基于用水量驱动因子的水量预测模型

采用主成分分析法筛选出显著的驱动因子,结合灰色关联分析将筛选出的驱动因子进行灰色聚类和优势分析.以用水量驱动因子为基础,利用SPSS建立多层感知器网络,利用矩阵实验室建立GRNN神经网络和BP神经网络.将诱导有序加权平均算子(IOWA)应用到水量预测模型中,构建基于IOWA算子的MLP-GRNN-BP组合用水量预测模型,最后建立由平方和误差(SSE)、均方误差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方百分比误差(MSPE)和Theil系数(μ)组成的预测效果评价体系,评价预测模型的预测效果,最后以重庆市的用水量预测为例,验证以上方法的可行性.结果表明:经过主成分分析及灰色关联分析,可将用水量驱动因子由31个降为12个, 12个驱动因子可综合为4个聚类,可确定4种用水量的各自驱动因子的重要性排序;BP, MLP, GRNN和MLP-GRNN-BP组合模型预测结果的MAPE,MSPE和Theil系数均在5%以内.     

基于改进的BP神经网络的水面蒸发预测

以往水面蒸发预测模型存在针对性不强、结构复杂的问题,同时指标筛选的过程存在很大的主观性,针对这些问题提出改进的BP神经网络模型。使用灰色关联法计算出各个预测因子与被预测因子的关联度,使用指标信息评价法根据算得的关联度确定最优预测因子组合,根据筛选出的预测因子,定出BP神经网络结构并以筛选出的预测因子为输入进行演算。预测结果合格率为70%。说明改进的BP神经网络模型适用性强。     

基于灰色理论和BP神经网络的农业用水量预测

运用灰色GM(1,1)模型和BP神经网络模型相结合的灰色BP神经网络模型,对农业用水量进行预测.此组合模型兼有灰色预测和BP神经网络预测的优点,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.为此,以辽河流域某典型区为例进行预测,结果证明了该组合模型的优势,为农业用水量预测研究提供参考依据.     

基于BP神经网络的小缸径直喷式柴油机放热规律的研究

运用BP神经网络有关理论,构造一个从小缸径直喷式柴油机的喷油规律预测放热规律的BP神经网络模型,经过验证,预测模型具有较高的精度,可以作为柴油机喷油系统与整机匹配性能研究的一个有效手段,也是一个新型预测放热规律的方法。     

基于改进的BP神经网络胶铆接头的力学性能预测研究

利用遗传算法优化BP神经网络的连接权值和阈值,并将改进的BP神经网络应用于胶铆接头力学性能预测中,建立了胶铆接头最大拉剪力预测模型。结果表明:GA-BP神经网络比BP神经网络的收敛时间长,但GA-BP网络预测相关系数更好,回归性能更好,具有更好的泛化能力。对训练好的神经网络预测模型进行验证,发现GA-BP神经网络预测的均值绝对误差为BP神经网络均值绝对误差的40%,GA-BP神经网络具备更好的预测性能。     

脱皮菜籽一维冷榨压榨比的神经网络模拟

针对由经典Terzaghi固结理论以及Darcy渗流定律建立的理论压榨比模型存在的不足，建立了基于BP神经网络的压榨比预测模型，对脱皮菜籽一维冷态压榨过程进行了预测。预测结果表明，运用BP神经网络预测实际压榨比的精度高于经典理论压榨比模型的精度，BP神经网络预测实际压榨比是一种有效的方法。     

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

基于BP神经网络对云南省粮食产量的预测模型

基于BP神经网络建立云南省粮食产量预测模型,分析有关文献,最终选择农业机械总动力、有效灌溉面积、农用化肥施用折纯量、农村用电量、农药使用量、粮食作物播种面积、农用柴油使用量和受灾面积等8个指标作为输入变量,粮食产量为输出变量。首先以云南省1993—2016年的粮食产量及8个粮食产量影响因素等数据,搭建BP神经网络预测模型,预测2017年、2018年和2019年的粮食产量。试验结果表明,基于BP神经网络预测模型在训练阶段,相对误差绝对值基本小于1%;在验证阶段,预测2017年、2018年和2019年的相对误差分别为1.84%、3.25%和2.86%,误差率均控制在5%以为,说明该模型具有很好的预测效果,能够有效地对粮食产量进行预测,并为粮食产量的预测提供了一种新的方法。     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。     

