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。     

我国农业机械化作业水平的组合预测模型对比研究

为探究不同组合模型对我国农业机械化作业水平预测的影响,以我国农业机械化作业水平时间序列为研究对象,以2001-2012年历史数据作为训练样本,分别选择指数曲线法、三次指数平滑法及灰色预测法构建单项预测模型,并基于单项模型的预测结果,选择误差平方和最小法、Shapley法和IOWGA法构建组合预测模型,对2013-2015年农业机械化作业水平进行预测。预测结果的对比分析表明:组合模型的预测精度从高到低分别为IOWGA组合模型、基于误差平方和最小法组合模型及Shapley组合模型。IOWGA组合预测模型充分汇集了各单项预测模型中的有效信息,且根据预测精度的大小赋予不同的权值,具备更好的预测效果和稳定性,相对误差可控制在1%,可用于我国农业机械化作业水平预测。     

基于遗传神经网络的农业机械化水平测评研究

提出了一种基于遗传神经网络的农业机械化水平测评模型。该模型首先用遗传算法来优化BP神经网络的权值和阈值,在此基础上对BP神经网络进行训练。网络最终测评结果较BP神经网络更有效、更准确。实例证明该神经网络测评模型收敛速度快、预测精度高,为农业机械化水平测评提供了更实用快捷的方法。     

浙江省农业机械化作业水平的统计分析

掌握和分析农业机械化作业情况是编制农业机械化发展规划,研究农业机械化发展等农机管理工作的基础。由于受农机化统计资料的限制,目前在考察农机化发展水平时,主要局限于计算或测算种植业的耕、种、收综合机械化水平。如何科学、准确地测算一个地区的农业机械化作业水平,对于各级领导了解农业机械化发展情况,     

基于GA-BP神经网络的农业机械化综合水平预测模型

根据1986-2013年我国农业机械化综合水平的统计数据,建立了基于GA-BP神经网络的农业机械化综合水平预测模型。通过对1992-2011年农业机械化综合水平实际值与训练输出值的对比分析,表明该预测模型具有较好的拟合精度;采用该模型对2012年和2013年的农业机械化综合水平进行预测,进一步验证了模型的可靠性。运用该预测模型对2014-2018年的农业机械化综合水平进行预测,结果表明:在2014年我国农业机械化综合水平为61.97%,与我国农业部公布的2014年农业机械化综合水平将超过61%基本相符,2018年我国农业机械化综合水平将达到70%左右。     

浅谈影响我国现阶段农业机械化作业水平的五大因素

农业机械化作业水平是衡量农业现代化发展速度的重要标志之一.目前我国农业机械化作业水平比较低,与发达国家相比还有很大差距.究其原因,我认为有5大因素在影响着我国现阶段农业机械化作业水平的提高.     

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。     

浙江省农业机械化作业水平的统计分析

掌握和分析农业机械化作业情况是编制农业机械化发展规划,研究农业机械化发展等农机管理工作的基础。由于受农机化统计资料的限制,目前在考察农机化发展水平时,主要局限于计算或测算种植业的耕、种、收综     

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

基于灰色理论与BP神经网络组合模型的中长期负荷预测

灰色系统预测模型是中长期负荷预测的一种有效方法,但是,此模型存在未考虑经济因素对负荷发展的影响及难以满足高精度要求的缺陷,构建了考虑经济因素影响的灰色BP神经网络组合预测模型,通过灰色关联分析方法确定影响负荷的主要经济因子.主要经济因子的引入,使预测模型更符合实际、更合理.应用此组合模型对某省全社会用电量进行了中长期预测,结果表明,该模型具有更高的精度和更好的实用性.     

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。     

现代农业装备发展水平综合评价——基于BP神经网络

为综合评价现代农业装备发展水平,分别选取了9项一级、20项二级评价指标,运用BP神经网络法建立了各指标权重系数计算模型,得到了现代农业装备发展水平综合评价体系。作为评价体系的应用,基于新疆兵团2005-2012年度统计数据,评价了新疆兵团的现代农业装备发展水平,评价结果符合实际情况,表明本文指标设置恰当,指标权重计算模型正确,能够为现代农业装备的发展提供理论支撑。     

农业机械化发展水平的人工神经网络评价模型

根据农业机械化发展水平的评价标准，提出了生成足够多人工神经网络训练样本、检验样本和测试样本的新方法，给出了区分农业机械化发展水平不同程度的分界值，并提出了确定合理BP神经网络结构的原则。通过上述方法得到的神经网络模型具有更好的泛化能力，且不受网络初始权值的影响。运用训练后的神经网络评价模型对河南省1994年农业机械化发展水平的评价结果表明：与灰色-概率评估模型相比，本文建立的BP评价模型具有更好的客观性、通用性、实用性和容错性。     

灰色补偿BP神经网络预测农机总动力—以吉林省为例

农机总动力的预测研究对于农业机械的“供给侧”改革有着重要意义和研究价值,科学合理的预测结果对于职能部门的规划制定有着重要的指导意义。农机总动力数据具有时间序列性质,本研究应用灰色GM(1,1)模型对其进行有效的预测分析。为了提高预测的准确性,应用BP神经网络对灰色残差数据进行处理,补偿灰色预测结果,建立了相应的预测模型。实验表明:该模型对于吉林省农机总动力的预测科学有效,并对吉林省未来5年的农机总动力进行了预测,为相关政策制定提供了科学依据。     

基于BP神经网络的排种器充种性能预测

在分析丸粒化玉米种子精密排种器工作原理的基础上,运用Matlab神经网络工具箱建立了排种合格指数A的BP神经网络预测模型,选取排种轴转速n、型孔直径D和排种盘的锥角Ф作为试验因素进行排种性能试验,得到81组合格指数的试验结果。选取其中的60组进行样本训练,并对剩下的21组结果对训练好的网络进行预测,n,D,Ф为输入层,A为输出层,网络结构为3-11-1的3层网络。预测结果表明,预测值与试验值误差较小,为排种器的优化设计及参数的选择提供了依据。     

基于ANP的农业机械化水平评价指标权重优化

通过对层次分析法AHP和网络层次分析法ANP的比较和理论说明,引入网络层次分析法来改进农业机械化水平评价指标权重.分析结果表明:管理模式与农机作业协调程度权重提高了28.57%,农村劳动力平均受教育年数、农机工业的年技术进步速度和种植业劳动力占农村劳动力的比重等要素的权重也有所提高.