BP神经网络在日光温室湿度预测中的应用

在对冬季环境下典型北方日光温室环境因子实测数据进行分析的基础上,选择影响温室湿度的环境因子和管理情况作为神经网络的输入量,包括室外温度、室外湿度、室外光照、室内3点温度、室内光照、天窗、侧窗开闭等共10项,以温室内部5个点实测平均湿度为输出量。通过900组数据对构建好的BP神经网络进行训练,选取训练数据外的60组数据作为测试。结果表明,60组输出数据平均相对误差为3.234%,预测效果良好。     

基于RBF神经网络与BP神经网络的核桃作物需水量预测

采用RBF网络与BP网络的方法,利用MATLAB工具箱并结合气象资料中的相对湿度、平均气温和太阳日辐射量,建立了预测核桃作物需水量的神经网络预测模型.两种预测模型通过实例证实了预测的准确性,并且将这两种网络模型进行了比较分析.RBF神经网络预测作物需水量的绝对误差平均值为0.254 7 mm/d、相对误差平均值为5.47％,BP神经网络预测作物需水量的绝对误差平均值为0.320 6mm/d、相对误差平均值为6.97％,由此可见,RBF网络预测的精度比BP网络高.并且,通过程序记时显示RBF网络训练用时0.063 0 s,比BP网络训练所需的时间要短的多,因此RBF神经网络具有较好的实用价值,实现了精度与实用性的统一.     

基于神经网络的道路交通事故预测

道路交通事故预测是交通研究的一个重要课题,以我国交通安全状况为研究对象,依据我国道路交通事故的特点,利用神经网络具有自学习、自组织、自适应能力特征,运用神经网络的方法及我国多个年度道路交通事故统计数据,建立了道路交通事故神经网络宏观预测模型,预测精度符合道路交通事故预测的要求.     

BP神经网络最优组合预测方法及其应用

为了解决各种单一传统的预测方法中存在的问题，提出了一种BP神经网络最优组合的预测方法。将单一预测方法所得到的预测值作为BP神经网络的输入样本，相应历史数据的实际值作为样本的输出，经过样本训练达到期望精度，应用BP神经网络进行预测。通过对浙江省农机总动力需求预测，表明该方法比各种单一的预测方法都有更高的精度。     

基于粗糙集理论和BP神经网络的粮食产量预测方法

结合粗糙集理论和BP神经网络在信息处理方面的优势,建立了一个基于粗糙集理论和BP神经网络的系统模型,并在此基础上用于粮食产量预测。仿真结果表明,该模型较之传统的预测方法显著地提高了预测的速度和精度,在实际中有着良好的应用前景。     

基于BP神经网络的降雨量预测研究

使用2种方法,即用前5年降雨量来预测后1年的降雨量和用气象资料预测降雨量,应用BP神经网络对降雨量进行预测,试图找出应用BP神经网络预测降雨的最佳方法.通过对青海省10个气象站的降雨进行预测分析,得到结论如下:两种方法均适合于降雨预测,其被选择概率均等.     

基于神经网络的农业病虫害损失预测

鉴于农业病虫害经济损失的预测具有较强的复杂性和非线性特性,设计了一种新型的GRNN预测模型,对农业病虫害经济损失进行预测.该模型基于人工神经网络捕捉非线性变化独特的优越性,在神经网络技术和江苏省气象局提供的数据的基础上,利用MATLAB人工神经网络工具箱及GRNN广义回归神经网络建立预测模型,来提高农业病虫害经济损失预测的精度.预测结果表明,该方法建立的模型可以实现对病虫害经济损失的预测,且其预测精度较高.     

基于BP神经网络的农机拥有量预测技术

应用BP神经网络技术预测农业机械的社会拥有量，证实了农机拥有量系统的非线性混沌特征，提出了预测的“窗口”最优化方法和预测操作技术。并对今后5年的农机拥有量进行了预测。     

基于RBF神经网络的地下水动态预测

以内蒙古自治区巴彦淖尔市金泉工业园区为例,基于园区B248号长观井2001-2008年的地下水埋深资料,首先建立了地下水埋深RBF神经网络预测模型,而后对该模型的模拟结果作误差分析,并将相应值与BP网络模型进行对比。RBF神经网络模型和BP网络模型的最大相对误差分别为9.88%和19.67%,最大绝对误差分别为0.81和1.56,均方误差分别为0.19和0.98。显然,RBF神经网络具有较高的预测精度和较强的非线性映射能力。用上述训练好的RBF神经网络模型对研究区2009-2013年平水年条件下的地下水埋深进行预测,结果表明,研究区已出现地下水位持续下降的趋势。最后,根据地下水资源保护规划方案,在逐时段压缩地下水开采量10%的情况下,研究区2025年即可恢复到2001年的地下水水位值。     

基于Elman神经网络的温室环境因子预测方法

针对目前温室环境系统中,环境监测数据只能反映当前环境状况,无法预测温室环境变化趋势,导致温室环境控制效果差的问题,提出一种基于Elman神经网络的温室环境因子预测方法.以采集的温室内温度、湿度以及二氧化碳浓度的历史数据作为预测模型的输入,建立Elman神经网络预测模型,进而实现精确的温室环境因子变化预测.结果 表明,E...     

