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.     

基于血线纹理特征和GA-BP神经网络的鸡种蛋性别鉴定

为了对鸡种蛋孵化早期胚胎性别进行鉴别,构建机器视觉图像采集系统,在LED光源下获取186枚种蛋孵化第4天的图像。采用对鸡种蛋图像进行分量提取、去背景化和二值化等预处理方法,利用自适应直方图均衡化、高低帽变换增强图像,通过迭代阈值分割和"与"运算凸显血线纹理。运用差分计盒法、灰度共生矩阵法、灰度直方图统计法和几何法提取图像的11维特征参数,并构建鸡种蛋胚胎性别识别的BP模型(back propagation neural network,BPNN),利用遗传算法(genetic algorithm,GA)优化BP神经网络的初始权值和阈值。试验结果表明,GA-BP模型的训练集识别综合准确率为99.73%,预测集识别综合准确率为82.80%。     

基于EMD-SD光谱的玉米叶片叶绿素含量GA-BP模型反演

叶绿素是作物进行光合作用所需的主要色素,BP神经网络（BPNN）是较为新颖的反演叶绿素含量的方法。为研究反演精度更高的叶绿素含量反演模型,将经验模态分解（EMD）与光谱微分（SD）结合来提高输入因子与叶绿素含量的相关性,并使用遗传算法（GA）优化BPNN得到GA BP模型以获得最优初始权值阈值。将光谱数据EMD后进行一阶微分变换得到EMD SD光谱,选择与叶绿素含量相关系数超过06的5个波段处的EMD SD值作为GA BP模型的输入因子,隐含层节点数为7,多次训练取最优个体适应度值最低的GA BP模型来反演玉米叶片叶绿素含量。GA BP模型反演得到的预测值与实测值之间的判定系数（R2）最高,达到0818,均方根误差（RMSE）仅为2442,平均相对误差（e）为5436%。研究表明,EMD SD光谱作为GA BP模型的输入因子,与线性模型MLR和未优化的BP模型相比反演精度最高,验证了基于EMD SD光谱的GA BP模型提高玉米叶片叶绿素含量反演精度的可行性。     

遗传算法优化人工神经网络模型在日光温室湿度预报中的应用

提出一种基于遗传算法优化BP神经网络的方法预测日光温室湿度环境因子。实测日光温室内影响空气湿度的环境因子组成数据样本作为神经网络的输入,采用基于实数编码的遗传算法替代随机设定神经网络的初始权阈值,然后通过改进的BP算法在由遗传算法确定的搜索空间中对网络进行精确训练。模型预报值和实测值基于1：1线的决定系数R2和预测平均相对误差MSE分别为0.9857和3．1％。结果表明,遗传算法优化BP神经网络预报模型收敛速度快、预测精度高。可为日光温室的湿度环境调控制提供理论依据和决策支持。     

基于模拟退火和遗传算法的神经网络在精确施肥的研究

为了更加精确地描述农作物产量与土壤和施肥量中的N、P、K浓度之间的复杂的非线性关系,对原始的BP神经网络进行了改进。首先采用模拟退火算法对神经网络的初始权值和阈值进行优化,提高了网络的整体逼近性能,再用遗传算法对神经网络的权值和阈值进行改善,并对这两种方法的优化效果进行了比较,结果表明模拟退火和遗传算法的神经网络能产生很好的效果。     

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。     

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BP神经网络对苹果呼吸强度的预测

应用BP神经网络,通过苹果贮藏期间多维数据与呼吸强度的相关分析确定网络的拓扑结构,建立苹果呼吸强度的人工神经网络模型.仿真结果表明,该神经网络能很好地拟合不同贮藏条件下的呼吸强度,模型预测精度达到90%以上.同时,通过遗传算法优化BP神经网络的初始权值和阈值矩阵,使神经网络的预测精度进一步提高.     

