用人工神经网络构建多形地位指数模型

以马尾松人工林132株优势木树干解析数据为训练样本,用145块标准地优势木平均高数据为检验样本,把林分年龄和地位指数或优势木平均高作为输入变量,将优势木平均高或地位指数作为输出变量,通过构建人工神经网络逆模型的途径,分别建立了多形地位指数曲线式和计算式模型。结果表明,多形地位指数曲线式的总体拟合精度为99.64％,总体预测精度达96％以上,比传统技术构建的多形地位指数模型能较真实地模拟各地位级的多形曲线;多形地位指数计算式的总体拟合精度为98.81％,用于计算地位指数,省去用迭代法计算地位指数的工作量。基于BP神经网络模型多形地位指数模型,对马尾松人工林地位指数测定提供指导作用,可为森林立地质量评价提供理论依据。     

灰色聚类法和人工神经网络在水质综合评价中的比较

探讨了两种水质综合评价方法：改进的灰色聚类法和人工神经网络法。通过采用增加训练样本和黄金分割的隐合层节点优化算法建立了人工神经网络模型,将两种水质综合评价方法进行了比较,结果表明：改进的灰色聚类法计算量较大,主观性较强,评价结果稳定。BP人工神经网络进行水质综合评价具有客观性,但网络训练较为繁琐,通过插值生成训练样本,极大地增强了网络的稳定性。但扩充后的训练样本,不能代表复杂的水质实况,使评价结果受到一定影响。     

生菜叶中磷含量的光谱定量分析

为快速、准确检测生菜叶内的磷含量,提出了应用光谱技术结合化学计量法无损检测生菜叶内磷含量的方法。通过获取不同施磷量下生菜叶片于波长350~2500nm处的反射光谱,对光谱数据进行5点平滑和一阶导数变换后,利用联合区间偏最小二乘算法（siPLS）提取了与生菜叶磷元素相关的4个特征波段,即950~1070nm, 1430~1549nm,1906~2025nm和2144~2263nm。进一步利用连续投影算法（SPA）对全光谱波段和4个特征波段进行特征波长提取,分别筛选出变量63个和25个。分别对4个特征波段、63个和25个特征波长进行主成分降〖JP2〗维,当主成分数分别为7、5和4时,隐含层神经元数分别为7、5和3时,建立了siPLS+BPANN,SPA+BPANN,siPLS+〖JP〗SPA+BPANN生菜叶磷含量检测模型。研究结果表明：siPLS+SPA+BPANN模型的预测结果优于其他模型,验证集相关系数为0.911,验证均方根误差为479mg/kg。     

基于BP神经网络人均猪肉需求量预测

近年来,由于猪肉安全事故和供求关系等因素的影响,导致猪肉市场价格波动大,养猪业难以持续稳定发展。科学预测猪肉需求量,对科学指导生猪生产和宏观调控猪肉市场价格意义重大。笔者根据历年数据,采用BP神经网络预测方法,实现在MATLAB中运行,通过对模型的多次训练,选择隐层神经元数目为6个,达到了期望效果。预测结果表明,2012~2016年,我国人均猪肉需求量分别为34.10、38.12、38.66、40.28和40.60kg/a。     

基于异常数据处理改进的BP神经网络风速预测模型

由于不可再生能源逐渐耗尽,世界各地越来越多的关注风能开发和利用,近年来,风力发电的发展非常迅速,风力发电机装机容量的年平均增长率超过30%,风力发电成为21世纪最有前途的绿色能源。此外,中国的风力发电装机容量增长年率为100%。因此,准确预测风速,是一个重要的工作。在本文中,一种用于风速预测的改进的BP神经网络被提出,并且经过数值模拟,取得了高精度的结果。     

