网络算法收敛慢、抗旋转畸变效果差的问题,设计了一种多输入、单输出的三层前馈神经网络,该网络的输入层呈n层环状结构,隐层中的第n个神经元接受输入层第n环所有神经元的数据,对于每个输入层的神经元,仅采用一个权值连接至对应的隐层神经元;输出层的唯一一个神经元接受隐层中所有神经元的数据,对于每个隐层神经元,仅采用一个权值连接至输出层神经元。试验结果表明,单权值连接方式提高了网络的收敛速度,环状结构的设计具有较好的抗旋转畸变的性能,使得匹配速度和匹配精度均有所提高。     

基于红边参数和人工神经网络的苹果叶片叶绿素含量估算

【目的】应用人工神经网络来解决苹果叶片叶绿素含量与高光谱数据之间的非线性关系，建立估测苹果叶片叶绿素含量的最佳模型，为苹果叶片叶绿素含量的快速无损监测提供参考。【方法】以位于陕西扶风杏林镇的树龄为4-5年的15棵苹果树为研究对象，2015年分别于果树花期（4月27日）、幼果期（5月30日）、果实膨大期（7月6日）、果实着色期（8月5日）、果实成熟期（9月11日）采集叶片样本，利用SVC HR-1024i型高光谱仪和SPAD-502叶绿素仪同步获取苹果叶片光谱值和对应的叶绿素含量，对原始光谱和一阶导数光谱与叶绿素含量之间的关系进行分析，从一阶导数光谱中提取苹果叶片光谱的5个红边参数，从5个红边参数中筛选出相关性好的红边参数，使用传统单变量回归算法、反向传播（back propagation，BP）神经网络和径向基函数（radial basis function，RBF）神经网络，建立叶绿素含量估测模型，用决定系数（R2）、均方根误差（RMSE）和相对误差（RE）来验证模型的准确性。【结果】与原始光谱相比，一阶导数光谱与苹果叶片叶绿素含量的相关性更高。5个红边参数中，红边位置、峰度系数、偏度系数与叶绿素含量的相关系数均较高，且均达极显著水平。建立的传统单变量回归模型中，基于红边位置、峰度系数和偏度系数的R2均大于0.7,其中基于偏度系数建立的多项式模型模拟精度最高，验证结果R2为0.872，RMSE为4.631，RE为8.81%。选取红边位置、峰度系数和偏度系数为人工神经网络的输入变量，分别优化BP神经网络的隐含层节点数和网络类型以及RBF神经网络的扩展系数（SPREAD值）来提高预测精度，结果发现，建立隐含层节点数为4的双隐含层BP神经网络最优模型R2为0.891，RMSE为3.844，RE为7.55%；当SPREAD值为0.6时，建立的RBF神经网络最优模型的R2为0.955，RMSE和RE分别为2.517和3.69%。【结论】估算苹果叶片叶绿素含量时，人工神经网络模型比传统单变量模型精度高，其中RBF神经网络模型学习速度快、精度高，拟合结果更加可靠。     

基于混合效应模型的迪庆云冷杉林地上生物量遥感估测

  目的  确定云冷杉林生物量光学遥感估测饱和值,探索提高生物量遥感估测精度。  方法  以云南省迪庆藏族自治州云冷杉林为研究对象,根据森林资源二类调查数据,结合同时期Landsat 8 OLI遥感影像,利用随机选取的小班样本数据提取遥感因子反射率统计值,并与生物量进行曲线拟合,求解云冷杉林生物量饱和值,建立云冷杉生物量回归估测模型、BP神经网络模型。同时基于回归模型构建考虑区域、龄组效应的单水平和嵌套两水平(区域+龄组)混合效应模型,反演研究区云冷杉林地上生物量。  结果  利用幂函数拟合得到迪庆藏族自治州云冷杉林生物量饱和值为233 t·hm?2;最优回归估测模型调整决定系数(R_a2)为0.606,高于BP神经网络模型的R_a2(0.542),各个效应水平混合模型的拟合精度与独立性检验指标均优于回归模型。考虑两水平的混合效应模型有最优的拟合精度,而考虑龄组效应水平的混合模型有最优的独立性检验指标。混合效应模型在低生物量段(＜100 t·hm?2)和高生物量段(＞233 t·hm?2)均显著降低了回归模型和BP神经网络模型的估测平均残差。  结论  混合效应模型有更宽的估测范围,在一定程度上减小低值高估与数据饱和造成的高值低估影响,提高了预估精度。图3表12参28     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

基于神经网络的公路运输量预测模型及应用

以福建省公路旅客周转量和货物周转量的统计资料为基础,结合神经网络技术原理,应用BP神经网络方法建立3维输入、单输出、隐层单元数为15的3层神经网络模型,分别对福建省公路旅客周转量和货物周转量进行预测.结果表明,各月的旅客周转量和货物量预测值的最大相对误差的绝对值分别为0.4890%和0.4495%.该模型具有简便实用、预测精度高的优点.     

