遗传算法优化神经网络的坡面入渗产流模型

引入遗传算法优化BP神经网络权重和阈值的方法建立黄土坡面产流入渗模型.模型以雨强、降雨历时、表层40 cm土壤前期含水量、坡度值为输入项,径流量、入渗量为输出项,用实测资料对网络进行模拟和预测.模拟结果平均误差6.32%和1.93%,预测结果平均误差为5.71%和1.92%.并与传统BP神经网络模型和定雨强Philip...     

组合灰色预测模型在入库流量预测中的应用

本文将灰色GM(1,1)模型、BP人工神经网络和马尔柯夫链相结合,利用历年入库流量及千河径流量建立组合模型对入库流量进行预测。GM(1,1)模型主要预测趋势,其前半部分与实测值拟合较好,BP神经网络模型后半部有波动部分与实测值拟合较好,二者结合使相对误差最小建立组合模型,同时运用马尔柯夫链预测入库流量的变化范围。预测2001和2002年的入库流量对模型进行检验:GM(1,1)模型预测的相对误差分别为0.359和-0.017;BP神经网络预测的相对误差分别为0.032和-0.251,组合模型相对误差分别为0.164和0.117,组合预测值在预测区间之内,该组合模型预测结果合理有效,能更精确预测冯家山水库入库流量。     

基于小波神经网络和BP神经网络的麦蚜发生期预测对比

为建立更准确、稳定的病虫害预测预报模型,减少农作物病虫害损失、提高农作物产量与质量,运用主成分分析法从42个基础气象因子中整合形成8个新的自变量输入模型,采用试凑法对网络关键参数进行筛选,用2002-2011年数据进行网络训练,建立了以Morlet小波函数为传递函数的小波神经网络模型,并与以Sigmoid函数为传递函数的BP神经网络模型进行了比较.在小波神经网络训练过程中,有6年拟合精度在90％以上,平均拟合精度为89％,预测结果MAPE值为4.1939,MSE值为5.9764;在BP神经网络的训练过程中,有4年拟合精度超过90％,平均拟合精度仅为81.07％,预测结果中MAPE值为6.4694,MSE值为8.2457.从训练结果看,小波神经网络更能准确描述麦蚜发生期的变化规律,其拟合能力较BP神经网络好;从预测精度和模型的稳定性来看,小波神经网络好于BP神经网络.     

基于小波神经网络和BP神经网络的麦蚜发生期预测对比（英文）

为建立更准确、稳定的病虫害预测预报模型,减少农作物病虫害损失、提高农作物产量与质量,运用主成分分析法从42个基础气象因子中整合形成8个新的自变量输入模型,采用试凑法对网络关键参数进行筛选,用2002—2011年数据进行网络训练,建立了以Morlet小波函数为传递函数的小波神经网络模型,并与以Sigmoid函数为传递函数的BP神经网络模型进行了比较。在小波神经网络训练过程中,有6年拟合精度在90%以上,平均拟合精度为89%,预测结果 MAPE值为4.1939,MSE值为5.9764;在BP神经网络的训练过程中,有4年拟合精度超过90%,平均拟合精度仅为81.07%,预测结果中MAPE值为6.4694,MSE值为8.2457。从训练结果看,小波神经网络更能准确描述麦蚜发生期的变化规律,其拟合能力较BP神经网络好;从预测精度和模型的稳定性来看,小波神经网络好于BP神经网络。     

创建BP神经网络模型利用计算机技术预测小麦白粉病流行程度

用统计方法研究多变量问题时,变量太多不但会增加计算量和增加分析问题的复杂性,而且会降低预测精确度,为了解决该问题便于应用于计算机,建立了基于主分量分析的BP神经网络模型。首先阐述了主分量分析法的原理与步骤,然后分析了河南省中原地区1990～2007年小麦白粉病病情及相关气象资料,得出影响其流行的主要分量,最后利用得到的主要分量作为BP神经网络的输入,对中原地区2008～2010年小麦白粉病流行情况进行预测,并与未进行主分量分析而建立的全要素BP网络模型进行比较。实验结果表明,该模型可以快速准确地预测小麦白粉病的流行程度,有效地减少小麦产量损失。     

