基于直连BP神经网络模型的森林火险预测

传统的BP神经网络模型(BPNN)用于森林火险预测存在预测精度低、泛化能力差等不足。选取温度、相对湿度、风速以及日降水量4个气象因子作为神经网络的输入,林火是否发生作为输出,提出一种改进的网络结构—直连BP神经网络(BPNN-DIOC)以构建森林火险预测模型。该结构在传统BP神经网络模型的基础上加入了从输入到输出的连接。为了探究该网络的有效性,根据输入层到输出层是否有连接,输出层是否有阈值,分别构建了4个不同的网络模型,并以森林火灾发生较少的太原市和森林火灾发生较频繁的桂林市为例进行验证。模拟结果表明,BPNN-DIOC模型的预测精度高于BPNN模型;它不仅能够适用于火险发生较频繁的地区,也能够很好的用于火险发生较少的地区,具有良好的通用性,而输出层是否有阈值对预测效果并没有明显的影响。     

利用神经网络预测木材径向导热系数

利用神经网络所具有的输入-输出之间的高度非线性映射关系,给出一种利用BP神经网络模型预测木材径向导热系数的方法.为了提高网络模型的泛化能力,采用规则化调整的方法.仿真结果表明:利用文中所提出的神经网络模型能够较准确、快速地预测木材径向导热系数的变化,其精度高于推导出的木材径向导热系数的理论公式.     

神经网络与主元分析在采矿工程中的应用

高质量的网络模型要求输入因素或输出因素之间尽可能不相关,以达到精度较高的预测模型的目的。建立了主成分分析法与神经网络结合的采矿方法优选模型,对神经网络的输入数据进行主成分分析。研究结果表明:该方法弥补了以往利用BP网络进行采矿方法优选过程中,由于输入数据相关使得输出数据精度下降的缺陷,使输入数据不相关,且减少了输入数据,消除了由于BP网络输入数据太多而影响数据处理速度的弊端,可使预测精度大大提高。     

毛竹导热系数非线性拟合的PSO-BP模型

应用粒子群优化算法(particle swarm optimization,PSO)训练多层前馈(back propagation,BP)神经网络,提出毛竹导热系数的PSO-BP模型,将神经网络的学习过程映射为粒子群体的迭代寻优过程,达到优化神经网络权值及阈值的目的。结果表明:毛竹导热系数PSO-BP模型在泛化性能、拟合精度、训练及验证误差等方面均优于标准BP网络模型。     

基于极端梯度提升的柴油发动机NOx瞬态排放预测

柴油发动机采用高压缩比提高了动力性和经济性,但也增加了NOx的排放量。准确预测柴油机NOx瞬时排放,有助于建立SCR尿素喷射电子控制系统,进而有效控制NOx的排放。将发动机的转速、负荷和车辆的行驶速度、燃油消耗作为输入,NOx瞬时排放量作为输出,采用极端梯度提升(XGBoost)算法对NOx排放进行了瞬时预测。结果发现:XGBoost模型能更好的预测柴油车瞬时NOx排放,决定系数(R~2)比随机森林(RF)、贝叶斯网络(bayes)、BP神经网络分别提高了10.98%,16.48%,8.79%,具有更高的预测精度。     

基于BP神经网络的泉州湾红树株高预测模型

在分析测量数据的基础上,提取红树的平均基径、基径数、平均胸径、胸径数等特征参数,建立了预测红树株高的人工神经网络模型。采用Levenberg-Marquardt优化算法改进了BP神经网络算法;采用训练好的BP神经网络模型对距堤坝25,50,75 m 3个采样点的株高进行预测,预测值和实测值的均方根误差分别为0.000 6,0.002 2,0.004 1,相关系数分别为0.99,0.95,0.94。结果表明利用BP神经网络对红树株高进行预测是可行的。     

基于IBRF神经网络的泥石流预测研究

介绍了泥石流爆发的各种影响因素和泥石流预测基本原理,为提高预测的准确性与快速性,将免疫骤类算法与径向基函数结合,建立了泥石流预测的IRBF神经网络模型,并与BP网络预测模型和常规RBF网络预测模型进行了对比模拟实验。实验表明IRBF神经网络具有更高的预测准确性和更短的训练时间,该方法用于泥石流预测有较高的应用价值。     

