基于遗传算法和BP神经网络的用水

为避免BP算法易陷入局部极小的缺陷，根据遗传算法具有全局寻优的特点，将二者结合起来形成GA-BP混合算法。以GA优化BP网络的初始权值和阈值，按负梯度方向修正网络权值及阈值，对网络进行训练。最后，用matlab编写GA-BP计算程序，以多组数据进行测试，并与纯BP算法进行分析比较，结果表明该方法可以有效、准确的应用于城市用水量预测。     

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。     

基于神经网络的农业灌溉量预测

以农业灌溉量为研究对象,将其看作灌区有效灌溉面积、年降雨量、粮食总产量的非线性函数,并利用神经网络和灰色预测等方法对其进行预测;在此基础上,再利用神经网络的非线性特征对灌区的灌溉供水量进行预测,并且对山东聊城彭楼灌区的数据进行了验证。结果表明:相对误差较小,预测精度达到了要求。     

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神经网络的辽宁省农机总动力预测

为解决农业兼业化、农村空心化和农民老龄化等问题,需要在提高农业机械化水平、农业生产效率、优化农业产业结构和降低农民劳动强度基础上,保证当地农业机械化发展水平符合当地实际需求。因此要求制订农业机械化发展规划所依据的预测数据具有较高的准确性。本文使用遗传算法优化后的BP神经网络以1997~2012年辽宁省农机总动力为时间序列预测模型进行预测。预测结果为:到2014年辽宁农机总动力将达到2.789x107kw,较1994年上涨189.7%,年平均增长5.56%。由预测结果可知,预测值与实际值最大误差2.877%,预测值与历史样本数据之间的绝对值平绝误差为1.124%。预测结果准确性较高,预测精度稳定性较好,为制订农业机械化发展规划提供理论基础和数据依据。     

基于BP神经网络的模型铲刀推土阻力预测模型

将BP神经网络应用于典型的曲面推土板-模型铲刀推土阻力的预测.在模型铲刀推土试验研究结果的基础上,以模型铲刀的切削角、前翻角和切削速度为输入,以模型铲刀推土阻力的水平分力与垂直分力为输出,建立了BP神经网络数值模拟模型.研究结果表明,该BP神经网络有效地预测了模型铲刀的推土阻力,其准确率在94%以上.     

基于L-M优化算法的喷头射程神经网络预测模型

喷头射程受较多因素影响,各因素之间相互作用,是一个复杂的非线性系统.神经网络能有效地描述非线性模型多输入和不确定的特征.采用Levengerg-Marquardt优化算法对神经网络进行了改进.对获得的数据进行训练,建立了喷头射程预测中喷嘴仰角、喷嘴直径和工作压力的映射网络模型,并模拟分析了喷头射程与其影响因素之间的变化规律.结果表明,用基于L-M算法的人工神经网络预测喷头射程时,不需要建立具体的模型,设计方便、运算迅速、仿真性强、精确度高.     

基于改进樽海鞘优化BP神经网络的土壤墒情预测

针对传统的土壤墒情预测方法精度较低、训练周期长的问题,本文对BP神经网络预测模型进行研究,提出一种改进樽海鞘算法优化BP神经网络的预测方法。首先,在标准樽海鞘群算法(Salp Swarm Algorithm, SSA)中引入变异算子增强种群的多样性,提高算法的全局探索能力;同时,采用动态权重调整策略增强局部开发性能,改善收敛速度,在位置更新过程中加入动态权重,进一步平衡全局探索和局部开发能力;其次,考虑到BP预测网络收敛精度低、易陷入局部最优等缺点,将改进樽海鞘算法引入到BP中形成ASSA-BP的预测模型算法,该算法缩短了训练时间、提高了预测精度。最后,将ASSA-BP与PSO-BP、BP不同预测模型进行对比,结果表明ASSA-BP的最优预测相对误差平均值3.37%,绝对误差平均值0.025 8,比BP模型预测误差有所下降。克服了BP预测模型收敛精度低、易陷入局部最优的缺点,具有更好的鲁棒性和预测精度。     

