小波神经网络在降水量预测中的应用研究

根据吉林西部的自然条件,运用小波神经网络方法,分别对乾安、通榆、扶余三个地区1957-2010年的月降水量资料进行分析,利用多组输入输出数据对模型进行训练,最终分别确定上述三地区任35a的相应降水量值与之后10a每年月降水量最大值、最小值及平均值之间的映射关系,并预测这三个地区2011-2020年的降水量值。与前人利用一组输入输出数据对模型进行训练不同,本文利用多组输入输出样本对模型进行训练。使模型更可靠,更贴近实际,进一步提高了模型的精确性。结果表明:采用小波神经网络方法对降水量进行预测,方法可行、精度较高、结果可靠;上述三地区2011-2020年平均降水量较1957-2010年平均降水量偏少,处于降水量变化周期的枯水期。降水量预测可为当地的防洪、抗旱工作提供依据。     

基于RBF神经网络马尔可夫模型的降水量预测

降水量预测是制定抗旱防涝对策的重要依据,其预测方法是科学准确预测降水的重要手段.为提高降水量预测的精确度,应用RBF神经网络与马尔可夫相结合,建立R-M降水量预测模型,介绍了它的基本原理及算法,并给出了该模型建立的具体过程,最后将该模型应用于降水量预测工作中,实例验证结果令人满意.     

基于混沌理论的降水量预测方法研究

【目的】得到精确度较高的月降水量预测值。【方法】首先利用C-C关联积分法来确定波密站月降水量非线性系统的时间延迟τ和嵌入维数m,再对月降水量时间序列进行相空间重构,并利用小数据量法求取Lyapunov指数来判断月降水量时间序列的混沌特征,然后构建Volterra模型分别进行短期5a和长期15a降水量预测,将其预测小波预测模型和SVR预测模型的预测值对比,最后对Volterra短期预测模型进行叠加预测误差分析和模型推广分析。【结果】Volterra模型对混沌特征明显的月降水量进行短期预测时,其MAPE和EC分别为4.04%和0.941,相比小波和SVR模型来说具有较高的预测精度,同时叠加预测误差较小,其MAPE为7.657%,EC为0.894;而在长期预测时,该模型预测精度不如SVR模型;同时Volterra模型对混沌特征弱的月降水量进行短期预测时,其模型预测效果并不理想,MAPE为54.855%,EC仅为0.566。【结论】该方法能提供精确度较高的降水量预测值,为降水量的预测提供一种新的方法。     

基于小波分析的双城市降水量变化分析及预测

分析不同取样周期下生成的小波图像,对图中显示的与降水周期有关的信息加以分析,并预测未来几年降水量的丰枯情况。先用已有数据进行验证性试验,结果周期为8年时准确性达到75%,周期为3年时准确性达到100%。根据双城市1952-2006年降水数据,利用小波模型分析降水周期变化规律,并对未来7年的降水情况进行预测,整体降水量偏低,只有2009、2012和2013年高于491mm。     

基于粒子群优化小波神经网络模型的春玉米生育阶段干旱预测

[目的]为更好地开展区域性作物生长季气候干旱预测,指导春玉米高效节水补灌生产.[方法]采用皮尔逊相关系数方法选取了与干旱指数最相关的因子,利用阜新市阜蒙县1965—2019年逐日气象数据,探索建立了粒子群算法优化的小波神经网络模型(PSO-WNN),将春玉米不同生育阶段的水分亏缺指数结果进行对比验证模型精度,并利用模型...     

小波神经网络在电力系统月度负荷预测中的应用

在研究了电力月负荷特性的基础上提出了一种新型的月度负荷预测模型--小波神经网络负荷预测模型.该模型以非线性小波基为神经元函数,通过伸缩因子和平移因子计算小波基函数合成的小渡网络,以横向和纵向历史负荷数据作为输入神经元,采用基于BP(back pmpagation)算法的网络自调整算法,同时还采取自判断调整步长的方法,使得跨过局部极小点的同时还加快了收敛速度.该网络不但能达到全局最优的逼近效果,还能有效地克服了人工神经元网络学习速度慢、难以合理确定网络结构、存在局部极小点的固有缺陷.应用该模型预测我国某地区月负荷,结果表明,该模型预报精度高,自适应性好,收敛速度也明显快于单纯的神经网络.     

基于小波神经网络的旋耕装置机械故障诊断研究

首先,介绍了小波变换原理及其在故障检测中的优势;然后,采用三层小波神经网络模型,构造了旋耕装置机械故障诊断模型;最后,从建立旋耕装置故障特征、提取故障特征向量,以及建立和训练小波神经网络模型等方面,实现了基于小波神经网络的旋耕装置机械故障诊断模型,能够实时完成对旋耕装置的机械故障诊断。通过验证与分析,证明了诊断系统的可行性和精确性。     

基于小波神经网络的水肥一体化控制技术

准确掌握和控制各参数的水肥一体化灌溉,是保证农作物健康生长、提高农业生产水平、利用科学技术实现科学农业的基本要求。研究基于小波神经网络的水肥一体化控制对现代农业生产具有重要意义。文章根据滴灌施肥控制的实际情况,对小波神经网络水肥一体化控制技术进行了实验研究。     

基于Prophet模型的湖北省月降水量预测

为提高降水量的预测精度,建立了基于Prophet算法的降水量时序预测模型.使用湖北省1960年1月-2006年5月的月降水量资料,对2006年6月-2017年12月共139个月的月降水量进行预测,并与传统的SVR、BP以及ARIMA预测模型进行对比,以探讨该模型在降水量预测中的可行性.实验结果表明:在湖北省各站点降水量...     