基于粒子群算法和BP神经网络的多因素林火等级预测模型

针对现有小尺度林火预测模型预测结果有效性、可扩展性等方面的不足,通过考虑多种火险因素,构建BP神经网络预测模型以提高预测精度,在此基础上借助粒子群算法加快BP神经网络收敛速度,进而提出一种混成的多因素森林火险等级预测模型particle swarm optimization based back-propagation neural network (PSO-BP)。所构建的预测模型,能够同时考虑气候因素(日最高气温、日平均气温、24 h降水量、连旱天数、日照时数、日平均相对湿度、日平均风速)、地形地貌因素(海拔、坡度、坡向、土壤含水量)、可燃物因素(植被类型、可燃物含水率、地被物载量)、人为因素(人口密度、距人类活动区域的距离) 16个变量。基于南京林业大学下蜀林场森林防火实验站传感器网络所采集的实际数据及现场测量数据,通过一组试验验证提出模型的有效性。结果表明:基于训练数据集及检验样本所构建的模型能够开展有效的火险等级预测;模型的计算复杂度较单独使用BP神经网络模型明显下降。     

基于BP神经网络的太白山生态旅游量预测研究

生态旅游需求预测受到许多不可预知因素的干扰,而且不稳定因素也很多,传统方法难以得到有效的预测结果。文章把BP神经网络应用在旅游需求预测中,通过介绍BP神经网络的原理和计算步骤,结合实例确定神经网络的结构,从而建立BP神经网络,最后预测了太白山自然保护区2011—2020年旅游人数,将利用该模型得到预测数据与实际数据做对比,表明该模型预测效果良好,并能保证网络良好的泛化能力。     

BP神经网络对超临界CO_2萃取油茶籽油过程的模拟

应用BP神经网络(BPNN)对超临界CO2萃取油茶籽油过程进行了模拟和预测。研究了神经网络的构建、训练以及学习算法和隐含层结构的优化,并用得到的神经网络对不同原料平均粒径(0.215～0.625 mm)、压力(30～35 MPa)、温度(35～50℃)、CO2流量(20～25 L/h)条件下的油茶籽油收率进行预测。结果表明:L-M算法是适宜的BP神经网络学习算法;具有5/8/1结构的BP神经网络的模拟性能最优;模型的预测值与实验结果吻合较好,大部分数据的相对误差小于3%,说明BP神经网络适用于超临界CO萃取油茶籽油过程的模拟。     

基于BP神经网络的松材线虫病防控采伐成本分析——以闽侯县为例

松材线虫(Bursaphelenchus xylophilus)引起的病害被称为松树中的"癌症"。通过对其发生区的采伐改造可以有效控制疫情扩散蔓延。常规的基于线性回归的采伐成本预测方法无法体现多个影响因素之间的非线性关系。本文在闽侯县通过实地调查等方法收集了11个采伐样地的采伐成本主要影响因子,并测算出各个采伐样地的实际采伐成本。在此基础上引入BP神经网络,以其中的9个采伐样地数据为样本训练和构建BP神经网络模型、2个采伐样地数据对BP神经网络模型进行预测精度验证。结果表明,采伐成本实际值和模型预测值的误差5%,预测精度较高。因此,采用该BP神经网络模型预测可实现对松材线虫病防控采伐成本的预估,为今后制定科学、经济和有效的松材线虫病防控措施提供参考依据。     

基于灰色神经网络的辽宁省生鲜物流需求预测

为准确预测生鲜产品物流需求量，提出了一种基于灰色GM(1,1)模型和BP神经网络的组合预测模型。首先构建了生鲜物流需求指标体系，然后分别利用传统灰色预测模型GM(1,1)和BP神经网络做单一预测，最后将2个模型进行加权做组合预测。选取辽宁省作为实例，通过MATLAB软件进行辽宁省生鲜产品的物流需求预测，结果表明：与2个单一的预测模型相比，灰色神经网络模型拥有更高的预测精度，因此选择组合预测模型对辽宁省未来5年生鲜产品需求量进行预测，为辽宁省生鲜物流管理的战略部署提供一定的参考。     

基于GMDH和BP的组合预测模型在工业产品销售收入中的应用

应用数据处理的GMDH自回归算法、AC算法，建立了基于GMDH的工业产品销售收入预测模型，并结合BP神经网络，最终建立了最优组合预测模型。通过对四川省2008年第2、3、4季度的工业产品销售收入指标进行验证，得出本文的方法，不仅改善了模型对数据样本的拟舍精度，而且提高了模型的预测能力。     

