BP神经网络在浅层地下水矿化度预

针对导致黄河下游三角洲地区土壤盐渍化的浅层地下水因素,以该地区典型区域为研究对象,将人工神经网络引入地下水矿化度的模拟和预测中,建立了基于土壤盐分、地下水埋深和pH的地下水矿化度预测的BP神经网络模型,并与多元回归模型在拟合精度和预测性能方面进行了比较。结果表明：研究区域地下水矿化度与土壤盐渍化程度呈显著的相关性,多元回归模型能较好地拟合地下水矿化度;通过网络训练确定了地下水矿化度的BP神经网络的拓扑结构为5：8：1,BP神经网络的拟合精度明显优于多元回归模型;统计检验表明BP神经网络的预测性能亦优于多元回归方法,其预测精度提高了50.1%。该研究可为黄河三角洲地区盐渍化的水盐调控和预测预报提供理论基础与决策依据。     

乌兰布和灌域有效灌溉面积预测模型研究与应用

为了使乌兰布和灌域有效灌溉面积得以健康发展,同时了解乌兰布和灌域有效灌溉面积的发展趋势,引入了支持向量机回归滑动预测模型,以归一化处理后的2007-2016年的有效灌溉面积数据作为训练样本,以2017年有效灌溉面积数据作为检验样本,结合新陈代谢法,对乌兰布和灌域有效灌溉面积进行预测。同时引入Logistic灰色预测模型,与支持向量机回归滑动预测模型进行对比分析,结果表明支持向量机回归滑动模型的预测精度明显高于Logistic灰色预测模型。在此基础上,应用支持向量机回归滑动预测模型对2018-2025年乌兰布和灌域各年份的有效灌溉面积进行了预测,结果表明乌兰布和灌域有效灌溉面积将于2022年达到其上限5.36万hm~2,2017年有效灌溉面积为5.244万hm~2,已经接近其上限,且乌兰布和灌域有效灌溉面积增速将于2018年开始减缓,在某些年份甚至出现负增长。因此,需要对有效灌溉面积发展过程中的影响因素进行分析和调整,为其健康发展奠定基础。     

考虑季节因子的支持向量机径流预测模型

基于河川径流月时段具有非平稳季节性的特征,构建支持向量机的季节性样本,建立水库入库径流的季节性支持向量机预测模型。以三峡水库1950~2006年的入库径流系列为训练样本,利用季节性支持向量机预测模型对三峡水库2007~2009年的月径流量进行预测。将此预测结果与BP神经网络模型和标准支持向量机模型预测结果进行指标分析,结论显示季节性支持向量机径流预测模型准确度更高,可以用于水库入库径流的预测。     

基于蜻蜓算法的甘蔗收获机刀盘振动SVM预测模型

甘蔗收获机切割器刀盘振动是影响甘蔗宿根切割质量的一个关键因素,因此寻找复杂因素对刀盘轴向振动的影响规律并实现对刀盘振动的预测与控制有着至关重要的作用。为解决传统预测方法精度低、参数选取盲目等问题,提出一种基于蜻蜓算法的甘蔗收获机刀盘振动支持向量机预测模型。该方法利用蜻蜓群体寻优的过程实现对支持向量机参数的优化,并将优化后的支持向量机对刀盘振动进行预测。通过Mat Lab进行20次仿真实验,并与BP神经网络预测模型和传统支持向量机预测模型的预测结果进行比较,实验数据表明:基于蜻蜓算法的支持向量机预测模型具有更高的预测精度和泛化能力。结果显示:基于蜻蜓算法优化的支持向量机对刀盘振动预测的拟合率达到了99.99%,有效提高了甘蔗收获机刀盘振动的预测精度,从而表明基于蜻蜓算法优化的支持向量机预测模型对实现甘蔗收获机刀盘振动预测的有效性,为后续甘蔗收获机宿根切割质量的智能化预测及实现对甘蔗收获机减振的结构优化设计提供了有效依据。     