基于BP神经网络的车辆跟驰模型研究

课题组进行实际道路跟驰实验,利用GPS采集跟车驾驶行为数据。以GPS采集到的车辆行驶轨迹数据为基础,提取前车车速、相对距离、前车对后车的相对速度以及后车车速作为输入,后车下一时刻的车速作为输出,建立BP神经网络跟驰模型,并使用遗传算法（GA）对BP神经网络跟驰模型进行优化。结果表明,GA-BP神经网络模型与BP神经网络模型对比,GA-BP神经网络跟驰模型预测性能的各个评价指标都优于BP神经网络跟驰模型。     

基于BP神经网络的果蔬热导率预测模型

通过微热探针法测试装置研究了30个品种的果蔬热导率与可溶性固形物含量、含水率、密度和硬度等因素的变化关系,提出了一种基于BP神经网络的果蔬热导率预测模型,并根据误差比较分析进行了模型优化。结果表明,该优化网络模型具有较好的热导率预测效果,平均相对误差为1.11%,平均绝对误差为0.0057W/(m?K),可以用于果蔬贮藏加工业中果蔬热传递过程的计算。     

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.     

基于遗传神经网络的水田下陷量的预测

分析了遗传算法GA（Genetic Algorithm)和人工神经网络ANN（Artifical Neural Network)的主要内容和各自的优缺点，给出了将遗传算法和人工神经网络有机结合的遗传神经网络，并提出了一种新型的预测水田土壤下陷量的方法。结果表明，遗传神经网络作为预测的一种有效方法是可行的。     

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神经网络的大棚作物腾发量预测模型

在分析影响大棚作物腾发量的气象因子的基础上,以气象因子为输入向量,以大棚作物腾发量为输出向量,构建了气象资料不足情况下计算大棚作物腾发量的BP神经网络模型。利用鄂州节水灌溉实验基地逐日气象资料对所建模型进行反复训练和预测,并把预测结果与用传统的Penman Monteith公式计算而得的同期作物ET值相比较。BP神经网络模型的预测值与公式计算的ET值的相关系数为0．986。研究结果表明：构建的模型计算精度较高,方法简便可行,能满足实际生产需要。     

基于BP神经网络的农业机械化作业水平预测

我国农业机械化作业水平的发展变化具有增长性和波动性,对预测的方法要求较高。鉴于单一预测模型的局限性,在确定我国农业机械化作业水平各单一预测模型的基础上,建立了基于BP神经网络的农业机械化作业水平非线性组合预测模型,并对我国农业机械化作业水平进行预测。误差分析表明,该模型可以有效地提高农业机械化作业水平的预测精度,用该模型对我国2012-2020年农业机械化耕、播、收作业水平进行了预测。预测结果表明,在未来几年我国农业机械化作业水平将保持快速增长趋势,到2020年机耕、机播和机收作业水平分别为91.37%、66.77%和71.93%。     

深层灌水条件下基于BP人工神经网络方法的冬小麦根系分布预测模型

对冬小麦实施深层灌水是一种高效的节水灌溉方式,为了简化深层灌水条件下冬小麦根系研究工作,建立了以土层深度、发育时间、土层根系日均吸水量、土层日均温度、地上部干重、株高为输入因子,土层根系密度为输出因子的BP人工神经网络预测模型。研究结果表明:在所建立的预测模型下,训练样本各土层根系密度预测值与实测值之间平均相对误差为5.92%,检验样本的平均相对误差为7.30%,训练样本和检验样本都具有较高的精度,因此以该模型对深层灌水条件下冬小麦根系分布情况进行预测是可行的,可为深层灌水条件下冬小麦的根系研究提供新方法。     

BP神经网络与GA-BP农作物需水量预测模型对比

农作物需水量预测是制定合理灌溉制度的重要依据.针对BP神经网络的不足,利用遗传算法(GA)具有全局搜索能力强的特点,建立基于GA-BP神经网络的农作物需水量预测模型.以广州辣木农庄试验田农作物作为研究对象,结果表明:基于BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.037和0.648;GA-BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.013和0.882,GA-BP农作物需水量预测模型收敛速度、确定性系数和性能均优于BP农作物需水量预测模型.     

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。     

基于主成分分析与BP神经网络的参考作物腾发量预测

为解决采用神经网络模型预测参考作物腾发量研究中预测能力不足的问题.将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析.提取主成分,建立了基于主成分的三层BP神经网络模型.选取新疆昌吉市气象站2006年3-6月的日气象资料.采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模型作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与参考作物腾发量之间的关系,尤其时训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果.