基于MATLAB的BP神经网络在农作物虫情测预报中的应用

本文主要利用神经网络理论,基于MATLAB的神经网络工具箱建立了虫害发生量预报预测的BP神经网络预测系统,确定了发生量与自然因素之间的联系。并通过对安徽省庐江县田间水稻病情的预测来检验模型的效果。实验结果证明了该模型用于虫情预测的可行性,具有很好的应用价值。     

基于高光谱图像的枸杞叶片叶绿素含量估算模型

为高效无损获得枸杞叶片叶绿素含量,基于无人机搭载高光谱成像仪实拍的宁夏枸杞叶片高光谱图像,结合手持叶绿素仪测定的叶片叶绿素含量,通过对高光谱图像进行特征波段选取并利用光谱微分技术处理,以反射率一阶导数为输入变量,设置不同训练集及数量,选用BP、Elman两种神经网络并分别用遗传算法(GA)、粒子群优化算法(PSO)进行优化,通过预测效果比较确定枸杞叶绿素含量预测的最优模型。结果表明,相比于传统的BP、Elman神经网络,优化后的模型预测结果更好,尤其PSO-Elman模型,预测模型变量为原始反射率与反射率一阶导数的R²分别为0.91408、0.98967。本研究结果可为宁夏枸杞的生产管理提供一定的技术支持。     

GRNN和Elman神经网络在水体溶解氧预测中的应用

针对池塘溶解氧浓度受较多因素影响的复杂性,选择基于广义回归网络(general regression neural network,简称GRNN)、Elman神经网络和BP(back propagation)神经网络算法构建关于溶解氧的预测模型,并将模型应用于水产养殖池塘溶解氧的预测中,力求找到能够长期预测池塘溶解氧浓度的有效方法。研究结果表明,GRNN和Elman神经网络模型的拟合效果均比BPNN(back propagation neural network)的拟合效果好,且有较高的预测精度,平均相对误差绝对值分别为7.48%、11.03%。同时,GRNN和Elman网络模型的算法稳定,计算复杂性低,因此2个模型适合对溶解氧浓度进行预测,有一定的应用价值,可以为水产养殖管理提供依据。     

近红外光谱结合CARS-PLS模型检测草莓可溶性固形物含量研究

为了实现对草莓内部可溶性固形物含量(soluble solids content,SSC)客观、准确、快速和无损检测,采用近红外光谱结合竞争性自适应重加权算法采样(CARS)变量选择以及多变量校正分析的测定方法。164个草莓样本被分成校正集(123个)和预测集(41个)。基于全光谱数据,通过CARS算法获得了可以表征原始光谱信息的117个特征光谱变量。全光谱变量和特征光谱变量分别作为输入构建了偏最小二乘回归PLS和多元线性回归MLR模型,通过比较3类模型发现,基于特征光谱的PLS模型(即CARS-PLS模型)对草莓内部可溶性固形物含量测定性能最优,针对预测集样本,模型预测相关系数r_P和均方跟误差RMSEP分别为0.950 9和0.335 2。     

基于高光谱图像技术的沙梨无损检测

为探讨基于高光谱图像技术对沙梨糖度无损检测的可行性,采集80个沙梨样本在400～1 000 nm内的高光谱图像数据及其对应的糖度,采用变量标准化、多元散射校正(MSC)、平滑滤波、基线校正等方法对原始光谱数据进行预处理,发现MSC预处理效果最佳,再通过无信息变量消除法对MSC预处理后的光谱数据进行压缩,最后分别建立BP神经网络和PLS沙梨糖度预测模型.结果表明:无信息变量消除法将光谱变量压缩到234个,有效减少了建模的输入变量,建立的PLS预测模型和BP神经网络的预测相关系数均在0.85以上,而PLS预测模型的相关系数为0.9508,均方根误差为0.268,优于BP神经网络模型.     

基于机器学习的落叶松毛虫发生面积预测模型

落叶松毛虫为我国主要害虫之一,其发生严重影响了我国林木生长和森林资源的安全。因此,及时准确地对落叶松毛虫虫害发生趋势进行预测、预报十分必要。虫害的发生受到多种因素的影响,存在复杂的非线性关系,传统的预测方法大多为基于线性的预测,导致其预测效果不够理想。本研究选取当年3月中旬的总蒸发量、上年7月上旬的平均最低气温、当年3月下旬的极端最低气温以及上年11月上旬的平均风速作为自变量,虫害发生面积作为因变量,利用多层前馈神经网络(MLFN)、广义回归神经网络(GRNN)以及支持向量机(SVM)3种机器学习算法对落叶松毛虫发生面积进行预测,并将3种方法的预测结果与传统多元线性回归预测方法相比较。结果表明,机器学习的预测效果均在很大程度上优于多元线性回归预测,并且在3种机器学习算法中,SVM模型的预测效果最好,在30%容忍度下其预测精度可以达到100%,并且该模型还有较低的RMSE值(0.077)和较短的训练时间(1 s)。这表明,机器学习可以应用于生产实际并有效预测虫害发生面积,尤其是SVM模型可以作为一种很好的虫害发生预测手段。      

