递归神经网络在降雨量预测中的应用研究

递归神经网络(RNN)模型近年来在许多任务上表现出了优良的性能。运用具有长短期记忆(LSTM)单元的递归神经网络构建模型和通过时间反向传播(BPTT)算法更新网络权重解决长期降雨量的预测问题,较好地解决了高维数、非线性和局部极小问题。选取了前馈神经网络模型(FNN)、小波神经网络(WNN)模型和整合移动平均自回归(ARIMA)模型3种模型进行验证比较。仿真结果表明,递归神经网络模型优于其他模型,训练结果与实际值接近,预测精度较高。预测结果为农业用水管理、合理制定灌溉制度提供了重要的科学依据。     

基于LSTM的温室番茄蒸腾量预测模型研究

作物蒸腾量是指导作物灌溉关键参数之一,实时获取作物蒸腾量,实现按需灌溉是节约用水的有效途径。然而,温室内小气候效应显著,作物蒸腾与环境因子间关系较为复杂,且各环境因子之间相互关联并呈非线性变化。本文以番茄作为研究对象,使用称量法测量作物实时蒸腾量,通过布设传感器实时获取温室小气候数据,包括空气温度(Air temperature, AT)、相对湿度(Relative humidity, RH)、光照强度(Light intensity, LI)作为模型的小气候环境输入,冠层相对叶面积指数(Relative leaf area index,RLAI)作为模型的作物生长输入,在此基础上,提出了基于长短期记忆网络(Long short term memory, LSTM)的番茄蒸腾量预测模型。利用该模型对番茄蒸腾量进行预测,并与非线性自回归(Nonlinear autoregressive with exogeneous inputs, NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network, RNN)模型进行了对比。试验结果表明,LSTM预测模型决定系数(Determination coefficient, R2)与平均绝对误差(Mean absolute error, MAE)分别为0.9925和4.53g,与NARX神经网络、Elman神经网络、RNN方法进行对比,其决定系数分别提高了8.97%、1.18%和0.82%,其平均绝对误差分别降低了8.16、6.23、0.52g。本研究所提的预测模型具有较高的预测精度及泛化性能,研究成果可为温室作物需水规律及需水量研究提供参考。     

基于多模型融合策略的温室番茄光合速率预测方法

温室番茄光合速率的准确预测对于番茄的生长和产量评估具有重要意义。然而,由于温室环境的复杂性和多变性,传统的光合速率预测模型往往难以满足精准预测的需求。因此,为了进一步提高预测模型的准确性和稳定性,本研究提出了一种基于多模型融合策略的温室番茄光合速率预测方法。首先,采集温湿度、光照强度、CO2浓度不同组合下的番茄光合速率,构建样本集,并采用五折交叉验证法（Cross-Validation）对数据进行预处理。以预处理的数据为基础,分别基于粒子群优化支持向量机（PSO-SVR）、布谷鸟优化极限学习机（CS-ELM）和北方苍鹰优化高斯过程回归（NGO-GPR）算法建立番茄光合速率预测模型对光合速率进行初步预测,然后采用Stacking算法通过基于决策树的集成学习模型（XGBoost）组合各基础模型的预测结果,进而实现多模型融合。仿真分析结果表明,与单一预测模型相比,基于多模型融合的光合速率预测模型充分发挥了各基础模型的优势,可以进一步提高光合速率预测的准确性和稳定性,该模型验证集MAE为0.5697μmol/（m2·s）,RMSE为0.7214μmol/（m2·s）。因此,本文提出的方法在温室作物光合速率预测方面具有一定的优势,可为温室番茄等作物光环境优化调控提供一定的理论基础和技术支撑。     

基于SSA-ELM的锂离子电池寿命预测

锂离子电池的性能在循环充放电、环境温度变化、自身材料老化等情况下会不断退化,严重影响电池正常可靠运行。为了提高锂离子电池寿命预测的精准度,提出了一种基于麻雀搜索算法优化极限学习机的锂离子电池寿命预测模型。选用麻雀搜索算法SSA优化ELM的权值和阈值,既减小了由于ELM随机产生权值和阈值导致预测结果不准确和回归模型不稳定等缺点,又改善了全局搜索能力。实验采用NASA锂离子电池数据集,用均方根误差RMSE和相关指数R²作为评价标准,对所提模型(SSA-ELM预测模型)、BP神经网络模型和ELM模型的预测结果进行对比分析。实验结果表明,相比于传统神经网络模型,SSA-ELM算法泛化性能更好,预测精度更加准确可靠。     

