基于K-means聚类+灰色理论+BP神经网络的区域天然气长期需求预测

【目的】不同区域影响天然气需求量的因素存在差异,数据集包含的数据特征也不尽相同,同时天然气长期需求预测存在样本数据少的问题,因此较难构建各区域通用的需求预测模型。【方法】选取山东省11个地级市为研究对象,根据天然气年度消费量、GDP、人口等影响天然气需求量的主要因素,将多个地区、多时间跨度的数据作为总样本库,使用皮尔逊相关系数对样本特征进行初筛,利用K-means聚类算法对各样本数据进行聚类,选取能源消费结构相似的3个样本点,并将样本点对应的下一时间点的天然气需求量作为数据样本的新特征;同时,将灰色理论预测输出结果作为BP神经网络的输入样本,基于新的样本数据特征与BP神经网络构建组合预测模型。【结果】基于K-means聚类+灰色理论+BP神经网络的预测方法有效利用了相似能源结构的城市天然气历史需求量,并结合灰色理论预测模型在小样本数据上鲁棒性高的优点,预测得到山东省11个地级市天然气长期需求预测的平均绝对百分比误差为0.57%～6.41%。与传统的灰色理论预测模型、BP神经网络模型、K-means聚类+BP神经网络相比,新预测方法在模型误差、预测结果的稳定性方面均有明显改进。【结论】新...     

基于模糊聚类的神经网络虫情预测

1基于模糊聚类的神经网络预测 首先采用模糊聚类对所有样本进行预处理,再把去噪后的数据作为神经网络的输人数据进行训练和预测。 1．1基于模糊聚类的神经网络结构3层BP神经网络具有令人满意的对连续映射的逼近能力,可以满足预测的要求,因此,采用3层BP神经网络作为研究模型。3层BP神经网络由输入层、隐含层和输出层组成。     

基于遗传算法改进 BP 神经网络的遥感影像分类研究

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。     

基于模糊聚类的神经网络虫情预测研究

针对虫情预测的模糊性、相关性、非线性、实时性等特点，以及神经网络在小样本预测时泛化能力降低的问题，提出了一种基于模糊聚类的神经网络农作物虫情预测方法。仿真结果表明，该方法简单实用，能快速、准确预测虫情，特别在样本少及样本相关性较大的情况下，能取得较好效果。     

基于人工神经网络的农用地分等研究Ⅰ.分等模型与精度检测

基于BP人工神经网络(BP-ANN)原理,针对农用地分等的问题,设计了BP神经网络农用地分等模型和精度检测方法.结果表明:BP-NN农用地分等模型通过少量典型样本的训练和学习后,可简便、快捷地计算出大规模待定样本的分等综合指数;其泛化功效和精度检测也符合要求.     

一种基于数据驱动的系统建模方法

提出了一种基于数据驱动的系统建模方法,采用减法聚类和模糊C-均值聚类相结合的模糊聚类算法进行前件RBF网络辨识,自适应地获得精确的聚类个数和隶属度参数;用BP算法训练后件网络的权值,从而仅利用输入输出数据,就建立了T-S模糊神经网络模型,在该过程中充分利用了BP神经网络和RBF神经网络的优点。最后用该模型对一个非线性系统进行辨识,用MATLAB进行仿真,结果表明,该方法具有可行性。     

基于人工神经网络农用地分等研究Ⅰ.分等模型与精度检测

基于BP人工神经网络(BP-ANN)原理,针对农用地分等的问题,设计了BP神经网络农用地分等模型和精度检测方法.结果表明:BP-NN农用地分等模型通过少量典型样本的训练和学习后,可简便、快捷地计算出大规模待定样本的分等综合指数;其泛化功效和精度检测也符合要求.     

贝叶斯准则下的BP神经网络故障诊断的研究

为了弥补BP神经网络在复杂非线性系统中故障诊断时容易陷入局部最小以及训练样本多等问题,在统计概率的基础上,利用模式分类的贝叶斯策略建立了信息神经网络.经在柴油机案例中的试验证实,可使BP神经网络容错能力增强.样本数减少.     

