基于LSTM递归神经网络的番茄目标产量时间序列预测

番茄目标产量预测对于合理制定灌溉施肥制度以及减少水肥的浪费有着重要意义。以番茄历年产量数据为依据,提出了一种基于长短期记忆递归神经网络的番茄目标产量预测模型,包括模型设计、网络训练和预测过程实现等,将模型预测结果与自回归移动平均(ARIMA)、小波神经网络(WNN)、支持向量回归(SVR)3种时间序列预测模型进行对比,验证了所提出的LSTM递归神经网络预测模型在番茄目标产量预测中具有较高准确性。     

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.     

基于叶面积指数的河北中部平原夏玉米单产预测研究

为解决玉米单产预测的时效性和业务化问题,以河北中部平原为研究区域,选取与籽粒产量密切相关的叶面积指数(LAI)作为遥感特征参数,对研究区2016—2018年夏玉米单产进行预测研究。基于求和自回归移动平均(ARIMA)模型及径向基神经网络(RBFNN)分别逐像素预测研究区域的LAI,结果表明,基于ARIMA模型的LAI预测精度比RBF神经网络的预测精度高,1步、2步LAI预测结果的RMSE较RBF神经网络分别降低了0. 18、0. 14 m2/m2,更适合于河北中部平原的夏玉米单产预测。基于LAI监测数据和加权LAI与夏玉米单产的相关性研究成果,并结合基于ARIMA模型的LAI预测数据,得到2016—2018年夏玉米监测单产和向前1旬、2旬和3旬的单产预测结果。结果表明,无论是县域尺度还是像素尺度,向前1、2、3旬夏玉米的单产预测精度均较高,2016—2018年县域尺度预测单产与监测单产间最大相对误差仅为3. 73%。     

灰色神经网络组合模型在庆安县年降雨量预测中的应用

采用灰色神经网络对黑龙江省庆安县年降雨量进行预测建模,利用灰色GM(1.1)模型"贫信息"和神经网络非线性函数映射能力优秀的特性,避免了灰色GM(1.1)模型对预测拟合精度低的问题。结果表明灰色神经网络组合模型的平均相对误差为0.012 2,高于灰色GM(1.1)模型的平均相对误差0.153 7,预测精度较高,并且算法简便,拓宽了灰色预测模型的应用范围。     

基于LM算法的溶解氧神经网络预测控制

针对污水处理溶解氧时变、非线性以及设定值难以跟踪控制的问题,提出了一种基于Levenberg-Marquardt算法(LM算法)的溶解氧浓度神经网络预测控制器的设计方法。首先在国际水协会提出的活性污泥1号模型(ASM1)基础上,经过合理的假设和约束,得到简化的溶解氧浓度模型,经过BP神经网络系统辨识和模型预测设计了溶解氧神经网络预测控制器。并采用LM算法改进了BP神经网络,克服了容易陷入局部极小值、收敛速度慢的缺点,提高了神经网络预测精度。仿真结果表明,神经网络预测控制具有很好的自适应性和鲁棒性,提高了溶解氧跟踪控制性能。     

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。     

基于灰色理论和BP神经网络的农业用水量预测

运用灰色GM(1,1)模型和BP神经网络模型相结合的灰色BP神经网络模型,对农业用水量进行预测.此组合模型兼有灰色预测和BP神经网络预测的优点,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.为此,以辽河流域某典型区为例进行预测,结果证明了该组合模型的优势,为农业用水量预测研究提供参考依据.     

基于遗传算法优化BP神经网络下马铃薯产量预测模型

马铃薯产量的高效预测对于制定马铃薯生长期间的精准管理决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在的精度差、准确度低等问题,选择遗传算法对单一BP神经网络模型开展网格优化。基于朔州市朔城区沙楞河村2010-2019年田间物联网获取的田间环境数据(土壤含水率和土壤温度)、气象环境数据(大气湿度、大气温度、降雨量)和马铃薯产量,采用BP神经网络及GA-BP神经网络模型对所选地区马铃薯产量进行预测分析。研究结果表明：GA-BP神经网络模型下,马铃薯产量的预测精度明显高于BP神经网络模型,R²达到0.993 27,平均相对误差仅为0.88%。试验证明,GA-BP神经网络模型能够更加科学、合理地进行马铃薯产量预测,说明利用遗传算法优化BP神经网络在马铃薯产量预测中是可行且有效的。     

基于BP神经网络的锡青铜连杆衬套磨损量预测

利用连杆衬套—活塞销往复摩擦磨损试验机,获得锡青铜QSn7-0.2连杆衬套在不同工况(载荷、转速、连杆衬套和活塞销间隙)下的磨损量数据。基于BP神经网络技术,建立了运行工况和磨损量之间的非线性函数关系。用连杆衬套—活塞销往复摩擦磨损试验结果训练神经网络模型,得到和试验数据相匹配的BP神经网络模型。最后进行神经网络模型检验,结果表明:BP神经网络模型具有很高的预测精度,可以较好地预测锡青铜连杆衬套的磨损量。     

玉米秸秆热裂解产物产率预测分析

以影响热裂解液化过程的因素(输入功率、压差、氩气流量和进料率)为网络输入,热裂解液化产物为网络输出,应用BP神经网络模型法对玉米秸秆热裂解液化产物产率进行了预测分析,并将预测结果与非线性回归分析法进行了比较分析.结果表明,采用BP神经网络模型预测输出值与试验值间的相对误差总体上在5％之内,说明模拟预测的效果较好.对BP神经网络模型法与非线性回归方法的预测结果对比分析显示:在试验数据范围内,BP神经网络模型对玉米秸秆热裂解3种产物产率的预测值更接近试验值,计算精度比非线性回归方法略高.     