基于近红外光谱多种预处理的胡杨叶片含水量预测对比

通过比较5种不同光谱预处理方法（MSC、SNV、VN、一阶导数、二阶导数）提取胡杨叶片近红外光谱信息,分别采用遗传算法(GA)和连续投影算法(SPA)筛选特征波段,建立并比较偏最小二乘回归(PLS)模型对水分含量的预测效果,研究了胡杨叶片水分含量与叶片光谱信息的关系。结果表明,基于5种预处理方法使用SPA-PLS回归模型预测的相关系数R分别为0.764 4、0.869 79、0.806 01、0.779 93、0.816 8;预测均方根误差(RMSEP)分别为0.017 87、0.014 491、0.018 547、0.020 228、0.018 089;所选取的特征波段个数分别为11、20、24、18、18,较GA-PLS选取的特征波段数少,且预测效果普遍优于GA-PLS,其中基于SNV的预测结果最好。研究表明,基于近红外光谱数据,SPA算法相比于GA算法具有更好的选择特征波长能力,并且SPA-PLS算法的回归预测结果普遍优于GA-PLS,采用SNV-SPA-PLS方法可实现胡杨叶片水分含量的快速检测。     

自适应进化模型下的土壤重金属含量预测

针对Elman神经网络在土壤重金属含量预测时出现预测精度低、模型收敛速度慢等问题,提出一种自适应进化模型(AEM)。该模型以Elman神经网络为基础,运用贝叶斯正则化优化Elman神经网络的目标函数,提高网络模型预测精度;为解决网络模型收敛速度慢和易陷入局部极值等缺陷,采用自适应灰狼算法(AGWA)对网络模型初始参数进行优化;采用基于熵权距离的离群点检测法剔除数据中的离群点,以降低离群点对预测结果的干扰。以武汉市农业科学院采集的农田土壤重金属含量数据进行预测试验,AEM模型预测重金属含量的平均绝对误差和平均绝对百分比误差分别为1.623和17.48%,其决定系数比Elman的提高了0.394。AEM、自调整反距离加权插值模型(SIDIM)、小波神经网络模型(CBSA–WNN)、双向门控循环神经网络模型(SBGRNN)及Elman神经网络模型等5种不同预测模型进行对比试验表明,AEM模型在土壤重金属含量预测上具有更高的准确性。消融试验结果表明,贝叶斯正则化优化、自适应灰狼算法优化和基于熵权距离的离群点检测的离群点数据剔除等3个改进点对于提升土壤重金属含量预测精度均有一定的贡献。     

基于PSO-SVR模型的河南省小麦产量预测方法

小麦生产是河南省农业生产中的重要环节，在维持粮食供应和安全方面发挥着重要作用。对小麦产量进行准确预测可以为农业经济调控、政策制定提供重要性信息。为提高小麦产量预测精度，综合考虑影响小麦产量的相关因素，基于皮尔逊相关系数分析特征变量与产量之间的相关性。选取支持向量回归(support vector regression, SVR)模型解决小麦估产中的复杂性、非线性及小样本等问题。引入粒子群算法(particle swarm optimization, PSO)对SVR模型的惩罚因子(c)和核参数(g)进行优化，提高SVR模型的预测精度。以河南省1978—2019年小麦产量数据及其特征变量数据构建数据集，并与BP、Elman等神经网络模型及优化模型进行对比仿真试验。结果表明，PSO对SVR模型的优化效果明显高于传统的神经网络，PSO-SVR模型预测结果的4项评价指标均优于其他模型。其中，PSO-SVR模型的平均绝对百分比误差MAPE为0.87%,与SVR模型相比误差降低了57.4%、与PSO-BP模型相比误差降低了64.8%。PSO-SVR模型能够提高小麦产量预测精度，稳定性好，可为小麦产...     