基于红边参数和人工神经网络的苹果叶片叶绿素含量估算

【目的】应用人工神经网络来解决苹果叶片叶绿素含量与高光谱数据之间的非线性关系,建立估测苹果叶片叶绿素含量的最佳模型,为苹果叶片叶绿素含量的快速无损监测提供参考。【方法】以位于陕西扶风杏林镇的树龄为4～5年的15棵苹果树为研究对象,2015年分别于果树花期(4月27日)、幼果期(5月30日)、果实膨大期(7月6日)、果实着色期(8月5日)、果实成熟期(9月11日)采集叶片样本,利用SVC HR-1024i型高光谱仪和SPAD-502叶绿素仪同步获取苹果叶片光谱值和对应的叶绿素含量,对原始光谱和一阶导数光谱与叶绿素含量之间的关系进行分析,从一阶导数光谱中提取苹果叶片光谱的5个红边参数,从5个红边参数中筛选出相关性好的红边参数,使用传统单变量回归算法、反向传播(back propagation,BP)神经网络和径向基函数(radial basis function,RBF)神经网络,建立叶绿素含量估测模型,用决定系数(R2)、均方根误差(RMSE)和相对误差(RE)来验证模型的准确性。【结果】与原始光谱相比,一阶导数光谱与苹果叶片叶绿素含量的相关性更高。5个红边参数中,红边位置、峰度系数、偏度系数与叶绿素含量的相关系数均较高,且均达极显著水平。建立的传统单变量回归模型中,基于红边位置、峰度系数和偏度系数的R2均大于0.7,其中基于偏度系数建立的多项式模型模拟精度最高,验证结果R2为0.872,RMSE为4.631,RE为8.81%。选取红边位置、峰度系数和偏度系数为人工神经网络的输入变量,分别优化BP神经网络的隐含层节点数和网络类型以及RBF神经网络的扩展系数(SPREAD值)来提高预测精度,结果发现,建立隐含层节点数为4的双隐含层BP神经网络最优模型R2为0.891,RMSE为3.844,RE为7.55%;当SPREAD值为0.6时,建立的RBF神经网络最优模型的R2为0.955,RMSE和RE分别为2.517和3.69%。【结论】估算苹果叶片叶绿素含量时,人工神经网络模型比传统单变量模型精度高,其中RBF神经网络模型学习速度快、精度高,拟合结果更加可靠。     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数，一直是气候变化和生态研究中的热点，遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象，以机载LiDAR和Landsat8/OLI为信息源，结合44块样地实测数据，使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上，进一步构建区域尺度的LAI反演模型，实现景洪市橡胶林LAI的反演。结果表明，基于LiDAR的林分水平模型中，SVR模型最优，决定系数（R²）为0.76，相对均方根误差（rRMSE）为17%，估测精度（P）为83%；以SVR模型估测结果作为区域尺度遥感反演模型的先验样本，结合Landsat8/OLI数据的BP神经网络模型反演效果最好，估测精度达76%。     

基于BP神经网络的马尾松人工林胸径-树高模型预测

  目的  马尾松Pinus massoniana是中国南方主要用材树种，建立高效的马尾松人工林胸径-树高预测模型，可为马尾松人工林经营提供理论指导。  方法  以贵州省黔中地区马尾松人工林为研究对象，基于82块样地(25 m×25 m)的4 284株马尾松单木数据，选取6个常用的广义非线性模型进行拟合，从中筛选出拟合效果最好的模型。使用相同的数据确定最佳隐层节点数量后，经过反复训练建立基于BP神经网络的马尾松胸径-树高预测模型。  结果  在6个广义非线性模型中，拟合效果最佳为Korf模型(R2=0.650)；马尾松适宜的隐藏层节点数为2，适宜的模型结构(输入层节点数∶隐藏层节点数∶输出层节点数)为1∶2∶1，模型预测精度达0.717。  结论  广义非线性模型能较好地拟合马尾松人工林胸径-树高关系，但与BP神经网络模型相比，BP神经网络不需要依赖经验模型，也不用模型筛选，而且BP神经网络模型具有较高的决定系数和较低的均方根误差，拟合精度优于广义非线性模型。图5表5参35     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

