基于EMD的磴口县地下水埋深动态预测

以生态脆弱区典型县域磴口县为研究区,利用经验模态分解法(EMD)处理非线性、非稳定性复杂信号的优势,对磴口县1987—2016年共30a的年均地下水埋深时间序列进行分解,并对分解的结果进行分析;然后将降水量、气温、相对湿度、蒸发量、日照时数5种影响地下水埋深动态变化的因子与地下水埋深进行回归分析,得到其变化规律;把对磴口县地下水埋深影响最为显著的因子作为BP神经网络预测模型输入层的一部分,建立基于EMD的BP预测模型和未经过EMD处理的BP预测模型。结果表明,IMF1、IMF2和IMF3本征模态分量是影响磴口县1987—2016年地下水埋深动态变化的主要原因,方差贡献率之和为95.38%;降水量和蒸发量对磴口县地下水埋深影响最显著,且降水主要集中在秋季和夏季,秋季降水最多;蒸发主要集中在夏季和秋季,夏季蒸发量最大;EMD-BP预测值均方误差(MSE)较小且决定系数(R2)较高,均优于BP预测值,模型预测精度较高,对磴口县地下水埋深预测具有一定的实用性。     

基于EMD的BP神经网络在凌河流域旱灾预测中的应用

为提高旱灾预测模型预测精度,利用EMD(经验模态分解法)处理非平稳信号的优势,将其应用到BP神经网络预测模型中,建立基于EMD的BP神经网络旱灾预测模型,对凌河流域44个观测站(小凌河流域11站、大凌河流域33站)共51年(1960~2010)的降水资料进行旱灾预测应用,同时将基于EMD的BP神经网络旱灾预测模型结果与BP神经网络预测模型结果进行对比。结果表明:小凌河流域基于EMD的BP神经网络预测模型、BP神经网络预测模型的年均降水量预测值均方误差(MSE)分别为0.0011和0.0076,决定系数(R2)分别为0.95和0.83;大凌河流域基于EMD的BP神经网络预测模型、BP神经网络模型的年均降水量预测值均方误差(MSE)分别为0.0032和0.0092,决定系数(R2)分别为0.93和0.79。基于EMD的BP神经网络预测值均方误差(MSE)较小且决定系数(R2)较高,均优于BP神经网络预测值,提高了BP神经网络旱灾预测模型预测精度,具有一定的可行性。     

基于经验模态分解和小波神经网络的温室温湿度预测

温室温湿度的准确预测有助于及时调节温室小环境,温湿度预测模型是温室控制的重要基础,提高预测精度有助于提高生产水平。针对温室系统具有非线性、非平稳性等特点,提出一种基于经验模态分解(empirical mode decomposition,简称EMD)和小波神经网络(wavelet neural network,简称WNN)的温室温湿度组合预测方法。首先,利用经验模态分解方法将原始时间序列分解成一系列分量;然后对各分量分别构建小波神经网络模型进行预测;最后叠加各子序列得到预测值。结果表明,运用EMD-WNN组合的温度模型有效性为0. 993 4,湿度模型有效性为0. 978 1,且优于单独WNN模型和BP神经网络模型的预测结果,可有效提高短期温室温湿度预测的精度。     

基于优化 EEMD 和支持向量机的国内大豆价格预测

【目的】国内大豆的价格易受到多种因素的影响,具有非线性等特点,很难进行准确的预测。为 了提高预测精度,提出一种优化的 EEMD-SVR 集成预测方法。【方法】为解决 EMD 分解中存在的模态混叠和 端点效应问题,使用 EEMD 和平行延拓法结合的优化方法,加入白噪声并在原始序列两端延拓出多个极值,将 大豆原始价格分解为多个 IMF 分量,从而使数据趋于平稳。运用支持向量回归（SVR）算法对各分量进行预测, 引入遗传算法寻找参数最优解,对各分量的预测结果进行再次集成,重构大豆市场价格预测值。【结果】为了 检验优化组合模型的预测效果,采取多种模型进行比较,结果发现预测指标 MSE、RMSE、MAPE 都有明显提高。 【结论】采用优化的 EEMD 分解算法和支持向量机的组合模型,可以有效抑制 EMD 分解的端点效应和模态混叠 问题,相对于其他传统预测模型,预测效果更好。     