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%。     

动态下电磁阀控对靶喷雾流量特性及控制方法

本研究对电磁阀控对靶喷雾系统动态条件(喷头开启数、开启时间、流量大小适时变化)下各参数[系统压力(P)、电磁阀频率(f)、占空比(D)]控制下的喷雾流量(Q)特性进行试验研究,并利用BP神经网络及遗传算法(GA)优化的BP神经网络对试验数据进行拟合和测试。试验结果表明:P每增大0.05 MPa,Q的最大调节范围增加约200 ml/min;较大的P会轻微减小流量控制线性区间(I),而较高的f则显著减小线性区间(I),f=20 Hz,P为0.10～0.35 MPa时对应的I约为0.3～0.6;Q与各控制参数间均存在非线性关系,利用BP神经网络进行喷头精准流量控制误差较小,平均误差仅0.20,经GA优化的BP神经网络具有更高的精度,误差低至0.15。综合考虑系统动态条件下电磁阀各参数可以实现流量的精准调节,依靠BP神经网络,尤其是GA优化的BP神经网络,可实现电磁阀控对靶喷雾流量的精准控制。     

基于优化BP神经网络的香格里拉高山松蓄积量模型研究

以香格里拉县高山松为研究对象,以Landsat TM 8影像和DEM（30M）数据为信息源,结合森林资源二类调查数据和地面样地实测数据,借助MATLAB平台,在前期进行基于遗传算法（GA）和粒子群算法（PSO）优化BP神经网络模型基础上,采用决定系数（R²）、均方根误差（RMSE）及预测精度（P）3个指标对优化后的BP神经网络模型及进行评价,并建立了研究区高山松蓄积量估测模型。结果表明,遗传算法效率（耗时1.9 h）低于粒子群算法（耗时1.4 h）;采用遗传算法优化后的BP神经网络模型R²、RMSE及P分别为0.636、4.216 m³、81.748%,均优于粒子群算法。通过遗传算法优化后的BP神经网络模型估测香格里拉高山松蓄积量总量为13 317 879.7 m³。     

基于GA-BP神经网络的温室番茄病害诊断

为了提高温室番茄病害自动识别率,采用P2P无线网络摄像机定点远程监控与数码相机采集设备相结合的方法获取材料,通过分治中值滤波算法和分水岭算法分离复杂背景下的叶片并提取病斑,提取病斑特征参数并最终选择6个颜色参数、4个形状参数、3个纹理参数,改进传统的差反向传播(error back propagation,简称BP)算法,建立遗传算法优化的误差反向传播(genetic algorithm error back propagation,简称GA-BP)番茄病害识别模型。结果表明,GA-BP模型能快速有效地识别番茄叶片病害,对番茄早疫病、晚疫病、叶霉病的识别率分别达到92.50%、91.25%、95.50%。该模型解决了BP神经网络收敛速度慢、寻优不精确的问题,高效地实现了温室番茄病害的诊断。     

基于遗传算法神经网络模型的蔬菜价格预报

针对蔬菜市场价格预报的复杂性,利用遗传算法与神经网络的特性,建立了基于遗传算法的神经网络蔬菜价格预报模型,并以香菇为例通过实验对模型参数选择进行了分析,进行了价格的模拟与预报。最后把遗传算法神经网络与BP网络预报结果进行了比较,结果证明,在预报数据绝对误差小于10%的范围内,二者预报能力相当;在预报数据绝对误差小于20%、15%的范围内,遗传算法神经网络模型的准确度高于BP神经网络模型,尤其是预报绝对误差小于20%的范围内,遗传算法神经网络模型的准确度明显好于BP神经网络模型,表现出模型良好的泛化能力。     

基于遗传算法优化BP神经网络的小球藻生长模型的建立与应用

[目的]探讨用遗传算法优化BP神经网络对小球藻生长模型的建立与应用。[方法]使用遗传算法对BP神经网络的权值和阈值进行优化,并使用该网络模型,以小球藻培养时间和残余葡萄糖为输入,菌体光密度值（OD680）为输出,对小球藻在500 L多功能生物反应器中的生长情况进行了建模,还探讨了该模型的应用情况。[结果]经过遗传算法优化的BP神经网络,其泛化值的误差平方和比BP神经网络的小,因而预测值更加接近实际值。t检验表明,所建立的模型是可信的。验证表明,该模型具有良好的拟合度,能够很好地描述在500 L多功能生物反应器中培养的小球藻的生物量（OD680）与残余葡萄糖和培养时间之间的关系。[结论]所建立的模型可用于试验结果的预测,对小球藻的培养控制具有指导意义。     