基于改进果蝇算法优化广义回归神经网络的绿色农产品消费行为预测

针对绿色农产品消费行为具有多变量非线性相互作用的特点，传统统计方法难以准确预测消费行为的问题，提出基于改进果蝇算法优化的广义回归神经网络消费行为预测模型。首先针对果蝇群搜索不均匀所导致果蝇飞行单一的问题，提出一种均匀的果蝇群搜索机制即扇形果蝇优化算法加快搜索能力和效率；其次针对广义回归神经网络的平滑因子易受人为选择的影响，提出改进果蝇算法优化广义回归神经网络参数，实现参数的自动化选择，提高模型的预测能力。运用提出的模型对绿色农产品消费行为预测。结果表明：相较于广义回归神经网络，遗传算法优化广义回归神经网络、粒子群算法优化广义回归神经网络、果蝇算法优化广义回归神经网络和改进果蝇算法优化广义回归神经网络模型在均方根误差指标上分别下降4.45%、1.89%、4.54%和5.03%,表明遗传算法、粒子群算法、果蝇算法和改进果蝇算法能够优化广义回归神经网络模型的平滑因子，提高模型的预测精度。从平均绝对误差、均方误差、均方根误差3个评价指标看，改进果蝇算法优化广义回归神经网络模型比其他6个单一预测模型具有更高预测精度。结果证明了改进果蝇算法优化广义回归神经网络模型在绿色农产品消费行为预测的有效性，...     

不同覆盖类型土壤电阻率影响因子及其PLS和BP模型的预测研究

土壤电导率是反映土壤质量和物理性质的重要参数。本研究通过对试验区不同覆盖类型下土壤温度、含水量及电导率的测试,探讨土壤温度和含水量对土壤电阻率的影响。结果表明,不同土壤覆盖类型土壤温度的变化对土壤电阻率的影响不同,土壤电阻率随着土壤含水量的增加而逐渐变小。将偏最小二乘回归模型(PLS)与BP神经网络模型应用于土壤电阻率的预测,PLS模型及BP神经网络模型对土壤电阻率预测皆有较好效果,偏最小二乘回归模型对沙地和草地土壤电阻率预测的误差较小,BP神经网络对农田土壤电阻率建模精度较为理想。     

SPA-PLS和GA-PLS算法预测胡杨叶片含水量的对比

采用Savit Zky-Golay一阶导数法,分析叶片含水量对近红外光谱吸收谱的影响特征,建立综合利用多波段信息的作物叶片含水量预测模型。通过使用一阶导数法对胡杨叶片近红外光谱信息进行预处理,然后分别采用连续投影算法(SPA)和遗传算法(GA)筛选特征波长,建立并比较偏最小二乘回归(PLS)模型对含水量的预测效果,研究胡杨叶片含水量与叶片光谱信息的关系。试验结果发现,经过一阶导数预处理的光谱数据建模预测结果要优于原始光谱,并且SPA-PLS算法的回归预测结果要优于GA-PLS算法,其中基于一阶导数光谱使用SPA-PLS和GA-PLS算法的建模预测评价指标RMSPCV、RMSEP、Precision、r分别是0. 026 633、0. 014 391、0. 981 23、0. 793 63和0. 033 348、0. 019 726、0. 975 13、0. 758 38,预测变量数分别是18、29个。说明基于一阶导数光谱使用SPA-PLS算法可实现胡杨叶片含水量信息的准确估测,数据优化筛选是可行的,有效提高了测量精度,减少了建模变量。     

基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.     

基于优化BP神经网络的香格里拉高山松蓄积量模型研究

以香格里拉县高山松为研究对象,以Landsat TM 8影像和DEM（30M）数据为信息源,结合森林资源二类调查数据和地面样地实测数据,借助MATLAB平台,在前期进行基于遗传算法（GA）和粒子群算法（PSO）优化BP神经网络模型基础上,采用决定系数（R²）、均方根误差（RMSE）及预测精度（P）3个指标对优化后的BP神经网络模型及进行评价,并建立了研究区高山松蓄积量估测模型。结果表明,遗传算法效率（耗时1.9 h）低于粒子群算法（耗时1.4 h）;采用遗传算法优化后的BP神经网络模型R²、RMSE及P分别为0.636、4.216 m³、81.748%,均优于粒子群算法。通过遗传算法优化后的BP神经网络模型估测香格里拉高山松蓄积量总量为13 317 879.7 m³。     

