基于BP神经网络的土壤适宜性评价——以溪洛渡水电站嘎勒移民安置区为例

人工神经网络具有大规模并行处理、分布式储存、自适应性、容错性等特点,可以解决复杂的非线性问题.本文将BP人工神经网络应用到溪洛渡水电站嘎勒移民安置区土壤适宜性评价中,构建了影响土壤适宜性的评价因子训练集,对隐层神经元数量的选择、训练过程的建立等问题进行了探讨.通过MATLAB神经网络工具箱对专家样本的学习,建立具有泛化能力的土壤适宜性评价BP神经网络模型,确定网络模型结构为9-7-1,均方误差为0.00033,并对预测地块进行评价,得出评价区域以中等适宜性的土壤为主的结果.     

BP与RBF网络在一些非线性曲线拟合上性能的比较

对BP与RBF人工神经网络在隐层的传递函数、层数及结点数上的区别进行了比较;对BP与RBF2种神经网络在给定的3个较为复杂的非线性函数上进行Matlab仿真;并分析比较了这2种人工神经网络在指定参数下对不同非线性函数进行拟合时的拟合精度和时间效率;最后给出BP与RBF网络进行非线性曲线拟合的选择方法.     

土壤环境质量评价的径向基函数神经网络的模型设计与应用

针对土壤环境质量评价缺乏精确客观的评价数值作为目标集的难点,研究了构建起对应升序排列的训练、检验样本集。在此基础上,定义以检验集输出评价结果的排序误排率作为判定各参数组合下RBF网络性能优劣的指标,以此性能指标为依据,在MATLAB6.5环境下,用编程语句实现了应用于该质评工作的径向基函数网络的大量参数组合的全面快速寻优,克服了目前用试凑法进行参数组合优选的随机性,确保所选参数组合为使整体性能最优的组合。利用确立的网络对象,以某地土壤重金属监测值为实例,对监测点进行质评,评价结果表明:该设计好的网络的评价结果科学、稳定、表达精度高。     

土壤环境质量评价的径向基函数神经网络的模型设计与应用

针对土壤环境质量评价缺乏精确客观的评价数值作为目标集的难点,研究了构建起对应升序排列的训练、检验样本集。在此基础上,定义以检验集输出评价结果的排序误排率作为判定各参数组合下RBF网络性能优劣的指标,以此性能指标为依据,在MATLAB6.5环境下,用编程语句实现了应用于该质评工作的径向基函数网络的大量参数组合的全面快速寻优,克服了目前用试凑法进行参数组合优选的随机性,确保所选参数组合为使整体性能最优的组合。利用确立的网络对象,以某地土壤重金属监测值为实例,对监测点进行质评,评价结果表明:该设计好的网络的评价结果科学、稳定、表达精度高。     

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。     

基于改进BP神经网络的价格预测模型研究

人工神经网络是一种人工智能算法,具有强大功能,可任意逼近非线性连续函数。面对畜产品价格变化的复杂因素,文章运用MATLAB实现各种BP神经网络的设计和训练,利用改进的神经网络算法即在权值中引入动量项,输入层至隐含层的传递函数采用S型曲线,隐含层至输出层的传递函数采用线性函数,对东北地区畜产品价格进行预测。结果显示模拟数据与实测数据拟合性很好、预测精度较高、泛化能力较好,可为畜产品价格预测提供一种全新思路和方法。     

基于BP神经网络的西瓜仁重预测

人工神经网络是人工构造的模拟人脑功能而构建的一种网络,其中BP学习算法是一种单向传播的多层前向网络.利用MATLAB神经网络工具箱,设计BP网络的训练步骤,从园艺试验田观测的数据中抽取部分数据作为样本预测西瓜仁重,把影响西瓜种仁重的4个主要因素作为网络的输入向量,西瓜种仁重为网络的输出向量,根据需要调用相关程序,从而避免了编写大量的算法程序,训练结果表明,预测结果与实验结果吻合.     