蚁群神经网络用于农村电力短期负荷预测

为了进一步提高农村电力系统短期负荷预测模型的性能,实现准确与快速预测农村电力系统负荷的目的,将蚁群算法(ACA)作为BP神经网络的学习算法,构造了一种蚁群神经网络(ACAN)预测模型。对某农村地区电力系统短期负荷预测的计算实例表明,基于蚁群神经网络的负荷预测方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的效果。     

遗传算法优化BP神经网络在山洪临界雨量预测中的应用研究

为研究确定四川省冕宁县山洪灾害临界雨量,及时采取减灾避灾措施,根据冕宁县14个雨量站和气象站的资料,选取山洪灾害发生的关键因子:日时段降雨量和降雨强度,建立BP神经网络预测模型.然后用遗传算法对BP神经网络的权值和阈值进行优化,建立GA-BP预测模型.与BP预测模型相比,GA-BP预测模型能有效克服BP模型训练时间长,易陷入局部最优的缺陷,在临界雨量预测精度方面,GA-BP模型预测的平均相对误差为1.96％,而BP模型预测的平均相对误差为7.22％,明显提高了预测精度.这一临界雨量预测方法与结果,进一步修正完善后将试用于冕宁县山洪灾害监测预警系统.     

基于BP神经网络的鲜鸡蛋货架期预测模型

为研究不同温度范围内鸡蛋的品质变化及货架期,通过实验室模拟,检测了鲜鸡蛋在5、25、35℃条件下的哈夫单位值、蛋黄系数等理化指标,分别构建了同等实验条件下的鲜鸡蛋货架期动力学预测模型和BP神经网络预测模型,并选取5、25、35℃温度下共6组数据进行模型验证。结果表明,基于BP神经网络的鲜鸡蛋货架期模型预测精度达到95.93%,动力学模型预测精度为90.79%,BP神经网络能更精确地预测鲜鸡蛋在5~35℃贮藏温度范围内的货架期。     

基于小波-BP神经网络的贝叶斯概率组合预测模型及其应用

采用一元线性回归模型模拟贝叶斯分析的先验分布和似然函数,建立了基于小波-BP神经网络的贝叶斯概率组合预测模型,在结合区域的水文特性对数据进行预处理的基础上,将其应用于老挝Namngum水库的月径流量预测中,结果表明,该方法较单一BP神经网络模型和小波-BP神经网络模型而言,有效的提高了月径流量的预测精度;同时相对于确定性水文预报方法而言,基于小波-BP神经网络的贝叶斯概率组合预测模型定量地、以分布函数形式描述水文预报的不确定度,能向用户提供更多、更全面的信息,为决策提供更有价值的技术支持。     

LVQ学习矢量量化神经网络模型在旱涝预测中的应用

旱涝灾害的预测对预防灾害和保护环境有着重要的作用。运用神经网络中LVQ学习矢量量化神经网络建立了旱涝预测模型，模型输入层神经元数目为3，输出层神经元数目为1，隐含层神经元数目采用实验法，最终确定为7。预测结果表明：该方法与传统的预测方法及BP神经网络相比，具有更强的容错性和鲁棒性，预测精度较高且计算简单等优点。     

BP神经网络对甘蔗宿根切割质量的预测——基于PSO算法

针对甘蔗收获机砍蔗时甘蔗宿根破损程度易受路面激励及甘蔗收获机工作参数等多种因素影响的问题,提出了一种甘蔗宿根切割质量的预测方法。以台糖22号为研究对象,将路面振幅、路面振动频率、甘蔗收获机前进速度、刀盘转速和刀盘倾角作为BP神经网络预测模型的输入变量,利用PSO算法优化神经网络的权值与阈值,通过对砍蔗试验数据的训练与预测,建立了台糖22甘蔗宿根切割质量的BP神经网络预测模型。对比了基于PSO算法的BP神经网络模型与传统BP神经网络模型预测,结果表明:基于PSO算法的BP神经网络的模型对甘蔗宿根切割质量预测的最大相对误差为3.301%,而BP神经网络模型的最大相对误差为14.6 5 9%。优化后的新模型较传统模型具有学习能力强、预测精度高的优点。研究结果为甘蔗收获机实际工作中不同路况条件下工作参数的智能调控及提高甘蔗宿根切割质量提供了理论依据。     