基于EMD与K-means的ILSTM模型在池塘溶解氧预测中的应用

为提高池塘溶氧量预测精度并改善预测结果滞后的情况,本研究提出基于经验模态分解(empirical mode decomposition,EMD)与K-means聚类的改进长短期记忆神经网络(improved long short-time memory,ILSTM)模型。利用皮尔森相关性分析与主成分分析结合的方法对原始数据进行特征提取,对溶氧量进行EMD分解,将选出的环境参数与溶氧量各分量一起生成样本集,并对其进行K-means聚类。针对同类中不同分解分量建立相应ILSTM预测模型,并用网格搜索、五折交叉验证与早停法进行超参数选取。对未来1 h池塘溶氧量进行预测,并与LSTM、ILSTM、LSTM-SVR、EMD-LSTM、EMD-ILSTM模型进行对比试验。结果显示,ILSTM与LSTM模型相比,RMSE、MAE与MAPE分别下降了50.46%、63.20%与68.96%,证明ILSTM模型能缓解传统LSTM模型预测的滞后情况。EMD-ILSTM模型与ILSTM模型相比,RMSE、MAE与MAPE分别下降了53.22%、46.74%与38.19%,证明EMD算法能提高预测精度。EMD...     

基于EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测

利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。     

基于CEEMD和BP神经网络的鄱阳湖流域旱涝长期预测模型研究

基于鄱阳湖流域1470²014年的原始旱涝等级序列,利用最新的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和BP神经网络(Back Propagation Neural Network),构建了鄱阳湖流域旱涝的长期预测CEEMD-BP模型。结果表明:与EEMD相比,CEEMD对原始数据进行平稳化处理的效果更好,能更有效地提取原始数据中隐含的周期信号和长期趋势;原始数据经CEEMD分解后得到若干个本征模函数(Intrinsic Mode Function,IMF)序列,BP神经网络可以较好地拟合或预测这些IMF序列;CEEMD-BP模型对鄱阳湖流域19852014年的原始旱涝等级序列,利用最新的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和BP神经网络(Back Propagation Neural Network),构建了鄱阳湖流域旱涝的长期预测CEEMD-BP模型。结果表明:与EEMD相比,CEEMD对原始数据进行平稳化处理的效果更好,能更有效地提取原始数据中隐含的周期信号和长期趋势;原始数据经CEEMD分解后得到若干个本征模函数(Intrinsic Mode Function,IMF)序列,BP神经网络可以较好地拟合或预测这些IMF序列;CEEMD-BP模型对鄱阳湖流域1985²014年旱涝等级序列的预测精度优于单一BP神经网络的。CEEMD-BP模型对20152014年旱涝等级序列的预测精度优于单一BP神经网络的。CEEMD-BP模型对2015²064年的长期预测显示,未来50年鄱阳湖流域的旱涝指数有先上升后下降的趋势。     