基于1D CNN-GRU的日光温室温度预测模型研究

准确预测日光温室温度是实现温室高效调控的关键,对作物生长发育具有重要意义,但因温度具有时序性、非线性及多耦合性等特征,难以实现连续、精准、长时化预测。提出了一种基于1D CNN-GRU(One dimensional convolutional neural networks-gated recurrent unit)的日光温室温度预测模型,通过温室内外监测平台获取内外环境因子,以斯皮尔曼相关系数获取相关性强特征,构造特征与时间步长的二维矩阵输入网络进行温度预测,模型在测试集上预测1～4 h后的决定系数为0.970～0.994,均方根误差为0.612～1.358℃,平均绝对误差为0.428～0.854℃,绝对值的最大绝对误差为0.856～1.959℃。并在不同清晰度指数K_T下进行验证,结果表明,模型在K_T≥0.5(晴)时预测效果最好,且在其他K_T下模型相对误差在10%以内,可以达到温室生产所需的预测精度要求,为日光温室精准高效控温提供了重要依据。     

基于SSA-LSTM的日光温室环境预测模型研究

构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO₂浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。     

基于BP-NN的温室膜下滴灌茄子蒸腾速率预测模型

通过田间试验,对温室膜下滴灌茄子冠层叶片蒸腾速率的变化规律进行了深入研究。通过分析温室内地面温度、相对湿度、植株冠层温度、气压、水面蒸发、太阳辐射等6个环境参数与茄子蒸腾速率的综合影响关系,确定了网络拓扑结构为6-9-1。并应用MATLAB软件,选择Levenberg-Marquardt(L-M)优化算法,建立了基于Back Propagation(BP)神经网络的温室膜下滴灌茄子蒸腾速率预测模型。经模型验证得出,BP神经网络模型预测值与蒸腾速率实测值间拟合效果较好,平均相对误差为0.029 8,达到预测精度要求。该研究成果对温室膜下滴灌作物需水规律及需水量研究具有较好的参考价值。     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。     

基于微信平台的温室环境监测与温度预测系统

温室数据采集系统多采用数据采集端通过上位机管理数据或上传至数据服务器的方式进行温室环境监测和管理,该方式网络结构相对复杂,功耗较大。为解决上述问题,本文采用物联网、云服务、微信平台结合的方式,设计开发了基于微信平台的温室环境监测与温度预测系统。系统采用数据采集端直接通过WiFi/GPRS联接互联网访问云服务器的方式进行数据交互,手机移动端通过微信公众号访问云服务器获取数据服务。温度预测模型采用差分时间序列模型,解决温度预测过程中季节周期性的影响。通过对系统数据分析证明：系统有效实现了数据采集端的轻量化与可移动性,不仅能够对数据进行有效管理,且温度监测相对误差低于4.96%,温度预测相对误差低于3%,预测结果具有较高的精度,能够满足日常生产的需要。     

基于模糊神经网络的温室控制系统

为了实现温室节能以及安全控制,针对温室环境的大滞后、多输入、多输出、非线性和难以建立数学模型等特点,提出用模糊神经网络进行温室温度控制的方法,采用神经网络在线调整训练模糊规则的控制方式,实现了温室内温度的模糊控制.利用该方法能提高温室控制系统的精确性、适应性和鲁棒性,有利于节能.结果表明,基于模糊神经网络的温室控制系统运行效果良好,控制过程响应快,无震荡,超调量小,稳态误差小,能满足使用要求.     

神经网络模糊PID算法在温室温度控制中的仿真研究

为了更好地实现对温室温度的控制,提出了温室温度控制的一种新的控制方法;通过仿真比较证明了此方法的有效性,并对其动静态特性、鲁棒性和抗干扰能力进行了探讨。结果表明,采用神经网络模糊PID算法的温室温度控制方法具有较好的动静态特性、鲁棒性和抗干扰能力。     

基于遗传算法的模糊神经网络温室温度控制器

为了创造适合作物生长的环境,针对温室系统的特点提出了一种新的基于遗传算法的模糊神经网络控制器,利用遗传算法训练模糊神经网络模型,并采用此模糊神经网络控制器控制温室温度系统.运用该方法对温室温度控制系统进行了Matlab 仿真,结果表明:采用遗传模糊神经控制器的系统,不但提高了阶跃响应的快速性,而且大大减少了超调量.     

基于CNN-GRU的菇房多点温湿度预测方法研究

有效获取温室出菇房的温湿度空间分布对于优化食用菌环境胁迫、病害预警、出菇房预调控至关重要,但传统的单点预测不能很好地满足菇房整体环境性能评估的需求。针对出菇房内温湿度时序性、非线性、空间分布差异性的特点,提出一种基于卷积神经网络(CNN)与门控循环单元神经网络(GRU)相结合的菇房多点温湿度预测方法。将温室室外历史气象数据、温室室内历史小气候环境数据、多点环境分布特征、通风信息和加湿信息多特征数据按照时间序列构造二维矩阵作为输入,采用CNN挖掘数据中蕴含的有效信息,提取反映温室环境数据相互联系的高维特征,将提取的特征向量构造为时间序列输入GRU网络进行多点温湿度预测。将该预测方法应用于北京市农林科学院的日光温室出菇房内多点温湿度预测,实验结果表明,该预测方法对于出菇房内各点温度RMSE平均值为0.211℃,MAE平均值为0.140℃,误差控制在±0.5℃范围内的平均比例为97.57%;对于出菇房内各点相对湿度RMSE平均值为2.731%,MAE平均值为1.713%,误差控制在±5%范围内的平均比例为92.62%;相比传统的BP神经网络、长短期记忆神经网络(LSTM)和门控循环单元神经网络(GRU),该预测方法具有更高的预测精度。     

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。