我国农机总动力需求的模糊神经网络预测模型

利用模糊神经网络建立了具有时间序列对象的预测模型，提出了相应的模糊化方法，并对我国农机总动力需求进行了预测，预测结果和实际情况的有较好的一致性。     

油气减振器非线性特性的神经网络识别研究

利用神经网络的非线性逼近能力，设计了用于识别油气减振器非线性特性的结构化神经网络模型，并介绍了该模型的具体应用方法，即利用试验数据组成学习样本，对网络模型进行训练，识别出其非线性特性。识别结果表明，结构化神经网络可有效地识别油气减振器的非线性特性。     

基于粗糙集和神经网络在小麦病害诊断中的应用

针对小麦病害诊断过程的复杂性以及处理信息的不确定性,综合了粗糙集理论与BP神经网络的各自优势,构建了小麦病害诊断模型。首先是对连续的样本数据进行离散化,主要采用差别矩阵计算方法进行启发式知识约简,得到最小简化规则,然后把约简结果作为BP神经网络的输入结点。实验结果表明,采用该方法不仅优化了神经网络的拓扑结构,还降低了神经网络的训练时间,同时大大提高了学习速度和故障诊断的准确率。     

BP网络、Hopfield网络在水质评价应用中的比较研究

针对BP网络、Hopfield网络在水质评价的应用问题,建立BP网络、Hopfield网络水质评价模型,对BP网络、Hopfield网络从结构、输入输出、稳定性、评价结果等方面进一步地分析比较。然后以东辽河为例,运用BP网络、Hopfield网络、模糊评价法、内梅罗指数法4种水质评价方法进行水质评价,通过比较评价结果进行深入研究。结果表明,Hopfield神经网络更适用于水质评价。对神经网络方法水质评价问题进行探讨,试图找出BP网络、Hopfield网络方法在水质综合评价中的优缺点,具有非常现实的意义。     

油气悬架动态力的识别

将BP神经网络应用于油气悬架动态力的识别,建立了带有油气悬架的1／4车辆系统动态模型,并根据车辆悬架系统模型建立了神经网络模型,利用油气悬架的输入、输出信息进行油气悬架动态力的识别,并与等效线性方法相比较,获得了比较满意的结果,为油气悬架的理论计算、设计及主动控制提供了一种参数识别的方法。     

基于轻量级卷积神经网络的种鸡发声识别方法

在种鸡养殖和管理过程中,借助非接触式、连续的声音检测手段和智能化设备,饲养员可以全面了解蛋鸡的健康状况以及个体需求,为提高生产效率并同时改善种鸡福利化养殖,提出了一种基于轻量级卷积神经网络的种鸡发声分类识别方法,以海兰褐种鸡为研究对象,收集种鸡舍内常见的5类声音,再将其声音一维信号转换为二维图像信号,利用卷积神经网络建立轻量级的深度学习模型,80%数据进行训练,20%数据进行测试,该模型实现了动物声音信号从输入端到识别结果输出端的高效检测。对比已有研究,本文方法对种鸡舍内常见的5类声音识别整体准确率提高3.7个百分点。试验结果表明,该方法平均准确率为95.7%,模型对饮水声、风机噪声、产蛋叫声识别召回率均达到100%,其中风机噪声和产蛋叫声精确率和F1值也均达到100%,而应激叫声召回率最低,为88.3%。本研究可为规模化无人值守鸡舍的智能装备研发提供一定理论参考。     

基于模糊神经网络的农村电力短期负荷预测

为提高负荷预测精度,提出了一种新的模糊神经网络短期负荷预测模型。该模型将模糊系统和神经网络的优点融合在一起,并利用小生境遗传算法优化模糊神经网络参数,提升网络运算性能。某农村地区电力短期负荷预测的计算结果表明,该方法具有较好的预测效果。     

基于遗传对角回归神经网络的农机总动力预测

利用遗传算法强全局随机搜索特点,结合DRNN神经网络对非线性数据具有鲁棒性和自学习能力的优点,通过将历年农机总动力数据作为时间序列进行分析,建立DRNN神经网络预测模型对农机总量进行预测。本文采用遗传算法对DRNN神经网络进行训练,可克服基于梯度算法的神经训练算法的缺点,收敛速度快,可达到全局最优。通过与校验用数据的比较证明本文建立的预测模型具有较高的精度。     

基于小波网络的电力负荷非参数估

区域电力负荷具有特殊的变化规律。利用小波分析和人工神经网络相结合，给出基于正交尺度函数的小波网络的基础上，建立非参数回归估计的小波网络预测模型，并对电力负荷变化进行了电力消耗预测。还与最小二乘回归的预测结果还进行了误差分析。结果表明，预测结果与当地过去电力负荷消耗增长规律相符，且小波网络回归预测结果较好。预测的结果数据可以作为当地决策部门的资料参考。     

陶瓷材料电加工表面粗糙度的预测

针对电加工工艺参数与性能指标的函数映射关系大多具有非线性的特征，提出了将BP神经网络引入电加工领域中。考虑到BP算法的不足，提出用遗传算法来优化BP神经网络的连接权值，设计了基于进化神经网络的学习算法，建立了陶瓷材料电加工表面粗糙度随工艺参数变化的预测模型。试验结果表明，该算法可以避免BP神经网络易陷入局部极小值等问题，预测精度高，相对误差在4％之内，进而验证了该模型的可靠性。