遗传算法优化的BP神经网络遥感图像分类研究

以Matlab神经网络和遗传算法工具箱为平台,用量化共轭梯度法改进标准BP算法,采用GA优化BP网络的隐层神经元数目、初始权重,最后以香格里拉县ETM+图像为数据源,在DEM地形数据辅助下,训练网络使其收敛,仿真结果表明该方法优于最大似然分类法.     

基于遗传算法优化的BP神经网络进行水稻氮素营养诊断

应用遗传算法优化BP神经网络进行水稻氮素营养诊断，为水稻的合理施氮提供理论指导。水稻田间试验供试品种为‘两优培九’，设置4个施氮水平（0、210、300、390 kg·hm-2）。在水稻幼穗分化期，扫描获取水稻顶部第三完全展开叶图像，并通过图像处理技术获取19维水稻图像中的颜色和几何形态特征，采用归一化处理、离散小波变换及主成分分析对原始数据进行预处理，并应用遗传算法优化的BP神经网络进行水稻氮素营养诊断。该方法建立的水稻氮素营养诊断模型较单一BP神经网络模型和传统遗传算法优化BP神经网络模型好，模型测试所得4个施氮水平的平均识别率分别为100.000%、99.000%、97.000%、100.000%，测试集样本平均总识别率达到99.000%。基于遗传算法优化的BP神经网络所建立的水稻氮素营养诊断模型具有较强的学习能力和泛化能力，能够很好地识别出水稻氮素营养的缺失，表明运用该方法能够很好地进行水稻氮素营养诊断识别。     

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．     

基于相空间遗传BP神经网络的径流预测研究

基于混沌时间序列的重构相空间、遗传算法的良好全局搜索和神经网络精确的局部搜索特性,以重构相空间中的饱和嵌入维数作为神经网络输入层节点数,通过采用遗传算法优化神经网络初始权重,将重构相空间、遗传算法、神经网络三者有机地结合,提出并建立了相空间遗传BP神经网络预测模型。将该模型用于黄河上游月径流预测,结果表明,该模型应用在水文时间序列的预测中是合理、可行的,并具有较高的精度。     

基于自组织神经网络与遗传算法的边坡稳定性分析方法

将自组织(SOM)神经网络、误差反馈(BP)神经网络和遗传算法(GA)三者结合起来,应用于边坡稳定性分析中.首先推导了基于高斯函数的SOM神经网络过程简化权值求解公式,并采用SOM神经网络对收集到的边坡样本进行归类,降低了学习样本的噪声;然后设计了适用于边坡工程的神经网络结构编码模式;再将GA用于优化BP神经网络结构;最后对优化后的BP神经网络进行了计算.计算结果证明,优化后的BP神经网络在安全系数的拟合以及样本的误差分布方面均有明显的改善.同时,通过与其他类型的神经网络相比较,优化后的BP神经网络准确度较高,用于计算边坡的安全系数误差较小.     

基于PLS_GA_Elman算法的病虫害预测

针对农业中虫害受多种复杂因素的影响及发生量预测问题非线性、样本少、特征变量多的特点,结合偏最小二乘回归（PLS）、遗传算法（GA）与Elman神经网络,建立了虫害发生量的PLS_GA_Elman预测模型。通过PLS回归算法对影响因素进行特征提取后,将降维变量输入Elman模型,并运用GA对Elman建模中的权值和阀值进行优化。通过实例分析表明该模型预测准确性高,能有效地预测虫害的发生量。同时为验证算法的有效性,与PLS算法、Elman神经网络算法、基于GA的Elman神经网络算法（GA_Elman）、基于GA的BP神经网络算法(GA_BP)进行比较。