基于时差相关分析与回归模型的用水总量预测

依据最严格水资源管理制度中水资源开发利用红线指标——用水总量的影响因素特征及其变化规律,对其提出综合运用时差相关分析与多元回归模型的预测分析方法,该方法特点是在时差相关分析法鉴别出先行影响因子的基础上,再建立多元回归模型预测用水总量。以太湖流域为实例,通过时差相关分析法筛选出与区域用水总量相关的人口、产业结构比、农田面积、人均用水量、工业用水量等8个预警指标,再借助SPSS软件建立多元线性回归分析预测模型,模型检验表明该方法具有较好的拟合度和预测精度。通过该模型方法预测了太湖流域2015年及2020年用水总量,并分析了其变化趋势,所用方法及其计算成果可为太湖流域水资源承载能力评估提供参考依据。     

基于GA-BP神经网络的果园需水量预测

为解决果园需水量预测精度低、鲁棒性差等问题,提出了遗传算法(GA)优化BP神经网络的果园需水量预测模型.选取空气温度、土壤含水率、光照强度3个主要环境因子作为BP神经网络的输入量,利用遗传算法的全局搜索能力优化神经网络权值和阈值,建立GA-BP神经网络模型预测果园需水量.仿真结果表明:GA-BP预测模型的预测值比BP模型更加趋近期望需水量,模型评价指标平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE),均优于单一BP神经网络模型.与传统的BP神经网络算法相比,GA-BP神经网络模型能较好的表达果园需水量与主要环境因子的非线性关系,具有较高的预测精度和适应性.     

BP神经网络与GA-BP农作物需水量预测模型对比

农作物需水量预测是制定合理灌溉制度的重要依据.针对BP神经网络的不足,利用遗传算法(GA)具有全局搜索能力强的特点,建立基于GA-BP神经网络的农作物需水量预测模型.以广州辣木农庄试验田农作物作为研究对象,结果表明:基于BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.037和0.648;GA-BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.013和0.882,GA-BP农作物需水量预测模型收敛速度、确定性系数和性能均优于BP农作物需水量预测模型.     

基于改进的BP神经网络对蓄水坑灌冬季果园土壤温度预测

为准确预测冬季果园土壤温度,建立了蓄水坑灌条件下BP神经网络土壤温度预测模型(BP-WSPI-T)、遗传算法优化的BP神经网络土壤温度预测模型(GA-WSPI-T)和增量逆传播学习算法优化的BP神经网络土壤温度预测模型(IBP-WSPI-T),采用坑内平均气温、地表温度、沿相邻两蓄水坑中心连线距坑壁的距离和距坑壁5cm处分层土壤最低温度为模型输入,对距坑壁15、25和35cm处分层土壤最低温度进行预测,并通过与田间实测数据的统计学分析来判定预测效果。结果表明:BP-WSPI-T、GA-WSPI-T和IBP-WSPI-T模型的平均相对误差分别为8.19%、4.41%和7.57%,GA-WSPI-T模型的预测效果最好,较BP神经网络预测精度得到了很大的提高,建议采用GA-WSPI-T模型对蓄水坑灌冬季果园土壤温度进行预测。     

基于BP神经网络的农田灌溉量预测

农田灌溉量预测对水资源合理规划和优化配置具有重要意义。为此,以农田水分平衡公式为基础,导出灌溉量I与前各时期的降雨量pt-1、pt-2、pt-3灌溉面积S之间存在非线性关系,由此建立了农田灌溉量的BP神经网络预测模型。检验结果表明,灌溉量BP神经网络预测法精度约为94.5%。因而,以灌溉面积、前各时期降雨量为输入变量,结合BP神经网络技术来预测农田灌溉量,具有很好的应用前景。