基于自适应进化相关向量机的城市需水量预测模型研究

为改进城市需水量预测模型,将相关向量机与差分进化优化算法进行融合及改进,提出基于自适应进化相关向量机的需水量预测模型.以新疆阿克苏市为例,建立基于自适应进化相关向量机的城市需水量预测模型,并与多元线性回归、BP神经网络、支持向量机算法在精度与可靠性方面进行对比分析.结果表明:新模型预测精度大约是上述其他方法的2倍以上;测试数据的实际需水量均在自适应进化相关向量机估计的95％置信度的置信区间内,并且由后验差比、小误差概率判定模型等级属于“好”级别.     

支持向量回归机在水质预测中的应用与验证

以干旱区浅水湖泊乌梁素海的多年实测pH值为例,在分析支持向量回归机算法（ε-SVR）核函数选取的基础上进行了回归分析及预测,并与线性回归、BP神经网络、RBF网络等算法进行了比较。研究结果显示：：（1） 基于径向基核的支持向量回归机模拟效果优于其它核函数;（2）ε-SVR模拟结果与线性回归（LR）、BP神经网络和RBF网络等算法模拟结果相比,其拟合精度与预测精度均比其它三种方法要高。计算结果充分证明了支持向量回归机有较强的学习能力和泛化能力且该方法可以应用于水质预测研究。     

水分特征曲线Gardner模型参数的预测模型对比分析

为实现土壤水分特征曲线Gardner模型参数的预测以及精度的对比,以山西省黄土高原区农耕土壤为试验材料,进行了土壤水分特征曲线的系列试验,构建了土壤水分特征曲线Gardner拟合模型参数a、b和对应的土壤基本理化参数的数据样本;采用BP神经网络与支持向量机两种预报模型对土壤水分特征曲线Gardner模型参数a、b实现了预测,并对预测精度进行了对比。研究结果表明:随着两种模型输入变量的增加,两种预报模型的精度都得到提高;当输入变量为土壤质地、土壤容重、土壤有机质含量、土壤无机盐含量时,两种预报模型对参数a、b的平均相对误差值均在6%以下,预测模型具有可行性;同时,相比于BP神经网络而言,支持向量机预报模型精度相对较高,而且预测结果波动空间较小,离散程度较低。该成果一方面丰富了Gardner模型参数的土壤传输函数创建的途径,更为Gardner模型参数预测模型的选择提供了依据。     

基于BA-LSSVM模型的月径流预测方法

针对最小二乘支持向量机模型传统参数选择方法费时且效果差的问题,利用蝙蝠算法的模型简单、快速收敛和全局搜索能力强的特点,优化模型的正则化参数和核函数参数,对水文时间序列建立最小二乘支持向量机预测模型。基于西江流域内的柳州水文站2000-2014年月径流资料对模型进行训练和预测,并与使用粒子群算法优化参数确定的最小二乘支持向量机模型,网格搜索及交叉验证优选参数确定的最小二乘支持向量机模型及BP神经网络模型进行比较。计算结果表明,基于蝙蝠算法优化最小二乘支持向量机模型具有很好的适用性和较高的预测精度,为利用最小二乘支持向量机模型解决非线性的水文时间序列问题提供了新的方向。     

径流预测的支持向量机应用探讨

支持向量机是近年来提出的一种新的机器学习算法，它能针对在样本有限的情况，采用结构风险最小化准则，把学习问题转化为一个二次规划问题来获得最优解，从而克服了神经网络易陷于局部极小值的缺点。尝试将支持向量机算法应用于径流预测，并与BP神经网络方法的预测结果进行了对比，证明SVM方法预测径流量精度要略优于BP神经网络方法。     

基于灰色支持向量机组合模型的农产品产量预测

鉴于灰色预测模型和支持向量机各自的优点,将灰色预测模型与支持向量机相结合,提出灰色支持向量机组合模型,并将该模型应用于花生产量预测中。结果表明,与单一支持向量机和灰色预测模型相比,灰色支持向量机组合模型的预测精度明显提高。     