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。     

时间序列组合预测模型研究:以农业机械总动力为例

[目的]本文旨在提出更有效的时间序列组合预测模型的构建方法,建立预测精度较高的时间序列组合预测模型。[方法]以1978—2013年新疆农业机械总动力为数据源,建立了源序列的曲线回归、自回归积分滑动平均、3次指数平滑和灰色模型,并构建了预测对象和预测模型的关系数据库。提出了基于百分误差的计算属性重要度方法,依据该方法计算单一模型在组合模型中的权重,构建了单一模型预测值及其权重为输入的组合预测模型,使输出结果中完整的涵盖了时间序列不同单一预测模型的输出值特征。以误差分布特征为指标,对组合预测模型和各单一模型的预测性能进行分析。以组合预测模型拟合优度和预测值平均绝对百分误差(MAPE)作为评价指标,对基于百分误差、粗糙集、Shapley和熵权法的组合预测模型构建方法进行定量分析。[结果]预测周期内提出的组合预测模型的最大及平均误差与各单一模型最优值相比,分别降低了27.35和6.43,误差平方和(SSE)减少了73%,平均绝对百分误差降低了1.56%。基于百分误差的组合预测模型的拟合优度与基于粗糙集、Shapley和熵权法的组合预测模型拟合优度相比,分别提高了2.40%、5.10%和2.27%,粗糙集、Shapley和熵权法的预测值的平均绝对百分误差分别为1.673 0、3.726 1和2.702 4,而本文提出的模型的平均绝对百分误差为1.298 4。[结论]基于百分误差的组合预测模型在农业机械总动力和类似时间序列预测分析中,降低预测误差波动幅度及提高预测精度方面与其他单一模型和组合模型相比具有显著优势。     

基于小波变换和动态神经网络的温室黄瓜蒸腾速率预测

针对作物蒸腾速率与温室环境参数间非线性耦合时延性关系,以温室环境参数:空气温度、空气湿度、太阳辐射度、土壤温度、叶面温度、土壤含水量的时间序列为输入量,温室黄瓜蒸腾速率时间序列为输出量,采用小波分解重构方法,分别建立低频时间序列和高频时间序列的非线性自回归动态神经网络(NARX)子网络预测模型,以子网络的预测叠加值为蒸腾速率预测值。结果表明:1层小波分解重构的低频时间序列A1和高频时间序列D1的子网络预测值与蒸腾速率分解重构目标值间相关性决定系数R2分别为0.949和0.853,平均绝对误差(MAE)分别为5.36和2.00 g·h-1。2层小波分解重构的低频时间序列A2和高频时间序列D2的子网络预测值与蒸腾速率分解重构目标值间相关性决定系数R2分别为0.983和0.849,MAE分别为2.88和2.56 g·h-1。1层小波分解重构的时间序列的NARX子网络预测值合成值(A1+D1),2层小波分解重构的时间序列的NARX子网络预测值合成值(A2+D2+D1)和未小波分解重构的原时间序列的NARX预测值与蒸腾速率测量值间相关性决定系数R2分别为0.945、0.974和0.857,MAE分别为5.76、4.42和10.09 g·h-1。小波分解重构的高频和低频时间序列预测合成,能够提高时间序列的预测准确性。同时采用相同网络结构的BP神经网络和NAR动态神经网络预测蒸腾速率时间序列,其预测值与测量值间决定系数R2分别为0.596和0.839,MAE分别为19.55和9.45 g·h-1。NARX预测性能优于NAR和BP神经网络的预测性能,能够应用该方法预测温室黄瓜的蒸腾速率。该方法可推广至多变量非线性强耦合时延性系统中的变量预测。     

基于双层优化VMD-LSTM的农村超短期电力负荷预测

稳定的供电是农村发展建设的有力保障,而电力负荷水平是建设效果的重要衡量标准,因此建立精确的负荷预测模型可以更准确直观显现电力负荷情况,为供电公司制定决策提供有力支撑。由于LSTM负荷预测模型在数据预测方面存在收敛性差、预测精度不高等问题,为提高模型的预测精度,提出一种基于双层优化VMD-LSTM的超短期电力负荷预测方法。首先提出麻雀算法优化变分模态分解(sparrow variational mode decomposition,SVMD),通过SVMD将原始数据转化为模态分量(intrinsic mode functions,IMF);其次采用改进樽海鞘群算法(association salp swarm algorithm,ASSSA)优化LSTM模型。通过引入4种策略增强标准樽海鞘算法优化能力;最后将各模态分量分别代入到新模型并进行叠加预测。选取辽宁省某市某乡村10kV变压器真实历史负荷数据,以均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、拟合度(R²)作为评价指标,并与其他基础预测模型进行对比,结果表明,改进后的算法在计算...     

