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T-S 模型的神经网络在小陇山森林健康评价中的应用

综合考虑T-S模型的精确性及快速性和BP神经网络的自适应能力,提出了基于T-S模型的模糊神经网络的森林健康评价模型,并利用MATLAB7.5编写程序。以小陇山油松林为例,进行计算,将结果呈送给多位小陇山林业专家,专家们对评价结果均满意。     

基于T-S模糊神经网络模型的干旱区土壤盐分预测研究

【目的】本研究以野外考察数据为基础,尝试构建基于模糊神经网络方法的干旱区土壤盐分预测模型,对表层土壤盐分进行预测模拟。【方法】首先,根据研究区实际情况选取7个土壤盐渍化影响因子并提取所需信息,利用灰色关联分析法得出土壤盐分与各影响因子之间的关系,然后利用土壤盐渍化的影响因子作为输入样本,土壤盐分作为输出因子,建立了基于T-S模糊神经网络的表层土壤盐分预测模型。【结果】预测结果表明,平均相对误差为13.092%,最小误差为0.875%,最大相对误差为41.733%,预测精度较高。【结论】T-S模糊神经网络模型的预测效果较好,可以用于预测土壤盐渍化状况,为干旱区土壤盐渍化变化规律提供了一种有效的方法。     

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。     

基于高光谱图像技术的大豆品种无损鉴别

为解决传统大豆品种检测方法存在的效率低和精度差等问题,应用高光谱图像分析技术展开大豆品种甄别研究。采集10个品种(每品种100粒,共1 000粒)大豆样本400.92~999.53 nm的高光谱反射图像,分别进行中值平滑、多元散射校正和数据标准归一化预处理去噪,提取样本图像中心30×30 pixels感兴趣区域的平均光谱曲线和标准差曲线。分别以样本平均光谱值主成分得分、标准差光谱值主成分得分及两者结合作为模型输入,基于T-S模糊神经网络和随机森林思想组合分类器构建鉴别模型。经中值平滑的光谱平均值和标准差作输入,结合随机森林思想的组合分类模型鉴别效果最佳,训练集、测试集的平均鉴别率分别达99.6%和97.6%。结果表明,采用高光谱图像技术可实现大豆品种高精度无损鉴别。     

基于BP神经网络的耕地土壤重金属污染评价——以宜宾市翠屏区土壤重金属污染评价为例

本研究将土壤重金属污染评价神经网络预测模型分为3层,7-6-1为该模型的神经网络结构,输入层共包括7个神经元,分别是土壤耕地有重要影响的Pb、As、Cr、Hg和Cd共5个重金属元素,以及2个限制条件:土壤类型(水田或旱地)和土壤pH值;以已知的成都市不同生态区土壤重金属指标作为本模型的训练和检验样本,本研究采用的软件为Matlab,利用这个软件训练和检验BP神经网络,然后对宜宾市翠屏区土壤中的重金属进行综合等级评价。评价结果显示BP神经网络对检验样本的模拟输出跟期望输出是相同的;同时,对研究区土壤重金属综合等级评价结果跟模糊模式识别、传统内梅罗指数评价法得出的结果也是基本一致的。     

基于神经网络的模糊系统池塘淡水养殖溶解氧预测模型(英文)

建立基于神经网络的模糊系统预测模型,应用基于神经网络的模糊系统模型对淡水养殖池塘溶解氧进行预测,用实测的106组监测数据对来检验模型的可靠性,其中80组数据作为训练样本,26组数据作为检验样本,将预测值与实测值进行比较。结果表明,该模型预测值与实测数据拟合良好,解决了生产实际中溶解氧状况无法及时预报和动态监测难等问题。     