短轮伐期杉木速生林林分直径分布神经网络模型初探

以短轮伐期杉木速生林标准地调查资料为基础,应用BP神经网络建立林分直径分布预测模型。其结果表明,人工神经网络是一种有效的林分直径分布拟合技术,基于BP神经网络的直径分布预测精度可达84％以上,株数累积频率预测精度则可达94％以上,符合生产经营要求,可为短轮伐期杉木工业原料林经营提供数据参考。     

基于PSO的发动机故障诊断算法与应用

为提高发动机的安全性,利用BP神经网络进行发动机故障诊断。BP神经网络隐含层节点数根据经验公式选择,并考虑训练方法的影响,通过比较每种方案的误差确定为最佳BP神经网络方案。由于BP神经网络存在诸多有待优化之处,选择粒子群算法优化BP神经网络,首先提取粒子群中相应参数作为网络的权值和阈值,然后设置网络进化参数,最后将从粒子群中提取的数值赋给神经网络,进行网络训练。利用发动机故障诊断台架对两种算法进行故障诊断测试,将结果与未优化的BP神经网络进行比较,结果显示,经过粒子群优化后的BP神经网络学习速度和诊断正确率均优于未优化的BP神经网络。     

基于BP神经网络的中国进口俄罗斯木材贸易额预测

采用灰色关联度分析法筛选对中国进口俄罗斯木材贸易额影响较大的5个因子,运用影响因子及木材贸易进口额构建BP神经网络模型,利用GM(1,1)模型预测影响因子值,将其代入训练好的BP网络模型中对中国进口俄罗斯木材贸易额进行预测。预测结果表明,中俄木材贸易仍具有良好的发展前景。     

基于共享经验模态分解的短期用电量预测研究

针对单特征用电量预测精度较低的问题，提出了一种基于CEEMD-BiLSTM神经网络预测模型，通过CEEMD(共享经验模态分解)算法将原始用电量序列分解为IMFS分量及残差余量，并分别利用BiLSTM(双向长短期记忆网络)模型对CEEMD得到的分量进行预测，通过相加得到预测值。试验结果表明：利用CEEMD-BiLSTM相较于EEMD(集合经验模态分解)-BiLstm、EMD(经验模态分解)-BiLSTM以及BiLSTM模型，预测精度均有了显著提高。     

用泛化改进的BP神经网络估测森林蓄积量

介绍主成分变换和经规则化调整法进行泛化改进的BP神经网络在森林蓄积量建模估测中的应用,比较普通BP神经网络与泛化改进的BP神经网络对蓄积量预报的差异,分析直接用中心标准化的观测值建立仿真模型和进行主成分变换后再建立模型的效率问题.结果表明:泛化改进的BP神经网络比普通BP神经网络具有更高的预报精度,利用主成分得分作为仿真模型的变量比直接用观测值作变量具有更快的速度,并保证了预报精度.     

基于红边参数与PCA的GA-BP神经网络估算叶绿素含量模型

利用便携式ASD野外光谱辐射仪对杉木冠层叶片光谱进行测定,同时以分光光度法对叶片叶绿素含量进行提取。样本经均值处理、平滑处理和微分处理后,进行红边参数提取。对11个红边参数以PCA方法进行降维,将得到的前7个主成分得分作为网络输入参数,叶绿素含量作为网络输出参数,以遗传算法(GA)优化网络初始权值阈值,建立隐含层神经元数分别为4,6,8,10,12和14的6种单隐层BP神经网络模型。以R2,RMSE和相对误差作为模型精度检验标准,结果表明:6种模型预测精度均可达到92.0%以上,其中隐含层神经元数为10时,预测精度最高,可达97.372%。说明此种模型可对杉木冠层叶片叶绿素含量进行高精度估算。     

基于BP神经网络的杉木和马尾松树高曲线模型研究

基于湖南省森林资源连续清查的杉木和马尾松实测数据,运用BP神经网络模型建立树高曲线模型,经过训练和优选,确定了最优模型结构为4∶6∶1。通过对比分析8个传统标准树高模型与神经网络模型的拟合效果。结果表明:BP神经网络模型的拟合效果和预测效果均优于传统树高曲线模型,可作为树高生长预测的一种有效技术手段。