小波变换与神经网络混合应用于彩色图像压缩的研究

将RGB彩色图像分离为R、G、B分量图,使用小波变换将分量图分为不同分辨率的子图像,然后,分别用Huffman编码和改进的BP神经网络进行压缩处理,然后再重构,得到比较满意的结果。     

基于BP神经网络的洪水预测研究

以BP神经网络为基础,通过对神经网络的各个参数进行优化后建立洪水预报模型,并利用四川省达州市州河干流水文站所采集的水文数据进行仿真预报并和实测流量对比。研究表明,采用基于BP神经网络的洪水预测模型进行洪水预测的精度较高,是一种有效可靠的洪水预测方法。     

用BP神经网络预测地下水动态

地下水系统是一个复杂的随机系统，本文根据地下水位与其影响因素之间存在的映射关键，建立了一个BP人工神经网络模型，并将其用于地下水位的动态预测。实例表明，该方法预测精度较高，具有一定的推广价值。     

农产品价格预测系统设计与实现

根据农业价格指数构建了农产品价格数据仓库,充分利用长期积累的大量反映价格指标的历史和现在数据资源,并结合径向基函数(RBF)人工神经网络建模,揭示农产品价格与畜牧业、林业与渔业等相关因素价格的动态关系模型。结果表明该模型能够很好地预测以白菜为例的农产品价格,实现农产品区域供求平衡,并为政府和农户提供结构调整的依据。     

基于小波神经网络的麦蚜发生量预测研究

以1979—2014年麦蚜历年发生量及气象数据为基础,采用逐步回归法筛选出对麦蚜发生量影响最大的气象因子,以筛选出的气象因子和1979—2009年麦蚜发生量作为训练集建立了小波神经网络预报模型,用该模型对2010—2014年麦蚜发生量进行预测,结果显示,小波神经网络预报模型的预报结果较准确。     

基于BP神经网络的番茄干重预测研究

以番茄干重作为正交试验指标,研究温室内番茄生长的环境参数(温度、相对湿度、光照强度)对番茄干重的影响,建立BP神经网络模型,运用MATLAB对试验数据进行训练和模拟,为检验预测的可靠性,采用10-折交叉验证,准确率为95.32%。结果表明,利用BP神经网络得出预测值与实测值接近,具有较好的预测性,可用于干重的预测,能够为温室环境调控提供科学依据。     

基于BP神经网络的黑龙江垦区人才需求预测

首先分析了黑龙江垦区人才需求预测的方法,在此基础上提出了运用BP神经网络对其预测的可行性,通过BP神经网络方法的详细分析,得出了黑龙江垦区对人才的需求数,并结合实际情况进行了分析。     

BP神经网络在气象数据预测研究中的应用

BP(Back Propagation)网络是一种被广泛运用的神经网络.它的核心是BP算法,本文是在建立影响气象环境状态指标体系基础上,收集各指标在研究期内的有关数据,对数据进行整理分析并建立数据库,尝试利用基于BP算法的三层向前神经网络对气象数据进行预测.     

基于BP神经网络的桃林口水库水质预测

为掌握秦皇岛桃林口水库未来水质变化的状况,选取总磷(TP)、硝酸盐氮(NO_3-N)、亚硝酸盐氮(NO_2-N)、氨氮(NH_3-N)、高锰酸盐指数(COD_(Mn))、溶解氧(DO)和五日生化需氧量(BOD_5)7项指标2008—2015年8年的实测数据作为训练样本,建立BP神经网络模型对桃林口水库出库站2016、2017年7项水质指标进行预测,结果表明,该BP神经网络模型预测模拟训练后的模型预测效果良好,可以运用到桃林口水库水质指标的预测预警系统中。     

BP神经网络在需水预测中的应用

阐述BP神经网络的计算步骤及其改进方法。将BP神经网络模型应用到抚顺市需水预测的实例研究中,通过实例的结果来验证该方法的精度。实例证明该方法具有较大的研究潜力,需要进一步深入研究解决现有问题提高其实用性。     

基于BP神经网络的色板蚜虫诱捕量预测

检验水溶性黏着剂色板的蚜虫发生量预测预报潜能,了解其田间蚜虫诱捕量的影响因素.利用羧甲基纤维素钠和甘油为主要原料配制的水溶性胶黏着剂制作了3种颜色粘板,在露天菜地同一处地点进行了不同糖醋混合液含量、不同添加物有机硫估值以及水溶胶与机油2种黏着剂粘板的田间蚜虫诱捕测试.将测试结果作为BP神经网络模型的训练样本与预测样本进行建模分析.结果表明,黏合剂的极性、颜色、添加的引诱剂3个因素对蚜总科害虫田间诱捕量的影响权重较大,模型对预测样本的预测值与实际观测值基本吻合;黄色大型粘板诱捕蚜虫效果好,利用水溶胶粘板可以对田间蚜虫发生进行调查和预测预报.     

