基于GA-BP神经网络的甘蔗收获质量预测

甘蔗联合收割机收获质量对制糖工艺有极大影响,但测量难度大,难以直接获得.针对上述问题,以甘蔗联合收割机切割机构、行走机构、切段机构、风机机构的负载压力信号和转速信号为输入变量,以含杂率和损失率为输出变量,建立了一种GA-BP神经网络预测模型.GA-BP神经网络预测模型对甘蔗收获质量的预测结果平均MSE为0.0937,平...     

基于BP神经网络的乳制品质量预测研究

在乳制品加工生产中,产品生产质量是生产过程中的关键因素。为了实现产品生产质量的管理,引入了基于人工神经网络的预测方法,以实际生产过程中实验室检测数据以及仪表观测数据作为网络学习样本,通过训练网络模型并将训练后预测模型应用于乳制品企业实际生产,为产品质量分析提供了可靠的依据。     

甘蔗机械收获切割质量对宿根蔗产量的影响试验分析

<正>目前,广西甘蔗生产机械化程度低,甘蔗生产成本高,蔗糖产业缺乏市场竞争力。要解决这一问题,进一步降低甘蔗生产成本,就必须依靠机械作业,提高劳动生产率。甘蔗生产全程机械化包括耕整地、种植、中耕、植保、收获、装运等环节,而     

基于PSO—BP算法的农业机械数据预测分析研究

由于农村人口大量转移,我国农业产业发展迎来一个整合时期,这样就需要大量地使用农业机械替代需求的劳动力。为保证我国在制定农业机械发展的总体规划时具有良好的指导性,需对农业机械数量进行预测。为此提出基于PSO—BP的高精度预测算法,并考虑各种单一数据对综合数据的显著和非显著影响,分析我国1978~2013年期间的农业相关数据,进行PSO—BP预测算法仿真研究。仿真结果表明,多参数的加入对预测结果的精确度有显著的影响,且采用PSO—BP预测算法预测农机总动力的绝对误差仅为0.03%,预测精度比较高,说明该方法适用于本时间序列的预测问题。     

基于BP神经网络的农田灌溉量预测

农田灌溉量预测对水资源合理规划和优化配置具有重要意义。为此,以农田水分平衡公式为基础,导出灌溉量I与前各时期的降雨量pt-1、pt-2、pt-3灌溉面积S之间存在非线性关系,由此建立了农田灌溉量的BP神经网络预测模型。检验结果表明,灌溉量BP神经网络预测法精度约为94.5%。因而,以灌溉面积、前各时期降雨量为输入变量,结合BP神经网络技术来预测农田灌溉量,具有很好的应用前景。     

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BP神经网络的农业机械数量预测

为了提高农业机械化水平、农业生产效率和优化农业产业结构,保证在农业机械生产与实际需求的一致性,在制订农业机械化水平发展规划过程中需要对农业机械数量进行预测。为此,采用基于遗传算法的BP神经网络预测算法,对我国从1997-2013年期间以农机总动力、中大型拖拉机数量和小型拖拉机数量为内容的主要农业装备数量进行预测。预测结果表明,利用遗传算法与BP神经网络相结合的方法预测全国农业机械装备数量,农机总动力预测值与绝对值平均误差为1.080%、农用大中型拖拉机数量预测值与绝对值平均误差为1.352%、小型拖拉机数量预测值与绝对值平均误差为1.765%,预测精度稳定,该预测方法适用于本时间序列预测问题。     

基于BP神经网络的甘蔗收获机切割器振动性能研究

针对小型甘蔗收获机切割器不平衡对切割器轴向振动的影响,为实现切割器振动的有效预测以及自动控制信号的获取,通过正交试验并利用BP神经网络技术与回归分析构建出了切割器螺旋以及刀盘振动的BP神经网络模型和回归模型。分析结果表明:基于BP神经网络建立模型的切割器螺旋与刀盘的振动正确拟合率达到了88.89%,且相对误差基本上在5%以内,而回归模型的切割压力正确拟合率只有38.89%。因此,基于BP神经网络建立的模型具有较高的精度,通过此BP神经网络模型,有效地解决了复杂信息特征的提取问题,减少了试验研究的次数与成本,为进一步的切割器刀盘以及螺旋振动的自动控制系统的研发奠定了基础。     

基于改进的BP神经网络的水面蒸发预测

以往水面蒸发预测模型存在针对性不强、结构复杂的问题,同时指标筛选的过程存在很大的主观性,针对这些问题提出改进的BP神经网络模型。使用灰色关联法计算出各个预测因子与被预测因子的关联度,使用指标信息评价法根据算得的关联度确定最优预测因子组合,根据筛选出的预测因子,定出BP神经网络结构并以筛选出的预测因子为输入进行演算。预测结果合格率为70%。说明改进的BP神经网络模型适用性强。     