基于基质含水率的作物蒸腾量估算与预测模型研究

作物蒸腾作用是基质水分传输的主要驱动力,建立了基于基质含水率变化量的温室番茄作物蒸腾量估算模型和预测模型,并进行对比分析。使用校准后的EC5基质含水率传感器,记录第1次灌溉后与第2次灌溉前基质实时含水率变化量,使用称量法测量作物实时蒸腾量。通过基质含水率变化量与基质栽培槽体积的多元线性回归运算,建立番茄单株日蒸腾量估算模型;将基质含水率变化量、空气温度、空气湿度和光照强度作为输入,利用GABP神经网络算法,建立番茄单株日蒸腾量预测模型。将试验所得温室作物日蒸腾量估算模型和预测模型分别与温室作物实际日蒸腾量进行线性回归分析,结果表明,基于基质含水率变化量建立的估算模型在苗期、花期的预测精度分别为0. 972 9、0. 979 6,预测模型的预测精度分别为0. 991 5、0. 989 0,两者之间差异不大,但估算模型运算速度远高于预测模型的运算速度,估算模型对于温室灌溉管理具有推广应用价值。     

基于神经网络算法的果树需水预测研究

【目的】准确预测果树需水量。【方法】对采集地果园环境数据进行主成分分析,筛选出影响果树蒸腾量的关键因子。建立以长短时记忆(LSTM)神经网络为基础的预测模型来预测果树蒸腾量。为提高预测的精度,在LSTM神经网络的基础上加入了注意力(Attention)机制,形成Attention-LSTM预测模型。【结果】将改进的模型与其他模型的预测精度进行对比,仿真试验表明,该模型的预测精度最高,RMSE和MSE分别为0.487和0.062。【结论】该预测模型可以准确预测果树蒸腾量,从而实现果园精准灌溉并提高水果产量,具有一定的实际意义。     

基于 NARX 神经网络的农产品价格时间序列预测方法研究

针对传统时间序列预测方法在非线性时间序列预测上的不足,引入了非线性有源自回归神经网络（ NARX ）,建立了基于非线性有源自回归神经网络农产品价格时间序列预测模型。该模型利用核函数对农产品价格时间序列进行数据变换;再用统计分析方法对模型性能进行评价、分析,进而对模型性能进行优化。实验结果表明：非线性有源自回归神经网络较传统时间序列预测模型,对非线性时间序列预测有更好的适应性和更高的预测精度。     

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%。     

基于小波支持向量机特征分类的日径流组合预测——以宜昌三峡水库为例

河流径流预测作为水库调度和发电的重要前提,其预测精度直接影响水利工程的综合效益。基于径流历史数据,针对其波动和随机性提出一种小波分析-支持向量机(SVM)特征分类组合预测模型。该模型首先利用小波分解提取原始径流序列的高低频能量谱作为SVM样本标记,并对原始序列进行特征分类,分为"平稳型"和"突变型"序列,对应不同类型序列的小波近似信号和细节信号分别采用自回归和滑动平均模型(ARMA)和BP神经网络模型进行预测,再重构各序列预测结果。最后采用平均绝对百分比误差(MAPE)、均方根误差(RMSE)、希尔不等式系数(TIC)作为模型评价指标。结果表明:在3个评价指标下,所提模型都优于ARMA和BP神经网络模型,并具有更好预测稳定性。     

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.     

南方地区冬小麦白粉病预测模型的研究

由于南方地区冬小麦白粉病的预测是一项多因素的复杂工程,因而针对传统预测方法的不足,提出了一种基于灰色系统GM(1,1)理论和BP神经网络相结合的预测模型。灰色系统GM(1,1)模型理论建模方法简单,计算量小,而BP算法特别适合于对GM(1,1)模型进行残差修正,利用两者的结合可以建立较高精度的预测模型。利用该模型对南方某地区冬小麦白粉病进行了预测,结果表明,该模型准确有效,适用于该地区的冬小麦白粉病的预测。     

基于GA-LSTM的酿酒葡萄霜霉病预测方法研究

随着我国贺兰山东麓地区葡萄园的大量兴建和大规模引种,各个葡萄园内出现了以霜霉病为典型的严重的病虫害问题。针对目前酿酒葡萄霜霉病精确预测手段缺乏的问题,提出一种基于遗传算法改进长期和短期记忆神经网络的预测模型。将遗传算法(GA)加入长短期记忆神经网络(LSTM)预测模型的参数调节环节中,通过优化算法代替人工手动调参在超参数搜索空间中不断迭代得到最优超参数组合最终确定模型。再建立基于霜霉病—气象时序数据的手动调参LSTM模型和BP神经网络模型,将三种模型在测试集上进行对比试验。GA-LSTM模型的预测结果均方根误差、均方误差、平均绝对误差分别为0.410 3、0.168 4、0.245 0,均小于LSTM模型和BP神经网络模型。预测结果表明LSTM在时间序列问题的应用中预测性能优于BP神经网络模型,使用遗传算法对LSTM模型的超参数选择环节进行优化,最终得到的超参数组合优于手动调参的LSTM模型得到的超参数组合。     