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.     

基于谐波分析的降水量预测模型研究

降水量预测是制定防旱、抗涝、救灾对策的重要依据,其预测方法是能够科学准确预测降水的重要手段。基于降水量存在多样性、复杂性及随机性的特点,采用降水距平法对降水量变化进行分析,运用谐波分析法建立降水量预测模型;以葫芦岛地区为例,根据葫芦岛4个气象观测站47 a（1960-2006年）的降水资料,对该模型进行了具体的应用。结...     

基于云推理的年降水预测摸型

通过分析年降水量时间序列的特性,提出了基于当前趋势以及相邻年份降水量的年降水预测规则.利用云模型描述每条规则,实现不确定性推理.云模型结合了随机不确定性和模糊不确定性,通过云推理实现未来年份年降水预测.通过与传统预测方法相比较,发现云推理模型很擅长从大量数据中挖掘出不确定性知识,有较高的预测精度和推广应用价值.     

基于小波消噪的平稳时间序列分析方法在降雨量预测中的应用

小波消噪与时间序列分析方法在预测领域中应用十分广泛,但是在降雨量的预测中应用不多。在基于小波消噪的基础上应用时间序列中平稳时间学列方法对降雨量进行预测,结果显示,应用该方法有效地提高了降雨量的预测精度。用丹东地区1971-2006年的降雨量作为历史数据,建立降雨量预测模型,结果表明新模型算法简单、精度较高,比传统的拓扑预测模型效果更好,为降雨量预测提供了一种行之有效的方法。     

基于主成分分析的参考作物腾发量预测研究

为准确估算作物需水量,提高水分利用效率,采用RBF神经网络预测参考作物腾发量,由于参考作物蒸发蒸腾量的影响因子很多,且各影响因子间的相关性很大,运用主成分分析的原理,将影响参考作物蒸发蒸腾量的因子降低维数.以山西省某灌区的参考作物腾发量为例,运用DPS软件找出了3个综合因子来代表众多因子并作为RBF人工神经网络的输入,运用Matlab7.0进行编程,对参考作物腾发量进行预测.结果发现其预测结果与用Pen-man-Monteith公式算得的值具有很高的一致性,与BP神经网络相比,RBF神经网络具有学习速度快等优点,将此方法用于参考作物腾发量的预测可以收到理想的效果.     

基于温度与湿度的大气降水同位素特征影响因素分析

以西安地区为例研究了近八年的大气降水的氢氧同位素组成,提出了大气降水线的方程,并与全球大气降水线对比,揭示了当地大气降水线的特征,分析了温度、降水量对大气降水同位素的影响.研究表明:西安地区不同季节降水的影响因子的侧重点不同,大气降水的几种效应的影响程度也有差别,对于西安地区以及所在关中平原地区夏季主要来自太平洋的东南季风以及来自印度洋的西南季风的水汽,从大陆效应因素来看,夏季季风所带的水汽经过多次降水到达关中平原,水汽同位素比值已经十分亏损.     

改进灰色波形预测方法在降水量预测中的应用

为提高降水量预测的准确度,降低经济损失.针对降水量数据序列非线性、非平稳的特征,在已有灰色波形预测模型的基础上引入斜率和分位数,构造非等间隔斜率灰色波形预测模型.首先,采用斜率等高线解决降水量数据具有上升、下降或波动的特征;其次,引入分位数解决降水量数据非平稳的特征;再次,采用GM(1,1)模型对满足条件的等高时刻序列建模;最后,采用非等间隔斜率灰色波形预测模型方法及传统方法对河南省1990-2019年的降水量数据进行分析.结果表明:基于方法的降水量预测结果与实测结果更相符、预测误差更小,精度较高.提出的斜率非等间隔灰色波形预测模型能够对非等间隔、具有上升或下降趋势的数据序列进行有效预测.     

基于环境因子的黄瓜病害预测研究

日光温室中病害的预测预报是病害管理的重要组成部分,也是有效防治和控制病害发生发展的依据,更是农业生产管理和决策的前提。植物生长发育进程明显受到温度的影响,而病害发生又与长时间高温度和高湿度相联系。以往的病害预测多是基于对植物本身的病害特征、种植方法和农药的用量来实现的,多是如何防止。因此,病害早期的预测、预报和防治显得非常重要。为此,根据已有的专家知识库建立以环境数据(即温度和湿度)为输入的神经网络病害预测模型,通过此模型用实际的环境数据再预测未来病害,从而减少病害发生的概率,获得速生高产与优质高效的农产品,实现经济效益最优的目标。