基于BP神经网络的婴幼儿奶粉质量安全评价模型研究

针对婴幼儿奶粉质量安全评价问题,提出了基于BP神经网络的评价模型;以湖南卓跃生物科技有限公司日常监测数据为样本,筛选并选择了与婴幼儿奶粉质量安全评价最为相关的27种指标因素,以27种指标因素组成输入层,评价结果组成输出层;针对隐含层节点个数,首先利用试凑法预估范围,然后利用MATLAB仿真确定最佳的隐含层节点个数,最后利用10组数据对神经网络评价模型进行了仿真验证。结果表明,提出的评价模型是可行和有效的。     

基于高光谱数据的土壤含盐量BP神经网络模型研究

运用Hyperion数据,以黑龙江省大庆市某一实验区为例,进行了对土壤含盐量的定量研究,将BP神经网络模型(Back Propagation Network)应用到高光谱数据对研究地区土壤含盐量的反演中。通过对隐含层的传递函数、输出层的传递函数、训练算法的优化组合以及最适合隐层节点数量,得到最优的BP神经网络模型,实现了土壤含盐量的反演。对高光谱数据反演土壤含盐量采用BP神经网络具有一定的指导意义。     

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。     

马尾松人工林直径分布神经网络模型研究

该文首先以相对直径为输入变量,以累积频率为输出变量,构建了1∶S∶1的林分直径分布BP神经网络模型. 用1块具有代表性、26年生、全林伐倒测定每木胸径、树高生长过程的马尾松人工林标准地直径分布数据,作为马尾松人工林的期望分布,对所建模型进行训练、用定性与定量相结合的方法,选出既符合林分直径分布规律,又具有较高拟合准确度的网络模型结构为1∶2∶1,网络对象名为FRdnet2 该模型的总体累积频率拟合准确度达99.5%,径阶累积频率拟合准确度最低93%、最高99.9%、平均99%,径阶频率拟合准确度最低82%、最高99%、平均95%. 神经网络建模技术的拟合准确度好,可作为有效的林分直径分布模拟技术.      

基于声学响应和BP神经网络检测鸡蛋裂纹

为了提高鸡蛋裂纹检测的准确性,建立了声学敲击检测鸡蛋裂纹的装置,采集和分析鸡蛋被敲击后的声音信号。提取了4个特征频率、偏斜度平均值和峰度平均值共6个特征参数,并作为神经网络的输入量,创建了基于MATLAB的结构为6-15-2的3层BP神经网络模型判别鸡蛋裂纹。检测结果显示:对蛋壳受各种程度破坏后的鸡蛋判别精度可达92%以上,对蛋壳完整的鸡蛋判别精度达到96%,对鸡蛋总体的判别精度可达94%。     

基于多层感知机的长白落叶松人工林林分生物量模型

目的神经网络模型能避免林分生物量模型建模时自变量共线性与异方差问题,研究多层感知机在林分生物量模型中的应用,为森林经营单位、区域生物量和碳储量的估算提供方法和依据。方法以长白落叶松人工林为研究对象,利用吉林省一类清查固定样地的917组数据,分别建立了基于传统的对数转化后线性模型和神经网络多层感知机的地上生物量和总生物量模型。使用AIC、决定系数（R2）、均方根误差（RMSE）、相对均方根误差（RMSE_r）和平均绝对误差（MAE）来评价模型。结果估计精度最高的模型是输入单元为林分平均胸径（D）?平均高（H）?林分密度指数（S）?海拔（HB）?坡向（PX）?坡位（PW）、2个隐藏层、隐单元数为40?20的神经网络模型,与传统对数转换线性回归模型相比,地上生物量和总生物量模型的调整决定系数（Adj.R2）分别从0.902 1提高到了0.914 1,从0.897 9提高到了0.908 9;RMSE_r分别从6.330 5%降低到了5.992 2%,从6.490 1%降低到了6.153 6%。包含立地因子的神经网络模型比未包含立地因子的神经网络模型估计精度略有提升,地上生物量与总生物量的Adj.R2分别提高了0.88%和0.99%,RMSE_r分别降低了5.33%和5.46%。结论多层感知机生物量模型的估计精度比传统回归模型略有提高,但它可以避免模型选型和违背传统统计假设的处理等问题,且能够一次性计算地上生物量和总生物量模型,有一定优势。      

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。