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。     

基于RBF神经网络的种猪体重预测

针对猪体生长参数之间具有一定的自相关性、部分参数与体重间呈非线性关系、通过线性回归模型预测猪体体重存在着自变量间共线性及拟合优度较低等问题,以52头长白母猪的生长参数为基础,通过最近邻聚类算法,构建了基于RBF神经网络的种猪体重预测模型。通过线性回归检验法对种猪体重预测值与实测值进行分析,发现基于RBF神经网络的长白种猪体重预测模型的拟合优度R2为0.998,而线性回归模型的R2为0.891。结果表明：通过RBF神经网络方法建模,消除了线性回归分析中自变量的共线性问题,预测效果优于线性回归模型。     

基于优化BP神经网络的新能源汽车锂电池SOH预测模型研究

基于优化后的反向传播神经网络，提出了一种新能源汽车锂电池SOH(状态健康)预测模型。该模型利用历史电池数据和当前电池参数作为输入，预测电池的SOH。为了优化模型性能，使用遗传算法对模型进行训练和优化，提高了预测精度和鲁棒性。试验结果表明，该模型能够在不同工况下准确预测锂电池的SOH,并且相对于传统方法具有更好的性能。基于优化BP神经网络的SOH预测模型具有广泛的应用前景，可以为新能源汽车锂电池的健康管理提供有力的支持。     

基于广义回归神经网络的广西农业机械需求预测

提出了一种基于广义回归神经网络的农业机械需求预测模型。该模型以GRNN神经网络为基础,运用循环测试法,结合k折交叉验证进行了参数寻优和网络训练,能在历史数据样本较少的情况下获得满意的预测精度。同时,引用广西1995-2010年农机总动力以及相关影响因素的数据进行测试,验证了模型的有效性。     

吉林省农村居民消费需求的组合预测研究

农村居民消费是制约农村经济快速、可持续增长的重要原因,对吉林省农村居民的消费需求进行准确可靠的预测,可以为吉林农民的消费行为提供理论依据,为政府预测新的经济前景、制定新政策提供重要参考。为此,分别利用回归分析模型、灰色预测GM(1,1)模型以及神经网络模型3种单模型对吉林省的农村居民消费需求进行了预测,并根据标准差法算出3个单项模型的权重,最后构建组合预测模型对吉林省农村居民消费趋势进行实证研究。     

基于GA-BP神经网络的果园需水量预测

为解决果园需水量预测精度低、鲁棒性差等问题,提出了遗传算法(GA)优化BP神经网络的果园需水量预测模型.选取空气温度、土壤含水率、光照强度3个主要环境因子作为BP神经网络的输入量,利用遗传算法的全局搜索能力优化神经网络权值和阈值,建立GA-BP神经网络模型预测果园需水量.仿真结果表明:GA-BP预测模型的预测值比BP模型更加趋近期望需水量,模型评价指标平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE),均优于单一BP神经网络模型.与传统的BP神经网络算法相比,GA-BP神经网络模型能较好的表达果园需水量与主要环境因子的非线性关系,具有较高的预测精度和适应性.     

基于EMD-LSTM的猪舍氨气浓度预测研究

为提高猪舍氨气浓度预测的精度和效率,提出了基于经验模态分解和长短时记忆神经网络(EMD-LSTM)的猪舍氨气浓度预测模型。首先,将猪舍氨气浓度时间序列数据进行经验模态分解,得到不同时间尺度下的固有模态分量(IMF);然后,对IMF建立LSTM氨气浓度预测模型;最后,将各分量的预测结果相加求和作为猪舍氨气浓度的最终预测值。将本文提出的预测模型应用于江苏省宜兴市实验基地某养猪场的氨气浓度预测中,并与Elman模型、循环神经网络(RNN)模型、LSTM模型和EMD-LSTM模型进行了对比实验,结果表明,基于EMD-LSTM模型的预测精度较高,预测结果与真实值相比较,平均绝对误差、平均绝对百分误差和均方根误差为0. 072 3 mg/m~3、0. 6257%和0. 094 5 mg/m~3。     

基于模型预测控制的菇房空调节能控制方法

当前工厂化食用菌生产菇房空调控制方法存在节能效率低、室内温度波动大等问题,提出了一种基于卷积神经网络(Convolutional neural network, CNN)、门控循环单元神经网络(Gated recurrent unit neural network, GRU)与注意力机制(Attention)的菇房空调节能控制方法。该方法以CNN-GRU-Attention组合神经网络为预测模型,结合预测误差补偿和预测模型数据集动态更新机制,实现对菇房室内温度精准预测;建立以空调控制量为状态量的目标函数,分别利用熵权法、主观法明确目标函数权重系数,运用带精英策略的快速非支配排序遗传算法(Non-dominated sorting genetic algorithmⅡ, NSGA-Ⅱ)求解出空调在控制时域内最优控制序列,集成滚动优化和反馈机制,实现菇房环境的精准及节能控制。试验结果表明,提出的CNN-GRU-Attention菇房室内温度预测模型,以历史30 min数据预测未来10 min室内温度效果最好,选取的典型日内预测最大均方根误差为0.122℃、最小决定系数为0.807、最大平均...