预测水稻螟虫发生趋势的径向基函数人工神经网络模型及其与BP网络的比较

文章采用径向基函数人工神经网络的方法，利用MATLAB工具箱并结合气象资料中的平均气温、最低气温、日照时间和降雨量．建立了预测虫害发生程度的RBF神经网络预测系统。系统通过实例证实了预测的准确性，并且与常用的BP网络进行了比较。RBF网络和BP网络通过对训练样本的仿真，可明显看出RBF网络比BP网络更为精确。通过程序记时显示RBF网络用时1．2030s．比BP网络训练所需的时间要短的多．因此RBF神经网络具有很好的实用价值。     

用人工神经网络模拟土体塌陷的可行性分析

探讨了利用人工神经网络预测土体塌陷与土体参数和荷载条件之间关系的可行性。BP神经网络是最常用的神经网络之一,通过网络训练,最终确定了6个变量即输入信息、8个隐层和1个输出层的网络结构。在比较了预测值与试验值后,进一步证实了人工神经网络在评估土体塌陷方面效果明显。     

基于BP网络的柴油机排气消声器结构参数设计

为了克服目前排气消声器常见设计方法中固有的建模假定引起的设计误差,尝试将BP网络应用于排气消声器设计;利用正交试验和排气噪声数字信号处理获得了1/3倍频程声压级和柴油机燃油消耗率作为输入、结构参数作为输出的人工神经网络的学习样本;通过MATLAB中人工神经网络工具箱完成了网络的训练;实例验证了BP网络应用于排气消声器设计是完全可行的;同时,通过训练后网络的具体应用,展示了BP网络在消声器设计方面的优越性.     

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。     

Spatial Interpolation of Soil Nutrients Based on BP Neural Network

以广东省增城市为研究对象,采集了全市内200个土壤样点,利用 BP神经网络插值方法对研究区土壤的氮和磷进行空间插值预测,将插值结果与土壤样点实测值进行对比,得到预测数据的误差均方根。结果表明, BP神经网络的插值精度比克里格高,在样点较少的情况下,BP神经网络的插值结果克服了克里格插值方法的平滑效应。 BP神经网络对插值的样本数据的分布类型没有要求,比传统插值方法有更强的泛化能力,是一种可替代的插值方法。     

基于模糊BP神经网络的辽河口湿地水质评价

利用模糊BP神经网络法对辽河口湿地不同时期（汛期、非汛期和冰封期）不同区域（核心区、试验区和缓冲区）水环境质量进行水质评价。各样点监测结果表明，核心区全N（TN）和氨氮（NH₃-N）优于表水环境质量Ⅲ类标准，缓冲区和试验区中全N（TN）、全P（TP）和化学需氧量（COD）超Ⅳ类标准。建立以上述4个水质指标为输入变量、包含5个神经元节点的隐含层和1个水质类别输出结果所构成的BP人工神经网络，结合模糊数学综合评价法对输出结果进行隶属度分析。结果表明，核心区、缓冲区和试验区在汛期和冰封期评价结果相同，依次为Ⅲ类、Ⅳ类和Ⅳ类，而在非汛期评价结果依次为Ⅱ类、Ⅲ类和Ⅳ类，可见从试验区、缓冲区到核心区水质逐渐转好，说明湿地对污染物具有一定的净化能力。评价结果与实际监测数据基本吻合，说明模糊BP神经网络综合评价具有客观性和实用性。     

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     

基于高光谱成像技术的冷鲜羊肉嫩度检测方法研究

传统羊肉品质检测方法效率低、破坏样品,为实现冷鲜羊肉嫩度快速无损检测,以内蒙古锡林郭勒羊肉为研究对象,采用多元散射校正法对光谱进行校正,利用主成分分析法获得620.23、761.48、819.48 nm波长下的特征图像,并提取其纹理特征和颜色特征,分别建立羊肉嫩度的BP神经网络和支持向量机预测模型。结果显示,BP神经网络模型预测效果优于支持向量机模型预测效果,BP神经网络模型对预测集的决定系数（R2）和预测均方根误差（RMSEP）分别为0.85和1.86;支持向量机模型分别为0.77和2.37。研究表明,利用高光谱和图像信息特征层融合方法对冷鲜羊肉嫩度进行预测具有可行性。     

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。     

基于人工神经网络的作物水-盐响应初步研究

利用人工神经网络中最成熟的BP网络对内蒙古河套灌区的主要经济作物油葵的水-盐响应进行初步研究，以油葵的6个生育阶段的土壤溶液相对浓度为输入样本，油葵的相对产量为输出样本，训练并确定了具有6个输入向量，3个隐含结点，1个输出向量的3层BP网络。经检验，该模型能正确表达油葵的相对产量和各个生育阶段土壤溶液相对浓度之间的关系，模型的预测产量与实际产量具有较高的相关系数，是对传统的作物水-盐响应模型的补充。