加权空间模糊动态聚类算法在土壤肥力评价中的应用

 【目的】改进和提高空间模糊聚类算法。【方法】首先利用层次分析法得到各属性的权值,然后将权值与空间模糊动态聚类法相结合,最后利用概率统计中的F分布来确定最佳分类,以提高空间模糊聚类算法的智能性。【结果】加权空间模糊动态聚类算法与基于模糊等价关系的传递闭包方法进行比较表明,当λ取0.993时,F值最大,分类效果最好。此时,加权的F值为4.898,未加权的F值为2.957,说明加权的类间的差距比未加权的明显,即该算法聚类准确率要明显高于未加权的模糊聚类算法。【结论】将其改进的算法运用到精准农业的土壤肥力评价中,试验结果与实际情况相符,证明了该算法的有效性。     

基于贝叶斯神经网络的玉米病害预警模型

准确预测玉米病害是科学防治的前提,因此建立准确且稳定的预测模型,对于防治玉米病害、减少农作物经济损失具有重要意义.由于传统神经网络存在收敛速度慢、容易陷入局部最小化等问题,利用贝叶斯算法改进传统BP神经网络,即贝叶斯神经网络,结合吉林省部分地区的玉米病害数据,构建玉米病害预警模型.试验结果表明:贝叶斯神经网络玉米病害模型对玉米病害预测的准确率达到94.04％,相较传统BP神经网络模型准确率提高了5.49％,可得到更好的预警效果,对于玉米病害的防治起到指导性的作用.     

基于BP神经网络和支持向量机的农用地分等方法研究

为建立农用地(耕地)质量评价模型,客观准确地进行农用地(耕地)分等,减少现行农用地分等方法中的人为因素影响,提高农用地分等的精度。以福建省长泰县丘陵山地区为实证研究区,通过无监督网络——自组织特征映射网络(SOM)筛选出2 602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将分等指标作为输入变量,以农用地自然质量等指数和等别作为输出变量,分别建立BP神经网络农用地分等模型与SVM农用地分等模型并对其精度进行分析。BP神经网络模型的评价正确率为89%,精度较高;支持向量机(SVM)模型的评价结果正确率为99%,达到高精度等级。2种模型均能满足农用地分等的精度要求,但SVM模型较BP神经网络效果更好,更适合应用于农用地分等工作。     

Application of artificial neural networks in yield prediction of potato crop

Forecasting of crop yield is helpful in food management and growth of a nation, which has specially agriculture based economy. In the last few decades, Artificial Neural Networks have been used successfully in different fields of agricultural remote sensing especially in crop type classification and crop area estimation. The present work employed two types of Artificial Neural Networks i.e., a Generalized Regression Neural Network (GRNN) and a Radial Basis Function Neural Network (RBFNN) to predict the yield of potato crops, which have been sown differently (flat and rough). Crop parameters like leaf area index, biomass and plant height were used as input data, while the yield of potato fields as output dataset to train and test the Neural Networks. Both GRNN and RBNN predicted potato crop yield accurately. However based on quick learning capability and lower spread constant (0.5), the GRNN was found a better predictor than RBFNN. Furthermore, the rough surface field was found more productive than flat field.     

基于BP神经网络的闽江上游洪水预报

洪水预报是水文科学中的难题,尤其是多分支河流的洪水演进和预报问题更是水文预报的难点。研究应用VB 6.0编程技术,实现人工神经网络BP算法的程序化,并建立闽江上游洪水过程预报的反向传播神经网络模型。经检验,洪水预测精度较好,结果令人满意,为闽江的洪水预报及调度工作提供新的思路和依据。     

紫金山国家森林公园全极化雷达图像分类比较

全极化雷达图像的最大优点是能够获取目标的全极化散射特征,从而使其在地表植被的分类和森林参数反演中具有较大的应用价值。以紫金山国家森林公园为研究对象,2011年的全极化雷达数据、典型地类野外调查数据为主要信息源,在PAULI、 SINCLAIR、 CLOUDE-POTTIER、 FREEDMAN-DURDEN四种目标特征值分解基础上,采用最大似然、支持向量机、神经元网络和随机森林4种方法进行监督分类。结果表明,5种组合中12个特征值组成的特征图像的最大似然分类的精度最高,总体分类精度为58.20%, CLOUDE-POTTIER、 FREEDMAN-DURDEN 总体分类精度较低,分别为51.86%、52.36%;4种分类方法中,12个特征值组合的图像的随机森林分类方法的总体分类精度最高,总体分类精度为74.29%,神经元网络的分类精度较低,总体分类精度为56.98%;6种地类中,针叶林、阔叶林和建筑的分类精度较高,草地、水体和裸地的分类精度较低。     