基于WT-PLSP的太阳辐射短期预测

太阳辐射的预测对于光伏发电与并网工作有着重要的意义。太阳辐射数据具有较强的非线性和非平稳性,因此将太阳辐射序列进行小波分解,可以提取更多的信息。文中以羊八井光伏电站的观测数据为实验样本,对不同层小波低频系数进行重构,将重构后的序列和原始数据序列一起作为建模数据。最后采用偏最小二乘投影系数法选取特征,建立太阳辐射短期预测神经网络模型和支持向量机模型。实验结果表明,该算法结合神经网络模型效果最好,能够很好的预测太阳短期辐射,而且比原始数据的建模精度有很大提高。     

宁夏太阳辐射逐日、月、年总量的变化特征

利用银川及固原站5年太阳辐射实际观测资料建立的地方模拟推算式,模拟了宁夏全区20个站点1971-2006年太阳日辐射通量、累加月、年总辐射量.通过对2个站模拟值及实测值日月年辐射量的比较分析,得知银川站模拟推算值较实测值偏大,固原站偏小,但2个站模拟趋势与实测值一致.通过对银川及固原站的辐射通量模拟效果用平均偏差、平均绝对偏差、均方根偏差、平均绝对误差检验,2个站均方根偏差稍大,平均绝对误差银川站小于13%,固原站小于17%,模拟效果较好.累加的月、年太阳辐射区域性季节变化特点:北部干旱少雨的银川站月总量模拟值与实测值年际变动均为减少趋势,年总量累加模拟值与实测结果一致、均为减少趋势;阴湿多雨的南部固原站3,4,5,6月份月总量与实测值均为明显增加趋势,7月为弱增加趋势,其他月份均为减少趋势,年总量实测值为弱增加趋势,累加模拟值表现为平稳趋势.全区年总太阳辐射量年际(1971-2006年)变化特点为,多数站点呈明显增加趋势,少数站点呈明显减少趋势,个别站点呈基本平稳趋势.     

BP神经网络和多元线性回归在粮食产量空间分布预测中的比较

根据2011年河北省92个平原县粮食产量数据,按农业生产过程和需求确定自然和经济两大类影响因素共8个指标。根据逐步多元线性回归进行回归建模,并运用BP神经网络建立影响因素和粮食产量的网络模型。对比两种模型的拟合效果,BP神经网络模型在精度、稳定性、泛化度和理论基础上都要优于线性回归模型,可用于时空混合的空间预测。最后根据可估相关因子的变化代入BP模型对2015年粮食产量进行空间预测。从多角度说明了BP神经网络在空间分布预测中的优势性。     

环境因子对负水头供液下温室番茄耗液量影响的通径分析

采用Pearson相关分析法研究负水头供液下不同淋洗时间和淋洗量处理下温室番茄日耗液量与空气相对湿度、气温和太阳辐射强度等环境因子的相关关系,采用通径分析原理分析各环境因子对番茄日耗液量的直接作用和间接作用,并建立了多元回归模型。结果表明:番茄日耗液量与各环境因子均呈显著线性相关(P0.05),其中与日平均太阳辐射强度和日最高太阳辐射强度的正相关性最强;与日最高相对湿度的负相关最强。日平均太阳辐射强度是番茄日耗液量的主要决策因子,决策系数为45.7%,日有效积温是主要限制因子,决策系数为-459.6%。番茄日耗液量模拟值与实测值的回归系数平方值为0.965。建立的多元线性回归模型可较好地预测番茄日耗液量。     

西北地区小麦黄矮病流行分析及人工神经网络模型的构建

对西北地区半干旱气候区小麦黄矮病1992—2009年发生、流行情况进行长期监测、分析,选择制约小麦黄矮病发生、流行的23个因素,利用三层人工神经网络可以逼近任意连续函数,对非线性预测系统进行模拟处理的特点,分析所选预测分子,提出一套完整的建立BP人工神经网络模型的方法,并建立陕西省BP神经网络长期预测模型。对1992—2006年数据进行网络训练,利用2007—2009年数据进行测试。结果表明,以发病率为指标,输出结果误差在0.001~0.034之间;以发病级别作为预测结果,模型计算得出的数值与实际病级完全吻合,准确率为100%。说明利用神经网络建立小麦黄矮病预测模型是可行的。     