基于EMD方法的参考作物腾发量振荡模态分析

为研究参考作物腾发量(ET0)在不同时间尺度振荡模态特征,以阜新市为例,依据阜新、彰武两气象站1954~2006年逐日气象资料,利用彭曼蒙特斯公式计算逐月ET0,并应用EMD方法对ET0和温度(T)、风速(WS)、相对湿度(RH)及日照时数(SN)等气象因子进行振荡模态特征分析。结果表明:ET0及其4个气象因子经EMD分解后,IMF均呈现振荡频率和振幅依次减小,周期依次增大,IMF逐步由非线性趋向线性的规律。T、WS、RH和SN以及ET0最大贡献率发生在IMF1(93.0%)、IMF2(35.0%)、IMF2(64.5%)、IMF2(40.0%)和IMF2(84.3%)分量,主要振荡周期依次为1.0,0.6,0.8,0.7,1.0年。EMD方法在ET0振荡模态规律中的研究,为ET0的基础研究提供了参考,为解析ET0规律研究提供了一种新的手段。     

基于CEEMD和BP神经网络的鄱阳湖流域旱涝长期预测模型研究

基于鄱阳湖流域1470~2014年的原始旱涝等级序列,利用最新的完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition,CEEMD)和BP神经网络(Back Propagation Neural Network),构建了鄱阳湖流域旱涝的长期预测CEEMD-BP模型。结果表明:与EEMD相比,CEEMD对原始数据进行平稳化处理的效果更好,能更有效地提取原始数据中隐含的周期信号和长期趋势;原始数据经CEEMD分解后得到若干个本征模函数(Intrinsic Mode Function,IMF)序列,BP神经网络可以较好地拟合或预测这些IMF序列;CEEMD-BP模型对鄱阳湖流域1985~2014年旱涝等级序列的预测精度优于单一BP神经网络的。CEEMD-BP模型对2015~2064年的长期预测显示,未来50年鄱阳湖流域的旱涝指数有先上升后下降的趋势。     

土壤温度时间序列预测的LSTM神经网络研究

适宜的土壤温度是作物生长发育的重要环境因素,在作物全生育期都起着至关重要的作用,研究土壤温度的预测预报模型对农业生产具有重要意义。本试验以河北省石家庄市藁城区某试验田作为研究对象,对试验田的样本点10～30 cm深度处土壤温度的长期监测数据进行了拟合,分别建立基于LSTM神经网络的日均土壤温度预测模型和时均温度预测模型。结果表明,采用2-60-80-1网络结构的LSTM神经网络对日均土壤温度时间序列数据预测效果最优,其均方根误差(RMSE)达最小值0.603;采用2-60-80-1网络结构的LSTM神经网络对时均土壤温度时间序列预测效果最优。在对日均和时均土壤温度预测时,LSTM神经网络模型的平均的均方误差(RMSE)仅为0.665,较之BP神经网络模型降低了0.053,说明了LSTM神经网络模型用于土壤温度时间序列预测的优势,可满足土壤温度日常预报的需要。     

基于混沌理论的害虫发生量非线性建模与预测

为了提高害虫发生量预测的精度,提出一种基于混沌理论的害虫发生量非线性预测模型(PSR–LSSVM)。通过相空间重构对害虫发生量时间序列进行重构,将重构后的害虫发生量序列输入到最小二乘支持向量机进行学习,建立害虫发生量预测模型,采用云南省普洱市思茅区和浙江省仙居县的松毛虫发生面积数据对模型性能进行检验。结果表明,松毛虫发生面积预测值与实际发生值十分接近,2个地区松毛虫发生面积预测结果的平均绝对百分误差分别为0.90%和2.44%,预测结果要优于BP神经网络、线性预测模型。     

基于经验模态分解和支持向量机的农产品价格短期预测

针对农产品价格序列非平稳、非线性的特征,提出一种基于经验模态分解和支持向量机的短期农产品价格组合预测方法。以全国苹果批发价格的周度价格序列为研究对象,首先对价格序列进行非平稳、非线性检验;然后将价格序列分解成一系列具有不同特征尺度的分量;最后针对各分量的特点分别构建支持向量机模型进行预测,得到苹果批发价格的预测值。研究结果表明,该预测模型能够更好地追踪农产品价格的变化,其预测精度与BP(back propagation)神经网络模型相比有显著提高。     

基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.     