基于BP神经网络的竹林遥感监测研究

竹林信息提取对利用遥感技术估算竹林碳储量至关重要,高精度地提取竹林信息将有利于降低碳储量估算误差。借助Matlab神经网络模块．采用BP神经网络（back propagation neural network）对ETM＋（enhanced themativ mapper plus）遥感影像提取竹林信息,得到了较高的精度,生产精度和用户精度分别为84．04％和98．75％;同时比较了Levenberg-Marquardt BP算法函数（Trainlm）、自适应学习率BP的梯度递减函数（Traingda）和梯度下降动量BP算法函数（Traingdm）等3种训练函数在分类中的差异。分析表明,Traingda算法函数分类精度最高,而Trainlm算法函数的训练时间最短。     

基于免疫粒子群和BP神经网络的变压器故障诊断技术

为了解决粒子群算法的早熟收敛问题和BP神经网络梯度下降训练法收敛速度慢、容易陷入局部极小值的问题,将免疫学中的克隆、变异理论用于粒子群算法的优化,建立免疫粒子群算法并给出算法步骤及免疫粒子群算法训练BP神经网络的步骤,将其应用到电力变压器的故障诊断中．仿真实验证明所提出的方法对变压器故障的诊断准确率可达95％以上,能够满足工程应用的需要．     

基于BP神经网络的农机总动力预测模型研究

利用黑龙江省1980～2007年农机总动力数据,对BP神经网络模型和现有农机总动力预测模型进行分析,建立了基于BP神经网络的农机总动力预测模型,并将该模型应用到2007年以后黑龙江省农机总动力的预测中,取得了良好的预期效果,为黑龙江省的农业机械化发展趋势和农机产品市场分析提供了一定的理论指导。     

概率神经网络的水稻种植面积遥感信息提取研究

为了提高水稻种植面积遥感信息提取精度,将根据水稻生长期所选择的多时相遥感影像经过大气校正和几何校正后,实施单波段统计、主成份变换和比值变换,选出最佳组合波段,通过分析概率神经网络(probabilistic neural network,PNN)的学习算法和基本结构,对最佳组合波段影像实现PNN模型分类,并将其分类结果与反向传播(back propagation,BP)神经网络模型和最小距离法的分类结果进行比较.结果表明:PNN模型比最小距离法的分类精度高出近6个百分点;PNN模型比BP模型的分类精度高出近13个百分点;对于水稻种植面积提取精度,PNN模型比最小距离法的结果高出15个百分点.从本次试验可知,PNN模型是一种有效的遥感影像分类方法,在作物种植面积提取方面将具有独到的功效.     

小波和神经网络在色木孔洞缺陷超声定量检测中的应用

为了实现对木材孔洞缺陷的定量检测,在室内常温下,用RSM-SY5非金属超声波检测仪对50个孔洞缺陷的色木试件进行透射检测.通过对超声检测信号的小波变换特征分析,得到32个从低频到高频的小波包系数,提取其各频带内信号的能量变化量,构造一个32维特征向量,作为BP神经网络的输入参数,最后将这些特征输入神经网络进行训练和识别.结果表明:色木孔洞大小的总识别率达到88%;网络仿真的输出结果和目标输出做线性回归分析,得到的相关系数在0.8~0.9之间,训练结果比较理想.     

基于BERT和深度主动学习的农业新闻文本分类方法

[目的/意义]当前农业新闻分类研究中的模型训练以被动学习方式居多,普遍存在数据无法即时标注及标注成本过高的问题,对农业新闻分析工作也造成了一定阻碍。为解决该问题,运用主动学习或者深度主动学习技术从未标注数据中选择更有价值和代表性的数据进行人工标注并构建标注数据集,提升农业新闻挖掘工作效率和效果。[方法/过程]将文本分类常用的机器学习模型结合主动学习方法分析提升效果,以及使用BERT模型结合3种采样策略进行深度主动学习训练,在共19 847条样本的新闻爬虫语料上以筛选出农业相关新闻为目标,通过每轮增加30个样本标注的迭代实验进行测试。[结果/结论]实验结果表明：主动学习方法的应用对各个模型的训练过程均有明显提升。其中BERT模型配合判别性主动学习采样函数,具有最优的新闻文本分类效果和最低的标注数据需求。