基于MODIS数据的降水估算在博斯腾湖流域的应用

以MODIS卫星遥感数据为基础,结合BP神经网络方法,选取地面监测资料比较稀缺的博斯腾湖流域进行降雨估算研究。首先,从MODIS二级数据产品中读取与降水有直接关系的云、大气参数因子和研究区内实测降雨数据组成历史样本;而后,采用BP神经网络方法在山区和盆地建立降水估算模型,使用样本对模型进行训练和检验。结果表明:在水文、气象站点稀少的条件下,所建模型模拟山区日降雨量的效率系数达到0.7以上,模拟值与实测值拟合程度较好,可以进行空间上的推广,这对缺乏降水监测的山区具有数据补充意义。而在降水稀少的盆地,模型模拟效果不佳,可以通过对盆地水循环机理和降水物理机制的深入研究来完善模型。     

基于高光谱的区域土壤质地预测模型建立与评价——以河套灌区解放闸灌域为例

为了运用光谱反射率快速确定土壤质地,对河套灌区6种不同类型土壤质地在室内进行光谱反射率测试,分别运用一元线性回归、逐步多元回归及BP神经网络三种方法建立光谱反射率与土壤砂粒含量及粉粒含量的拟合模型,并利用估测数据对样品进行土壤质地的模拟。结果显示:三种预测模型精度及其预测能力均较为满意,其中BP神经网络的拟合效果最好,砂粒,粉粒估测模型的决定系数R2均为0.86,外部检验决定系数R2分别为0.88,0.90。利用BP神经网络预测得出的粒径含量对样本质地重新判定,发现达到91.74%的样本符合类别分类要求。研究结果为利用高光谱图像大范围确定土壤质地奠定了基础,对于未来区域模型模拟和土壤水力参数推求具有重要指导意义和应用价值。     

基于支持向量机的石羊河流域径流模拟适用性评价

基于VC维和结构化风险最小理论的支持向量机方法因具有较好的学习和泛化能力而在预测预报领域得到广泛的应用。文中选取当月平均降水量、上月平均降水量以及当月平均相对湿度、平均最高气温和平均最低气温五个预报因子,采用Gridsearch算法优化参数,建立了基于支持向量机的月径流预报模型,并将其应用于石羊河流域八个子流域,定量分析其适用性。结果表明:模型在率定期和验证期模拟的平均Nash-Sutcliffe效率系数分别为0.831和0.806,相对误差分别在6%和5%以内;除个别峰值模拟较小之外,流量序列整体模拟效果较好;模型在丰水时段模拟值小于实测值,枯水时段模拟值大于实测值,在平水时段和枯水时段的模拟效果要优于丰水月份。因此,支持向量机模型在石羊河流域具有较好的适用性,可用于该流域的中长期水文预报。     

基于地面高光谱数据的油茶炭疽病病情指数反演

使用FieldSpec HandHeldTM地物光谱仪采集不同发病程度的油茶冠层光谱数据,并实地调查油茶炭疽病病情指数,将光谱数据进行一阶微分与滑动平均滤波相结合的预处理,提取与病情指数相关性较高的敏感波段,并采用主成分分析法(principal component analysis,PCA)对敏感波段的光谱数据进行降维,分别以敏感波段和PCA降维处理后的敏感波段作为输入变量建立了病情指数的BP神经网络反演模型.两种建模方法建立的BP神经网络模型计算出的预测值与观测值之间的决定系数(R2)均达99％以上.精度检验证明,以PCA降维所得到的前10个主成分作为输入变量建立的10-7-1三层BP神经网络模型预测精度更高,模型计算出的预测值与观测值之间的决定系数(R2)和均方根误差(RMSE)分别为0.998 6和0.814 8.该研究表明,利用地面高光谱数据结合主成分分析和BP神经网络算法反演油茶炭疽病病情指数是一种有效的方法.     

