混沌-支持向量机模型及其在地下水动态预报中的应用

【目的】建立混沌时间序列的支持向量机预报模型,为地下水动态提供新的可行的预报方法。【方法】以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预报模型的建模思路、特点及参数的选取,借助G-P算法、C-C方法和Wolf方法,计算了武威盆地3眼观测井地下水位埋深序列的Lyapunov指数,并利用自适应方法对支持向量机的参数进行了选择;基于高斯径向基核函数,建立了混沌时间序列的支持向量机预报模型。【结果】武威盆地地下水位埋深序列的Lyapunov指数均大于0,表明该时间序列具有混沌特性;所建立的混沌-支持向量机模型可以用于武威盆地地下水位埋深预报,经过检验,武威盆地3眼观测井的预报精度分别为0.98,0.92和0.86,表明建立模型预报精度较为理想。【结论】建立了混沌-支持向量机模型,该模型可用于地下水位埋深动态预报。     

Elman反馈型神经网络模型在灌溉用水量预测中的应用

灌溉用水量的预测对灌区的灌溉管理起着重要的作用。运用神经网络中Elman反馈型神经网络建立了灌溉用水量预测模型,模型输入层神经元数目为4,输出层神经元数目为1,隐含层神经元数目确定采用试验法,最终确定为10。预测结果表明:该方法与传统的预测方法相比,具有网络稳定性高,训练误差曲线比较平滑,模型预报精度较高等优点。     

西北缺水问题与灌溉节水对策研究

强调了我国西北地区缺水的紧迫现状和节水的重要性 ,提出了通过节水灌溉解决缺水问题的方法与措施 ,讨论了节水灌溉中必须解决的问题及节水灌溉应用技术等。以宝鸡峡引渭灌区为例 ,分析了水资源管理调度现状、节水灌溉方法、灌溉用水量计算模型等 ,并计算该灌区灌溉用水量     

强烈侵蚀产沙区小流域土壤侵蚀强度的支持向量机预报模型研究

土壤侵蚀产沙是一个极其复杂的物理过程,其物理机理十分复杂,往往难以用数学方式来描述.该文针对区域土壤侵蚀机理不甚清晰、基础资料收集困难等问题,探索性地在小流域土壤侵蚀预报中引入支持向量机理论与方法,并以皇甫川强烈侵蚀区小流域为例构建小流域土壤侵蚀模数预报的支持向量机预报模型.研究表明,该方法的模拟和预测精度都明显高于最小二乘法;支持向量机预报模型依据多年的反映区域侵蚀产沙演进规律的侵蚀产沙监测资料,建立小流域土壤侵蚀模数的支持向量机预报模型,是对流域侵蚀产沙复杂运行机制的综合体现.      

灌溉农业节水潜力计算分析—以2001-2003年中牟县杨桥灌区为例

河南属缺水省份,农业用水量约占总用水量的80％,其他行业用水缺口大。农业灌溉用水的利用率较低,尚有较大节水潜力。从杨桥灌区的作物需水量出发,综合考虑有效降水、地下水补给、输水损失、田间损失等因素,计算出该灌区灌溉农业整体需水量,与2001-2003年实际灌溉用水量相比得出了该灌区此3年平均理论节水潜力为1972.88万m^3。继而利用现实调节因子,得出了灌区2001-2003年农业实际平均节水潜力为1815.05万m^3。为灌区乃至河南水资源宏观调控利用及节水规划提供理论依据。     

基于MATLAB7的神经网络在灌溉用水量预测中的应用研究

灌溉用水量的预测对于灌区管理工作具有重要的指导意义,使用神经网络方法预测灌溉用水量。介绍了BP网络的算法步骤,并且以铁甲灌区为例,使用软件MATLAB7对所设计的网络进行学习和训练,隐含层单元数的选取采用实验法,最终以隐单元数为13的网络预测性能最好,误差也达到精度要求。所建模型可以预测铁甲灌区的灌溉用水量。     

基于支持向量机的新疆地区需水预测研究

本文针对新疆地区进行需水预测研究。由于影响需水预测精度的因素很多,而且预测方法比较多,实际用水量的数据又难以获取。所以,本文选取支持向量机的方法,由于支持向量机支持基于小样本进行快速、准确预测的特点,对新疆地区需水量进行准确的预测。采用了粗糙集与支持向量机相结合的方法,对影响因子进行筛选,根据支持度筛选出主要影响因子,然后将这些主要影响因子作为输入的样本数据,构建支持向量机模型,用2000—2013年的数据进行训练,并且用2014—2015年的数据进行检验。最终,将该模型用于预测新疆地区2016—2020年的需水量。本文构建模型预测结果的平均绝对百分比误差只有0.11,可见模型预测精度很高,该种研究方法可以作为训练样本较少情况下的一种需水预测方法。     

基于理想点法的灌区多目标种植结构优化模式研究

建立了灌区多目标种植结构优化模型:以灌区作物受益最优和耗水量最小为目标函数,以不同作物种植面积和生育期内可供水量为约束条件,采用理想点法对灌区不同作物种植面积进行优化。结果表明,灌区种植结构应当随着降雨年型不同、灌区可用水量变化而调整,在减小灌溉用水量的同时获取最大收益,该规划方法可为灌区种植结构优化决策提供参考。     