啤酒的酒精含量测定的研究进展

对啤酒的酒精含量检测技术的应用研究进展作一综述。内容包括非蒸馏法、基于BP神经网络、偏最小二乘法、气相色谱法及正交信号校正(OSC)在啤酒酒精度近红外光谱分析中的应用,对各种方法的实验结果做了分析,对进一步研究啤酒酒精度测定方法的发展有很大的参考价值。     

土壤硝态氮含量原位检测系统设计

针对现阶段土壤硝态氮测量成本较高、无法长期原位测量等问题,该研究提出了一种使用钛烧结滤芯收集土壤溶液,通过近红外光谱法检测土壤溶液中的硝酸根浓度进而得到土壤中硝态氮含量的方法,并设计了相应的检测装置。通过试验对比陶土头与钛烧结滤芯在不同土壤条件下的土壤溶液收集效果,选用钛烧结滤芯作为土壤溶液采集器收集土壤溶液,以近红外LED作为测量光源,采集人工配置土壤溶液的光谱数据,利用BP神经网络进行预训练建立硝态氮含量预测模型。建立的硝态氮含量预测模型其训练集皮尔逊相关系数、测试集皮尔逊相关系数、预测均方根误差分别达到0.997、0.995、3.43。实地测量土壤溶液并与硝酸根离子电极以及土壤养分速测仪进行对比,最大相对偏差为5.9%,可满足实际测量准确性要求。该套检测设备在深度为10～40 cm、含水率为15%以上的土壤中有较好的土壤溶液采集效果;检测装置的长期测量标准差为0.006,动态响应时间为1.4 s,具有良好的特性。试验结果表明,使用溶液吸光度数据建立的硝态氮预测模型具有较好的预测效果,可以应用于土壤溶液硝态氮原位监测,为长期自动测量土壤硝态氮及水肥一体化系统的搭建提供了一种可行的方案。     

线性回归与BP神经网络方法的山东粮食产量预测比较研究

山东省是我国传统农业大省,粮食产量对我国粮食总产量的影响较大,因此对山东省粮食产量进行预测具有重大意义.分别利用多元线性回归方法和BP神经网络两种预测方法对山东粮食产量进行预测,并对两种方法的预测结果进行分析比较,实验证明,BP神经网络平均预测精度高于多元线性回归模型,且各期预测精度较多元线性回归模型更稳定,但随时间推移,误差增大,因此BP神经网络预测模型较适用于近期粮食产量预测.     

组合预测模型在黑龙江省农机总动力预测中的应用

农机总动力是反映和评价农业机械化水平的一个重要指标.通过对黑龙江省农机总动力历史数据进行分析,建立了指数模型、GM（1,1）模型和BP神经网络模型3种预测模型,其次,应用基于离异系数法、二次规划法、Shapley值权重分配法分别构建组合预测模型.拟合结果表明,各种组合预测模型优于各单一模型.最后应用基于Shapley值权重分配法对黑龙江省农机总动力进行组合预测,为制定农机动力发展规划提供了依据.     

基于模糊BP神经网络的苏南Y湖水质评价

以苏南Y湖水环境为研究对象,运用模糊神经网络进行水质评价,根据评价结果进行该湖不同水域的水质比较.结果表明：该湖水体溶解氧和化学需氧量在5种不同水域具有显著性差异,两者均以中湖、东湖和湖内围网区为最高,上游河流最低;而水体氨氮、总氮和总磷含量在各水域均没有显著性差异.建立以上述5个水质指标为输入变量、包含3个神经元的隐含层和1个水质类别输出结果所组成的BP人工神经网络,经学习训练后,其可掌握水质类别特征,具备完全正确识别样本的能力.从BP网络输出结果和模糊BP神经网络计算结果可知,该湖各水域水质处于Ⅳ和V类之间,总体来说西湖的水质最好,上游河流次之,其次为湖内围网区和东湖,湖中最差.相比BP网络输出结果,模糊BP神经网络计算结果可以更简单明了地表示该湖各水域水质接近于某类标准水质的程度.