创建BP神经网络模型预测小麦白粉病

阐述了主分量分析法的原理与步骤,分析了河南省中原地区1990～2007年小麦白粉病病情及相关气象资料,得出影响其流行的主要分量,最后利用得到的主要分量作为BP神经网络的输入,对中原地区2008～2010年小麦白粉病流行情况进行预测,并与未进行主分量分析而建立的全要素BP网络模型进行比较。结果表明,该模型可以快速准确地预测小麦白粉病的流行程度,有效地减少小麦产量损失。     

基于BP神经网络模型的三江平原湿地面积预测研究

以相关资料和文献中1950-2009年的数据为依据,利用相关分析、灰色预测方法和BP神经网络模型,定量分析了三江平原湿地面积变化的影响因素,并对未来20年三江平原的湿地面积进行预测。结果表明,耕地面积、年均气温、人口数量、径流深度、相对湿度、年降水量、政策因子与湿地面积变化关系密切,可以作为BP神经网络模型的预测变量。BP神经网络模型预测2010s三江平原的湿地面积为58.58万hm2,2020s为45.86万hm2,湿地面积在未来一段时间还有减少的趋势,但减少趋势明显减缓。     

基于PLSR-BP复合模型的绿洲土壤pH高光谱反演

以土壤pH、野外实测光谱以及多元散射校正(MSC)预处理后的光谱数据为基础,利用数学方法（主成分回归PCA、偏最小二成回归PLSR、BP神经网络模型）分别建立了土壤pH的预测模型。结果表明：土壤实测光谱和经过MSC方法预处理的光谱数据均与pH存在良好的相关性,并呈极显著水平,后者的相关性更高。PCA和PLSR两种土壤pH估测模型均具有良好的预测能力。BP神经网络模型则因输入变量多,预测精度较低。但利用PCA和PLSR模型所获得主成分,作为BP神经网络的输入变量所建立的复合模型,可明显提高模型稳定性和预测能力。     

和田绿洲洛浦灌区地下水动态变化规律分析与模拟

分析了塔里木盆地南缘和田绿洲洛浦灌区地下水位较高的成因,研究了灌区地下水位年内的动态变化规律,利用小波分析的多分辨率功能和人工神经网络的非线性逼近功能,建立了基于小波变换和BP神经网络的地下水埋深动态预测小波神经网络模型。结果表明:灌区地下水位变化具有周期性、季节性的特点,并且可以被小波神经网络模型准确地模拟,模型预测洛浦灌区在未来几年内地下水位会持续上升,年平均升幅为0.1 m左右,因此当地应加强地下水的科学管理。     

经验模态分解和RBF网络在径流预测中的应用

为提高径流预测的准确性,提出一种经验模态分解EMD(Empirical Mode Decomposition)与径向基函数RBF(radial basis function)神经网络的径流预测方法。该方法利用EMD将漳泽水库径流序列分解为5个固有模态函数和1个残余项,然后将各分量作为RBF网络的输入对径流进行预测。结果表明:通过EMD分解,预测效果有明显提高,满足规范要求,计算方法可行。预测结果可为漳泽水库防洪抗旱规划,水资源优化调度提供科学的依据。     

基于主成分分析和RBF神经网络的融雪期积雪深度模拟

积雪深度作为估算雪水当量的重要参数,是融雪径流计算及雪融性水灾预警、监测和评估的重要判别因子。融雪期积雪深度的变化过程是一个复杂的非线性系统,传统的预测方法难以精确表述其变化规律。文中采用主成分分析法和RBF神经网络相结合的方法建立融雪期积雪深度模拟数学模型,首先采用主成分分析法对模拟因子进行降维处理,以减少各模拟因子之间的多重共线性,其次采用逼近能力、分类能力和学习速度均优于BP神经网络的径向基(RBF)神经网络建立模型进行融雪期积雪深度变化的模拟,并针对特定流域进行实例分析。结果表明:使用基于主成分分析的RBF神经网络对融雪期积雪深度的模拟是可行的,其模拟成果可为今后该地区积雪深度的预测提供一定的理论支持,并可为该地区进行融雪径流及洪水研究提供合理的预报建议。