基于改进BP神经网络的黑龙江农机总动力预测

BP神经网络在人工神经网络中起着至关重要的作用,通过分析标准BP神经网络的基本算法,指出标准BP算法的一些不足,并针对这些不足提出了以一种以相对误差作为误差传递信号的新的改进方法。经试验证明:该方法大大提高了BP神经网络预测结果的精度,同时这种新的改进思想也可以结合其他改进方法一起应用,以更大程度上地提高BP神经网络的运算速度和预测精度。     

BP神经网络最佳停止法对农机总动力的预测

在分析和研究了基于神经网络的农机总动力预测的基础上,指出了神经网络传统预测方法预测精度低的原因是神经网络训练阶段和预测阶段的矛盾性。通过一系列实验表明:随着拟合误差的逐渐减小,预测误差出现了先下降后上升的规律,即所谓的"过拟合"问题。为了解决这个问题,应用最佳停止法对农机总动力进行预测,该方法把样本集分成训练样本集、确认样本集及验证样本集3部分。在训练过程中监测训练样本集和确认样本集的误差,当确认样本集的误差连续20次不减小时,退出训练,返回最小确认样本集误差所对应的网络数据,并用验证样本集来检验最佳停止法的预测精度。实验数据表明:最佳停止法避免了网络出现的"过拟合"问题,有效提高了预测精度。最后,用这个训练好的网络模型预测了黑龙江省2015-2020年的农机总动力。     

有约束农业机械化贡献的一种测算方法

提出了一种基于增长速度方程的有约束农业机械化贡献率的测算方法。该方法首先构造了一个以增长速度方程误差绝对值之和最小为目标,以各种投入要素的产出弹性大于零为约束条件的优化模型。在此基础上,通过变量替换,将该模型转化为线性规划模型。由于线性规划模型不仅能够求得解析解,而且有现成的求解软件,因此便于问题的求解。该方法克服了现有文献给出的增长速度方程参数估计方法与生产实际不符的情况,即有时会出现投入要素的产出弹性为负的情况。