Kostiakov入渗模型参数的预测精度对比分析研究

基于黄土高原系列大田入渗试验数据,以土壤体积含水率、干容重、黏粒含量、粉粒含量、有机质含量为输入因子,采用支持向量机和BP神经网络两种算法,对Kostiakov二参数入渗模型参数进行预测,并对两种算法下预测结果的相对误差值进行分析,结果表明:采用支持向量机算法对入渗系数和入渗指数进行预测的结果相对误差最大值和平均值都比BP算法的预测结果要小,相对误差最小值比BP算法的预测结果要大;支持向量机算法比BP算法所得预测结果的稳定性好,精确度高。研究结果丰富了采用土壤传输函数获取入渗参数这一研究方向,同时为获取更高精度的入渗参数在方法的选取上提供一定的理论依据。     

基于最小二乘支持向量机的人民胜利渠灌区灌溉用水量预测

基于最小二乘支持向量机（LSSVM）良好的泛化能力和特点，以人民胜利渠灌区需水量为研究对象，选用径向基函数（RBF）作为核函数，建立了最小二乘支持向量机预测模型，对灌区需水量进行了模拟计算，用检验样本与灰色预测和基于RBF的神经网络模型的预测结果进行了比较，LSSVM预测的最大误差8.78%，平均误差4.90%。结果表明最小二乘支持向量机模型有较高的预测精度和较强的泛化能力，可为灌区水资源规划提供科学依据。     

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。     

河套灌区土壤盐分时空变化特征及影响因素

为了研究河套灌区土壤含盐量演变特征及主要影响因素,以解放闸灌域为研究区,以0~100 cm深不同土层土壤含盐量及引排水量、地下水埋深、地下水矿化度、降雨量、蒸发量等数据为基础,结合研究区耕地及盐荒地面积变化情况,定量估算了2006—2016年耕地及盐荒地1 m深土层平均土壤盐分总量变化,定性分析了土壤含盐量变化动态,建立了1 m深土层土壤含盐量预测模型.结果表明:近10 a来,灌域年均积盐量为57.12万t/a,其中46.12%积累在1 m土层内,其余则迁移至1 m土层以下和地下水中积聚.1 m土层中,耕地盐分整体上减小6.34%,而盐荒地则增加86.8%;主成分分析结果表明灌区地下水埋深、排水量及年蒸发量对土壤含盐量影响最大,其次为地下水矿化度、引水量及降雨量;逐步回归分析表明采用地下水埋深单因子即可预测耕地1 m深土层土壤含盐量,相关系数可达0.732.     

基于GM(1,N)模型的临漳县地下水矿化度研究

地下水矿化度的变化会对居民生活用水和农作物生长产生影响,特别是在地下水超采严重且农业用水量大的地区。以邯郸市临漳县为研究区,搜集了香菜营、陈村、洛村共3口监测水井2010-2015年间的地下水矿化度监测数据,并以监测井水位,抽水量和区域降雨量为自变量,以矿化度为因变量,构建了基于地下水矿化度预测的GM(1,N)模型,对地下水矿化度实测资料进行了模拟与预测。将GM(1,N)模型模拟结果分别与GM(1,1)模型和BP神经网络模型的模拟结果进行了比较,结果表明GM(1,N)模型模拟精度最高。因此将GM(1,N)模型预测结果作为临漳县2016-2020年的地下水矿化度的最终预测成果。成果表明2016-2020年邯郸市临漳县的地下水矿化度呈持续上升趋势,研究结果为区域地下水的管理与水盐调控工作提供了参考依据。     