基于神经网络的模糊系统池塘淡水养殖溶解氧预测模型

建立基于神经网络的模糊系统预测模型,应用基于神经网络的模糊系统模型对淡水养殖池塘溶解氧进行预测,用实测的106组监测数据来检验模型的可靠性,其中80组数据作为训练样本,26组数据作为检验样本,将预测值与实测值进行比较。结果表明,该模型预测值与实测数据拟合良好,解决了生产实际中溶解氧状况无法及时预报和动态监测难等问题。     

基于神经网络的管道沿线土壤腐蚀态势评价

利用神经网络极强的非线性逼近特点,采用神经网络评价管道土壤腐蚀态势。介绍了基于BP神经网络的管道土壤腐蚀态势评价模型建立的方法和过程,在实例计算中考虑土壤pH值、土壤电阻率、土壤氧化还原电位和电解失重四个主要因素,选取9个学习样本对BP神经网络进行训练,分别用训练好的BP神经网络和模糊综合评价对现场管道6个实测点进行腐蚀态势评价,结果表明,两种方法得到的评价结果完全一致,该方法可以用于对管道沿线土壤腐蚀态势的评价。     

芦苇地上生物量的SDBP神经网络估算模型研究

为了快速准确的测量芦苇的生物量,设计了SDBP神经网络模型。模型的输入参数为芦苇的植株平均高度和植株密度,输出参数为芦苇地上生物量,利用60组数据经过训练后,其测试样本的网络输出与目标函数的相关系数达到0.995 91,用训练好的网络模型对15组未参加训练的数据进行生物量测定,其测量结果与实际结果的标准差较小(最大标准差为1.091 2),可以满足实际测量需要。训练好的神经网络模型可以在不破坏芦苇植株的前提下准确、快速、大面积测量芦苇生物量。     

基于改进模糊聚类的烟草品质集成评价模型

针对烟草化学成分与烟草品质之间难以建立确定的数学模型的问题,提出了一种基于改进模糊聚类的烟草品质评价方法。该方法以烟叶样品的化学成分的差异性为依据,以模型分类结果与专家评吸结果的一致性为目标,利用模拟退火算法对现有的模糊聚类算法进行优化改进,建立基分类器;在此基础上,利用Ada Boost将基分类器对于不同样本集的多个分类结果进行集成,形成最终的烟草品质评价模型。以130组烟叶作为烟草样本,测定了各烟叶样品中总糖、还原糖、总氮、烟碱、氧化钾、氯离子、蛋白质7种化学成分含量,并采用改进的模糊聚类方法与神经网络算法、模糊聚类算法进行对比试验,该方法的误检率为6.7%,具有提升小样本数据的辨识能力,优于所比较的其他2种方法。     

压缩机实际能头特性的深度学习网络预测方法

压缩机运行特性与原厂测试特性存在差异,为了指导压缩机的安全稳定运行,结合压缩机特性计算方法与部分实际特性,建立了基于深度学习网络的压缩机实际能头特性预测模型。将大量不同工况下的压缩机实际能头数据作为深度学习网络的训练样本,在训练完成后利用未训练样本对模型精度进行了检验,得到最大相对误差为2.60%、最小相对误差为0.32%、平均相对误差为0.78%。由深度学习网络所绘制的能头曲线与实际的能头曲线有着良好的一致性。深度学习网络模型改进了传统神经网络的缺陷,具有良好的预测精度与泛化计算能力,为压缩机性能的评估与预测提供了新方法。     

利用人工神经网络进行国有土地价格评估的探讨

在研究国内城市土地评价方法和分析了山西省自然、经济和社会状况的基础上，提出利用人工神经网络、结合特尔菲法建立城市国有土地资产总量评估指标体系，以城市的综合平均地价为评价目标的国有土地资产总量评估方法。本文在模型建立过程中，以山西省22个城市中的18城市的资料为学习样本，以20个城市评估指标为输入，以城市综合平均地价为输出，建立了三层BP人工神经网络，并以其余4个城市的资料作为验证，取得了较好的模拟效果。有效地解决了利用有限的城市(镇)地价资料，结合城市(镇)统计资料，进行国有土地价格的评估，进而为国有土地资产总量的评估提出新的探讨途径。     