基于粒子群的支持向量机SVR冰情预报研究

[目的]研究基于粒子群算法优化支持向量机SVR的黄河宁蒙段封河、开河日期预报模型。[方法]采用相关分析和成因分析相结合的方法选取合适的冰情预报因子组合,并运用粒子群算优化方法确定最优参数构建预报模型,将其运用到黄河宁蒙段封开河日期预报中。[结果]该模型预报精度高、运行时间短,预报平均误差为3.51 d,平均运行时间为10.464 s,预报效果明显优于遗传算法优化的支持向量回归与反向传播式神经网络,能够较准确地对封开河日期做出预报。[结论]基于粒子群算法优化支持向量回归的方法可以用于冰情预报。     

基于GSM和SVM的区域年用水量回归预测模型研究

区域年用水量受众多因素影响,具有非线性特点,而且还存在记录时间短、历史数据少等问题。基于支持向量机(SVM)小样本、非线性和泛化能力强的特性,建立了年用水量回归预测模型,利用网格搜索法(GSM)优化参数,并进行精度的检验。将模型应用于民勤县年用水量预测,结果表明:该预测模型的绝对误差和相对误差较小,精度较高,用于该县的年用水量预测是行之有效的。     

Considering the Influence of Multi-weather-factors to Forecasting the Water Requirement of Well Irrigation Rice Based on ANN Model

The author considered the influences of several weather factors, such as air temperature, sunlight, saturation deficiency, wind speed and so on to forecasting the water requirement of well irrigation rice based on Artificial Neutron Network. Through dealing with the time series of water requirement and its influence factors, the author applied the multi-dimension data correlation analysis to ensure the net structure. Thus, the ANN model to forecast the water requirement of well irrigation rice has been built. By means of the ANN model, uncertainty relation between water requirement and many influence factors among the interior and exterior can be discovered. The results of ANN model is good, and can provide some references for establishing the water saving irrigation system.     

Research on Forecasting Water Requirement of Well Irrigation Rice by Time Series Analysis Method

The paper builds up the forecasting model of air temperature according to the data(1994-1998)of Fu Jin area.At the same time,the writer inquires into the relation of water requirement of well irrigation rice(ET)and average air temperature(T).Furthermore,the rice irrigation water reuqirement(ET)of Fu Jin area has been forecast in 1999.Thus,we can apply the model in irrigation management.     

时间序列分析法在水稻需水量预测中的应用

作物需水量是农业方面主要的水分消耗部分 ,也是整个国民经济中消耗水分的最主要部分。文章以富锦试区为例 ,采用时间序列分析法建立了水稻需水量预报模型 ,预报效果较好。为灌区灌溉制度的确定提供了数量指标和理论依据     

基于最小二乘支持向量机的灌区粮食产量预测研究(英文)

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i(允许错分的松弛变量)的二范数。这使得最小二乘向量机的优化问题为:min(1/2)‖w‖~2+C(1/2)sum from i=1 to 1ξ_i~2(ξ_i是松驰变量;C为正则化参数)。用于函数估计的最小二乘SVM为:y(x)=sum from k=1 to Nα_k K(x,x_k)+b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数(γ为可调参数,σ为核函数宽度系数),参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

基于人工神经网络算法对水稻需水量的预测

水稻需水量预测是节水灌溉规划的基础,由于BP神经网络在解决多参数非线性问题表现出极强的自适应能力,从而可以科学准确预测需水量。本研究从多个影响因子分析出发,得到了BP神经网络模型,并结合实际数据进行了检验。试验结果表明,该模型能够较好地反映气象因子与水稻需水量之间的关系,预测精度高。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i（允许错分的松弛变量）的二范数。这使得最小二乘向量机的优化问题为：min（1/2）‖w‖^2＋C（1/2）sum from i=1 to 1ξi~2（ξi是松驰变量;C为正则化参数）。用于函数估计的最小二乘SVM为：y（x）=sum from k=1 to Nαk K（x,xk）＋b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数（γ为可调参数,σ为核函数宽度系数）,参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。对灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘支持向量机预测的最大误差7．12％,平均误差4．81％。最小二乘支持向量机模型有较高的预测精度和良好的推广能力,可做为灌区粮食产量预测的一种新方法。     

基于人工神经网络的井灌水稻区地下水位预测

利用带动量项学习规则的改进 BP算法 ,对三江平原创业农场井灌水稻区逐月地下水埋深进行了模似仿真 ,将人工神经网络技术 (ANN)与广大井灌水稻区生产实际相结合 ,通过网络检验与预测 ,模型精度与预测精度均达到满意效果。该网络模型对于节约地下水开采量 ,恢复该地区的地下水动态平衡、制定农作物优化灌溉制度、发展节水灌溉、促进农业及水资源的可持续发展提供参考作用     

精确灌溉中作物需水量的研究进展

主要概述了作物需水量及影响因素以及作物需水量、作物蒸发蒸腾量测定方法、作物需水量理论模型研究进展。