基于CAR-SVM模型的季节性冻融区地下水埋深预测

准确预测地下水埋深是灌区水资源管理的重要依据.考虑到地下水埋深在时间序列上呈现滞后性和非线性,耦合了多变量时间序列CAR与支持向量机SVM,构建了CAR-SVM地下水埋深预测模型.为了提高模型在冻融期的模拟效果,构建了季节性冻融灌区地下水埋深拟合模型--CAR-SVM(T-TF)模型.模拟结果显示,只考虑冻融期气温的CAR-SVM(T-TF)模型优于考虑全年气温的CAR-SVM(T)模型及不考虑气温的CAR-SVM模型.CAR-SVM(T-TF)模型在全灌区地下水埋深的模拟结果:在验证期模型决定系数R^{2为0.954,冻融期R2为0.973;RMSE均小于0.090 m,模型精度较高.将全灌区得到的3阶CAR-SVM(T-TF)模型结构用于灌区内5个灌域地下水埋深模拟,模型在各灌域均有较好的适用性.}     

基于BP神经网络的河北省耕地生产力预测

鉴于BP网络在处理非线性复杂系统的优势,以河北省为研究对象,构建一个9-5-1结构的BP神经网络预测模型,将1987-2005年的相关数据作为模型的训练样本,以2006年的粮价政策、农资投入量和农民收入等数据作为网络的预测输入,对该年的河北省粮食单产进行预测。结果表明,BP神经网络预测结果与实际粮食单产的相对误差为0.86%,预测精度优于传统的多元回归统计模型。     

人工神经网络在土壤含盐量预测中的应用

土壤含盐量的预测对合理配置水资源.防治土壤次生盐碱化等具有重要的指导意叉.在阐述BP人工神经网络原理的基础上,针对影响土壤含盐量的主要因素,建立了多因子土壤含盐量的3层BP网络模型,以土壤含水率、地下水矿化度、地下水pH值、地下水埋深、相对湿度、降雨量、蒸发量作为模型输入参数,土壤含盐量作为模型输出,对土壤含盐量进行了预测.结果表明,BP神经网络模型预测土壤含盐量的最大误差为8.78%,平均误差为5.99%,模型具有较高的预测精度.     

陕西省耕种收综合机械化水平预测研究

研究采用BP网络改进算法、RBF网络和遗传神经网络,构建了机耕、机播与机收水平预测模型。应用所构建的模型对陕西省机耕、机播、机收水平进行预测,着重对3种预测模型进行比较和分析,为有关部门制定政策、方针和路线提供科学依据。用测试样本对预测精度进行检验,3种机耕水平预测模型(基于BP改进算法的BP模型、GA-BP模型和RBF模型)的平均相对误差都在10%以内;3种机播水平预测模型的平均相对误差分别为5.17%,9.0%和13.86%;3种机收水平预测模型的平均相对误差分别为12.11%,7.22%和16.75%。对于机耕水平预测问题,综合考虑预测精度、构建网络的复杂度和稳定性,采用RBF模型较好;机播水平预测采用预测精度最高的基于改进BP算法的BP模型;机收水平预测可采用GA-BP模型。     

基于IL-HMMs预测模型的地下水埋深预测研究

以西北干旱典型县域磴口县为研究区,基于增量学习的改进隐马尔可夫预测模型(IL-HMMs),对区域地下水埋深进行了预测研究。为检验IL-HMMs模型预测效果,将模型预测结果与2013年长观井的实测数据进行了比较;同时为检验模型的优劣性,与未经增量学习的隐马尔可夫模型(HMMs)、加权马尔可夫链(WMCP)和BP神经网络(BP neural network,BPNN)预测模型的预测结果进行了比较。结果表明:与其他几种预测模型相比,IL-HMMs模型预测精度显著提高,误差更小,有较好的鲁棒性。并使用IL-HMMs模型对2018年地下水埋深进行了预测,预测结果表明,2018年地下水年平均埋深略有增加、局部区域地下水埋深增量加剧。基于IL-HMMs模型的地下水埋深预测具有很好稳定性的同时对新数据加入又有很好的鲁棒性,可为地下水埋深动态预测提供思路与方法补充,为区域地下水资源开发利用和保护提供重要依据。