基于林业生态工程的农田小气候BP神经网络模型研究

利用北京市延庆县不同密度抚育后林分、林缘和农田在2010年4月、7月及10月的季节性小气候监测数据,构建了林缘—农田和林内—农田的立体水热空间的BP定量预测模型和MLR模型,拟达到定量评价林业生态工程生态效益、预测农田小气候进而服务林业生产的目的。结果表明：（1）对于集合小气候环境梯度CMG,林缘—农田的BP模型预测精度整体高于林内—农田的BP模型预测精度;（2）林缘—农田BP模型在整个生长季预测相关性均高于林内—农田的BP模型;林缘—农田的MLR模型仅10月较林内—农田的MLR模型预测有紧密的相关性,而4月和7月却相反。（3）林缘—农田的两种模型的季节预测精度均为7月>10月>4月;林内—农田的BP模型在生长初期中高密度林分Ⅱ的预测精度最高,在生长季中后期高密度林分Ⅰ的预测精度最高;而林内—农田的MLR模型在整个生长季均为中高密度林分Ⅱ的预测精度最高。（4）构建BP模型所需参数少,预测精度高,在样本数据量足够的情况下,有一定的外推能力。     

基于BP神经网络的塔里木河月流量预报研究

对水文历史数据采用规格化方法处理后用BP神经网络模拟训练,建立了神经网络预报模型,并应用实例验证神经网络模型,结果表明运用该神经网络模型预测具有可行性和实用性.月流量预报研究可为塔里木河流域水资源的合理利用以及水权目标管理提供科学依据.     

基于小波变换与神经网络的上倾管流型识别方法

为实现上倾管气液两相流流型的智能识别,提出了基于小波变换与概率神经网络的流型识别方法。采用中国石油大学(华东)室内小型环道试验装置进行气液两相流试验,采集上倾管流型以及相应的持液率信号。运用小波变换对持液率信号进行5级分解,并对分解后的信号提取标准差作为概率神经网络的输入参数,对试验中获得的分层流、气泡流、段塞流、严重段塞流流型进行识别。结果表明:该方法对4种流型的识别效果较好,其整体识别率为96.5%,其中分层流和严重段塞流的识别率高达98%。基于小波变换与概率神经网络的上倾管流型识别方法能够有效克服传统识别方法中主观因素的影响,不仅显著提高了流型识别的准确率,而且识别过程更加智能。(图5,表3,参22)     

基于神经网络的公路运输量预测模型及应用

以福建省公路旅客周转量和货物周转量的统计资料为基础,结合神经网络技术原理,应用BP神经网络方法建立3维输入、单输出、隐层单元数为15的3层神经网络模型,分别对福建省公路旅客周转量和货物周转量进行预测.结果表明,各月的旅客周转量和货物量预测值的最大相对误差的绝对值分别为0.4890%和0.4495%.该模型具有简便实用、预测精度高的优点.     

基于BP神经网络的水果分级研究

文章介绍了一种基于BP神经网络的水果分级方法。采用数字图像处理的方法对图像进行预处理,选择水果表面颜色的均值和方差来表示水果的颜色特征,采用一个与水果目标具有同样二阶矩的椭圆来近似表示水果的形状,简化了果形描述的复杂程度。通过RP算法训练,可以得到一个具有9个隐层神经元的BP神经网络结构参数。试验表明:采用该模型对水果等级进行分级,平均正确率为92.5%,分级一个水果的时间为10.3 ms。说明采用BP神经网络技术可实现对水果等级的自动判定,该方法具有正确率高、实时性好的特点。     

基于声学响应和BP神经网络检测鸡蛋裂纹

为了提高鸡蛋裂纹检测的准确性,建立了声学敲击检测鸡蛋裂纹的装置,采集和分析鸡蛋被敲击后的声音信号。提取了4个特征频率、偏斜度平均值和峰度平均值共6个特征参数,并作为神经网络的输入量,创建了基于MATLAB的结构为6-15-2的3层BP神经网络模型判别鸡蛋裂纹。检测结果显示:对蛋壳受各种程度破坏后的鸡蛋判别精度可达92%以上,对蛋壳完整的鸡蛋判别精度达到96%,对鸡蛋总体的判别精度可达94%。     

基于等效椭圆和BP神经网络的马铃薯形状分类研究

根据国家马铃薯分级标准的要求,提出了一种基于区域的等效椭圆和BP神经网络相结合的马铃薯形状分类方法.首先运用等效椭圆来提取一组特征参数R和C,然后将这些特征参数输入到已训练好的BP神经网络完成对马铃薯的形状分类.结果表明:该方法选用的特征参数少,能较为有效的描述马铃薯的形状,分级结果准确率达94.7%,与人工分级的一致...     

基于BP神经网络的水稻卷叶识别

[目的]对水稻卷叶进行分类识别,为研究水稻的抗旱性和实施自动化农业、精准农业提供技术支持.[方法]通过数字图像处理方法提取5个水稻特征数据,即水稻的周长面积比、水稻面积与水稻最小外接矩形的面积比、水稻的计盒维数、水稻面积与水稻凸包的面积比、水稻绿色部分面积占比;运用MATLAB构建BP神经网络,依据水稻特征数据对水稻卷叶进行分类识别.[结果]在提取的5个水稻特征数据中,有助于分类的特征包括水稻的周长与面积比、水稻面积与最小外接矩形面积比及水稻的绿色部分占比3个特征.在300组样本数据的分类中,总体样本分类正确率达96.47%,训练样本分类正确率达96.61%,验证样本分类正确率达96.17%,测试样本分类正确率达96.33%.因此,采用BP神经网络对水稻卷叶的识别程度高达90.00%以上,具有良好的分类效果.[建议]今后应对水稻卷叶的类别多分几类进行识别,还应将BP神经网络对水稻卷叶进行分类识别的过程实现自动化,并广泛应用于水稻的学术研究和现实生产.