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。     

基于灰色理论与BP神经网络组合模型的中长期负荷预测

灰色系统预测模型是中长期负荷预测的一种有效方法,但是,此模型存在未考虑经济因素对负荷发展的影响及难以满足高精度要求的缺陷,构建了考虑经济因素影响的灰色BP神经网络组合预测模型,通过灰色关联分析方法确定影响负荷的主要经济因子.主要经济因子的引入,使预测模型更符合实际、更合理.应用此组合模型对某省全社会用电量进行了中长期预测,结果表明,该模型具有更高的精度和更好的实用性.     

基于灰色理论与BP神经网络组合模

灰色系统预测模型是中长期负荷预测的一种有效方法，但是，此模型存在未考虑经济因素对负荷发展的影响及难以满足高精度要求的缺陷，构建了考虑经济因素影响的灰色BP神经网络组合预测模型，通过灰色关联分析方法确定影响负荷的主要经济因子。主要经济因子的引入，使预测模型更符合实际、更合理。应用此组合模型对某省全社会用电量进行了中长期预测,结果表明，该模型具有更高的精度和更好的实用性。     

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.     

土壤水分特征曲线Van-Genuchten模型参数的土壤传输函数比选

基于黄土高原区多种土壤的水分特征曲线试验数据样本,建立了以土壤黏粒、土壤粉粒、干密度、有机质和盐分含量为输入变量,Van-Genuchten模型参数α与n为输出变量的非线性预报模型和灰色BP神经网络预报模型,在对两种模型误差参数α与n分别进行误差分析比较的基础上,对两种模型的预测结果进行了整体误差分析。结果表明:无论是参数α还是参数n,非线性模型的平均相对误差低于10%,综合精度平均相对误差为15.73%;灰色BP神经网络模型的预测精度的平均相对误差低于4%,综合精度平均相对误差为10.01%,灰色BP神经网络模型的预测精度都要比非线性模型的预测精度高,但灰色BP神经网络模型易出现过度拟合的情况。综合而言,两种模型均能实现Van-Genuchten模型参数α与n的预测,可根据具体情况选用其中一种以达到更好的预测效果。     

灰色神经网络在地下水动态预测中的应用

以周至201号井为例,选取降雨量、蒸发量、单位面积的引灌水量及人工开采量4个地下水位的主要影响因素为预报因子,地下水位作为输出样本,建立BP神经网络模型。以2002-2011年4个序列的数据分别建立新陈代谢GM(1,1)模型,得到2012-2014年的预测值。再将各新陈代谢GM(1,1)模型得到的4个预报因子的预测值作为BP神经网络的输入,得到的输出即为最终2012-2014年地下水位的预测值。结果表明,灰色理论和BP神经网络耦合模型具有较高的预测精度,可为地下水的动态预报提供参考。     

不同水热条件下土壤累积氨挥发模型对比研究

研究根据室内土壤氨挥发试验数据,建立了Elovich、BP神经网络,以及GABP三种预测模型,并分析比较了三种模型的预测效果。结果表明:三种预测模型均能满足模拟精度要求,其中GABP模型所预测的结果与实测值的平均相对误差、相关系数和决定系数为三种模型中最优,具有较高的预测精度和良好的稳定性,可以较好地表征土壤氨挥发动态变化过程,为土壤氨挥发的预测研究提供了良好的依据。     

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.     

基于公共天气预报的参考作物腾发量预报

针对Penman Monteith公式的应用局限性,以公共天气预报可测因子及历史气象数据计算ET₀为基准,对广州站2017-01-01-2019-03-31预报气象信息风力状况进行量化后,以2017,2018年气象预报信息为输入因子、ET₀为输出因子,分别建立基于回归型支持向量机(SVR)预报模型与BP神经网络预报模型,选择性能较优预报模型对2019年ET₀进行预报,并与计算值进行对比分析.结果表明:回归型支持向量机参考作物腾发量预报模型测试集确定性系数为0.896、均方误差为0.206,BP神经网络参考作物腾发量预报模型测试集确定性系数为0.851、均方误差为0.305,SVR参考作物腾发量预报模型均方误差及决定系数要明显优于BP神经网络;基于SVR模型的预报值与PM公式计算值相关系数为0.761,没有明显差异,表现出显著的相关性以及整体吻合度,可为灌溉预报及决策提供较为准确的ET₀预报数据.     

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.     

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.     

南方地区冬小麦白粉病预测模型的研究

由于南方地区冬小麦白粉病的预测是一项多因素的复杂工程,因而针对传统预测方法的不足,提出了一种基于灰色系统GM(1,1)理论和BP神经网络相结合的预测模型。灰色系统GM(1,1)模型理论建模方法简单,计算量小,而BP算法特别适合于对GM(1,1)模型进行残差修正,利用两者的结合可以建立较高精度的预测模型。利用该模型对南方某地区冬小麦白粉病进行了预测,结果表明,该模型准确有效,适用于该地区的冬小麦白粉病的预测。     

BP神经网络最优组合预测方法及其应用

为了解决各种单一传统的预测方法中存在的问题，提出了一种BP神经网络最优组合的预测方法。将单一预测方法所得到的预测值作为BP神经网络的输入样本，相应历史数据的实际值作为样本的输出，经过样本训练达到期望精度，应用BP神经网络进行预测。通过对浙江省农机总动力需求预测，表明该方法比各种单一的预测方法都有更高的精度。     

区域土壤水盐动态人工神经网络预测研究

根据黄河河套灌区多年的区域水盐监测资料 ,比较了 ANN三层、四层 BP网络不同学习速率下的收敛效果 ,拟合精度 ,应用四层 BP网络模型对灌区的年内不同时期的土壤水分、盐分的动态变化进行了模拟预测。研究表明 ,BP网络可以用于区域土壤水盐动态预测 ,方法简便可行 ,有较高的精度 ,是对传统的区域水盐动态模数值拟预测方法的补充。     

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。     

基于SPA-SSA-BP的小麦秸秆含水率检测模型

为提高基于电容法的小麦秸秆含水率检测模型的检测精度,扩大含水率检测范围,提高模型适应性,本文以小麦秸秆为研究对象,使用LCR数字电桥,测量含水率为10.43％ ～25.89％的秸秆在频率0.05 ～ 100 kHz、容积密度90.03 ～179.42 kg/m3和温度25 ～40℃内的电容,利用连续投影法(Succes...     

基于神经网络的汽车维修企业顾客满意度测评

为了更好地研究汽车维修企业的顾客满意度测评方法,对神经网络模型进行了分析,并以汽车维修企业顾客满意度调研数据为基础,利用BP和ELMAN神经网络对16组样本数据进行了网络训练,对4组样本数据进行了预测,结果表明将神经网络应用于汽车维修企业顾客满意度测评是可行的,且ELMAN网络性能明显优于BP神经网络。