多元线性回归与神经网络模型在森林地上生物量遥感估测中的应用

利用遥感影像构建森林生物量估测模型,能够快速、实时估算区域森林生物量。采用吉水县TM影像以及森林资源调查固定样地数据,构建估算森林地上生物量的多元线性回归模型及BP神经网络模型,并对两种模型进行了比较。结果表明:两种模型对样地生物量的预测值大部分比实测值小,多元线性回归模型预测值与实测值的偏差幅度比BP神经网络模型更大,偏差幅度分别为-110.24~38.09 t·hm-2、-35.12~26.17 t·hm-2;多元线性回归模型与BP神经网络模型的决定系数(R2)分别为0.470和0.869,均方根误差(RMSE)分别为30.52和12.69 t·hm-2,预测精度分别为50.07%和71.65%。因此,运用BP神经网络模型估测森林地上生物量优于多元线性回归模型。     

基于时间序列和多元模型的集约化猪舍温度预测

目的 从挖掘猪舍历史环境参数数据时序信息角度出发,提出基于时间序列模型和多元模型序列的猪舍温度预测模型。方法 采取缺失部分环境因子统计预测,评估猪舍环境中相对湿度、二氧化碳浓度、氧气浓度等环境因子对温度预测的影响程度。针对猪舍温度时间序列进行数据预处理,滤除错误值和缺失值,采用时间序列模型构建基于门控循环单元网络(Gated recurrent unit,GRU)的猪舍温度预测模型,采用多元模型建立基于梯度提升决策树(Extreme gradient boosting,XGBoost)缺失值重要程度的猪舍温度预测模型。将该预测模型用于预测广东省某集约化猪场母猪分娩舍温度,并与循环神经网络(Recurrent neural network, RNN)模型、反向神经网络(Back propagation neural network, BPNN)模型进行对比试验。结果 对比温度预测值与实测值发现,基于GRU模型对应的猪舍温度均方根误差和平均绝对误差分别为0.25和0.19 ℃,平均绝对百分比误差为0.65%;基于XGBoost多元模型的猪舍温度均方根误差和平均绝对误差分别为1.21和0.71 ℃,平均绝对百分比误差为2.50%。在时间序列的温度预测模型中,GRU模型表现出更优的预测效果;在多元模型的温度预测中,XGBoost模型的预测效果更优。结论 本研究使用的GRU模型在时间维度上对母猪分娩舍温度的变化起到了预警作用,确定了各种环境参数对温度的影响程度,为养殖环境的精细调控提供了参考。     

基于小波变换灰度模型-人工神经网络(GM-ANN)组合的粮食产量预测模型

由于粮食生产受到社会、经济和气候等多方面因素的影响,造成粮食产量序列的复杂性、随机性和非平稳性。为了准确预测粮食产量,提出基于小波变换的灰度模型(GM)-反演(BP)神经网络[BP神经网络是人工神经网络(AMNN)的一种]相结合的预测方法,首先利用小波变换将非平稳序列转化为若干不同频率分量的平稳序列;然后针对各序列使用灰色GM(1,1)模型建立预测模型,为了进一步提高模型的预测精度,结合BP神经网络对预测残差进行修正;最后通过组合得到粮食产量的预测模型。通过对2011—2014年我国粮食产量数据的预测,表明所提方法的预测精度明显高于GM(1,1)和BP神经网络预测模型,4年的平均预测误差小于1%,能够较准确地预测我国粮食产量。