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GIS的神经网络法在宗地地价评估中的应用

为了对城市宗地地价进行评估,采用RS和GIS技术对宗地估价底图图层等资料进行更新和管理,建立GIS宗地估价信息系统并从中提取相似交易宗地,提出利用人工神经网络、结合特尔菲法建立宗地地价评估指标体系,以宗地地价为评估目标的宗地评估方法。本文在模型建立过程中,以南昌市22个商业用地资料中的18个为学习样本,以5个评估指标为输入,以宗地地价为输出,建立了三层BP人工神经网络,并以其余4个商业用地资料作为验证,取得了较好的模拟效果。有效地解决了一次大批量地价评估的难题,为宗地地价评估提出新的方向。     

基于RBF模型的埋地管道外腐蚀速率预测

为克服埋地管道土壤腐蚀因素之间具有模糊性、随机性、交互性及传统方法预测精度较低等缺陷,以某现场埋地管道腐蚀埋片数据为基础,选择10个影响因素为输入参数,以外腐蚀速率为输出参数,采用径向基函数(Radial Basis Function,RBF)神经网络模型,对数据样本进行训练、验证、测试,建立外腐蚀速率预测模型,并通过...     

径向基函数人工神经网络在棉花耗水量预测中的应用

采用径向基函数人工神经网络的方法,利用MATLAB工具箱,以气象资料中的平均气温、日照时数、平均风速作为输入变量,建立了预测新疆石河子地区棉花耗水量的RBF神经网络预测系统,并通过实测数据的检验得出此预测系统网络模型的绝对误差最大为0．0962mm／d,最小为0．0008mm／d,平均为0．0519mm／d;相对误差最大为1．7995％,最小为0．0165％,平均为0．9664％,可见网络模型预测的准确度较高,较以往的线性模型更合理,并且此网络训练花费的时间短,仅需0．0780s。     

基于模糊综合评价的水产业供应链风险评估

根据现有文献研究成果,结合实际调研分析,从系统、供应、财务、信息、管理5个风险视角构建水产业供应链风险评估指标体系,运用模糊数学模型对实际企业供应链风险进行定量评价,在评价过程中采用专家可信度法来确定各指标的权重,并根据评价结果提出改进建议。     

基于自适应模糊神经网络的鱼类投喂预测方法研究

在集约化水产养殖中，鱼类的投喂水平直接关系到养殖效率和生产成本。针对当前水产养殖中存在的投喂量不合理、饲料浪费严重的问题，以实现投喂量的精准预测为目的，提出了一种基于自适应模糊神经网络的鱼类投喂量预测方法。该方法以罗非鱼为研究对象，选择水温和鱼的平均体重2个因素作为输入变量，利用混合学习方法，通过训练和学习获得最优模糊规则库，基于自适应神经网络模糊推理系统（adaptive network fuzzy inference system,ANFIS）建立投喂量预测模型，取得了较好的预测效果。基于ANFIS的投喂量预测模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为1.18、0.74和0003 1，均远远小于原始模糊推理投喂量预测模型的指标值，其网络预测能力优于原始模糊推理预测模型。因此，该模型不仅可以在无监督条件下对鱼进行科学投喂，节省人力成本，而且能为合理的投喂提供技术支撑和理论支持。     

Prediction of crop yields with the use of neural networks

The possibilities of the combined use of neural networks and fuzzy set theory in the form of constructing a so-called fuzzy neural network (FNN) or granular neural network (GNN) [1] for predicting crop yields in the Rostov oblast and Krasnodar and Stavropol krais are examined. The results of modeling plant growth on the basis of the CGMS simulation model as well as the values of the vegetation index NDVI, calculated from the SPOT VEGETATION satellite data, are the input parameters. As a result of training the neural network, the accuracy of predicting yields is on average about 75%.