基于BP神经网络的Gardner模型参数预测

为了准确推求包气带土壤的持水性能和水分运动参数,以黄土高原区田间耕作层土壤水分特征曲线的试验资料为数据样本,建立了以易于通过试验手段获取的土壤基本理化参数为输入变量,以土壤水分特征曲线Gardner模型参数为输出变量的BP预测模型。所建立的预测模型对两参数预测值的平均相对误差在6%以下,在可接受的范围。研究结果表明:选取土壤体积质量、有机质量、黏粒量、粉粒量以及无机盐量等基本理化参数作为预报模型的输入因子是合理的,所建立的土壤水分特征曲线Gardner模型参数BP预报模型可靠。研究结果可为黄土高原区包气带土壤持水性能和水分运动参数的准确获取提供借鉴。     

基于BP神经网络的农机总动力预测

分析了BP神经网络用于预测时存在的不足,进而对基于BP神经网络的时间序列的预测问题进行了探讨.根据BP神经网络结构的特点,依据Z变换理论,提出了这一类预测问题可选用y=x作为传递函数,并分析指出了在BP神经网络中,以y=x作为传递函数与y=a+bx作为传递函数等价的结论,同时指出了网络结构应为两层网络.在此基础上,推导...     

基于BP神经网络的农业机械化水平预测

从使用神经网络模型对农业机械化水平的模拟结果来看,模型具有较高的精度,使用该模型对农机化水平进行预测,预测值和实测值也具有较好的线性拟合关系。为此,利用该模型对未来或当前的农机化水平进行了预测。该模型具有较高的精度,预测值和实测值也具有较好的线性拟合关系;但模型的泛化能力会受到数据采集条件制约。     

基于改进BP神经网络的离心泵性能预测

采用改进神经网络(贝叶斯正则化算法)对IB型单级离心泵水力模型的性能进行了预测,通过工程实践中得到的100组离心泵最优几何尺寸来训练网络,并用训练好的网络对需生产的水泵进行工况预测。结果显示,用改进神经网络来预测单级离心泵的性能,预测误差不超过6%。     

基于BP神经网络的河北省耕地生产力预测

鉴于BP网络在处理非线性复杂系统的优势,以河北省为研究对象,构建一个9-5-1结构的BP神经网络预测模型,将1987-2005年的相关数据作为模型的训练样本,以2006年的粮价政策、农资投入量和农民收入等数据作为网络的预测输入,对该年的河北省粮食单产进行预测。结果表明,BP神经网络预测结果与实际粮食单产的相对误差为0.86%,预测精度优于传统的多元回归统计模型。     

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BP神经网络的陈皮干燥含水率预测

为探索陈皮的热泵干燥特性，并实现热泵干燥过程中陈皮的含水率预测，研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、堆叠厚度(20、30、40mm)对陈皮干燥时间和干燥速率的影响。将干燥温度、干燥风速、堆叠厚度和干燥时间作为输入层，隐藏层个数为10,陈皮的干燥含水率为输出层，搭建一个BP神经网络预测模型。研究结果表明：干燥温度、干燥风速和堆叠厚度都是影响陈皮干燥含水率的重要因素，提高干燥温度、增加干燥风速和减少堆叠厚度能够提高陈皮的干燥速率，缩短干燥时间。基于陈皮热泵干燥特性构建结构为“4-10-1”的BP神经网络模型，含水率预测值与实测值之间的均方误差MSE为0.004 21,决定系数R²=0.997,模型运行稳定，含水率预测结果准确且快速，能够为陈皮干燥过程中的含水率在线预测提供科学依据。     

三江平原地下水位的预测——基于RPROP的BP神经网络方法

鉴于三江平原地下水位预测对该地区农林经济的重要性,详细介绍了RPROP的BP神经网络算法思想和数学模型;综合三江平原地下水位埋深的具体情况,建立了弹性BP神经网络地下水位埋深预测模型,而且以单口井为例做了具体的预测和分析.结果证明:使用该方法预测三江平原地下水位埋深值具有准确性和实效性,该理论和方法在地下水动态预测方面具有较好的应用前景.     

基于BP神经网络的苹果图像分割算法

针对目前苹果采摘机器人图像分割运算量大、耗时多等问题,通过分析选取3×3邻域像素色度值作为苹果图像的特征,选取40幅图像作为训练样本,以人工分割后的图像作为教师信号,采用BP算法对神经网络的权值进行训练.经过100次循环后,获得有效的网络权值,误差为0.001.结果表明,利用BP神经网络能够较好地实现苹果与背景的分离,后续操作中,经过腐蚀、膨胀等算法的进一步处理后,得到了更加理想的效果.     

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.     

基于小波方差分析的BP神经网络年径流预测

开展径流量的预测研究,将为水资源的优化配置提供科学的理论基础。以卡拉贝利水文站50年实测径流资料为例,利用Matlab软件对数据进行小波方差分析,分析不同时间尺度下的趋势性和周期性,为径流预测输入因子提供依据;再结合BP神经网络实现不同周期下的年径流的预测,结果表明,与未经小波方差分析的神经网络预测模型相比,精度高。