成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测

【目的】研究成熟期梨可溶性固形物含量的近红外漫反射光谱无损检测技术,为及时、准确地掌握成熟期梨果实的内部品质特性及田间管理、适时采收、合理储藏提供依据。【方法】基于近红外漫反射光谱检测技术分别建立了成熟期砀山酥梨可溶性固形物含量的偏最小二乘(PLS)、广义回归神经网络(GRNN)和偏最小二乘支持向量机动态预测模型(LSSVM),并综合评价了无信息变量消除法(UVE)优选有效特征波数对于简化模型、提高预测性能的影响。【结果】UVE算法能够很好地提高建模效率、有效改善GRNN和LSSVM模型预测精度,而对PLS分析模型效果不明显。3种模型中,LSSVM模型比GRNN和PLS模型具有明显优势,其中UVE-LSSVM模型具有最佳预测精度和适用性,其校正相关系数(Rc)为0.988,校正均方根误差(RMSEC)为0.074,预测相关系数(Rp)为0.922,预测均方根误差(RMSEP)为0.162。【结论】基于近红外光谱技术的UVE-LSSVM模型可用于成熟期梨可溶性固形物含量的无损检测。     

基于神经网络和遗传算法的池塘溶解氧预测模型

水产养殖池塘是一个多变量、非线性和大时延系统,其中溶解氧的预测也是一个复杂的问题。针对大连某水产养殖池塘,作者建立了一个基于Levenberg—Marquardt（LM）神经网络和遗传算法（GA）的溶解氧预测模型GA—LM,并将该模型与传统的BP神经网络进行比较分析。结果表明：使用本研究中建立的GA-LM模型预测的溶解氧值和实际测定值吻合较好,预测更为精准,运行时间明显减少。     

基于灰色神经网络的换热器污垢预测研究

由于影响换热器污垢热阻的因素较为复杂,对其预测比较困难.针对这种情况,提出了利用灰色神经网络预测方法对污垢热阻进行预测.本文用一种灰色理论算法改进模型和RBF神经网络分别对换热器污垢热阻值进行预测,并对预测结果进行最优组合,同时给出了预测曲线.结果表明与GM（1,1）模型相比较,灰色神经网络组合模型（GMNN）预测精度更高,可以较准确地预测污垢热阻随时间的变化趋势.     

基于机器学习的落叶松树皮厚度预测

  目的  研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法。  方法  以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法（神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF）,并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较。采用决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和赤池信息准则（AIC）来评价不同模型和算法。  结果  （1）在6个基础模型中Model5预测效果较好。基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;（2）机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好。（3）RF4的输入变量为胸径（DBH）、树高（H）、相对树高（H_r）。基于训练样本,与Model5相比,随机森林的R2从0.675 2提高到0.723 4,RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R2从0.666 9调高到0.710 5,RMSE从0.616 9降低到0.544 6。  结论  相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测。      

基于电子鼻多传感器融合的茶叶存储时间识别

借助电子鼻检测存储60、120、180、240、300、360 d的黄山毛峰茶香气信息,根据电子鼻各传感器响应曲线变化特点,选取出1组能够表征不同香气信息的基本特征变量,分别采用主成分回归(PCR)、偏最小二乘回归(PLS)和BP神经网络(BPNN)方法,建立茶叶存储时间的预测模型。测试样本集对3种预测模型的检验结果表明:PCR、PLS、BPNN模型的预测标准误差分别为10.05、6.04、3.21d;最大预测相对误差分别为11.03%、7.02%、5.89%;平均预测相对误差分别为6.73%、4.74%、3.62%;预测值与实际值之间的决定系数R2分别为0.862、0.896、0.987。3种模型都能较好地对茶叶存储时间进行预测,相比较而言,BPNN模型性能最优,PLS模型性能优于PCR模型。     

基于可见-近红外光谱变量选择的土壤全氮含量估测研究

【目的】变量选择是可见光-近红外光谱研究至关重要的步骤,通过分析可见光-近红外光谱不同特征的选择方法筛选出土壤全氮敏感波段,建立基于敏感波段的土壤全氮最佳预测模型,为土壤全氮的快速定量估算提供重要的理论指导依据。【方法】在红壤典型地区江西省吉安县采集代表性土壤样品120个,对可见光-近红外光谱采用主成分分析（PCA）、无信息变量消除（UVE）和无信息变量消除后结合连续投影（UVE-SPA）3种变量特征选择方法,建立基于不同变量选择的偏最小二乘回归（PLSR）模型、最小二乘-支持向量机（LS-SVM）、反向传播神经网络（BPNN）和遗传算法优化的反向传播神经网络（GA-BPNN）模型,从模型对预测集的预测精度分析不同变量选择方法对不同土壤全氮定量估算模型的差异。【结果】经UVE算法筛选后,光谱变量从200个减少至59个,其中可见光波段处10个,其余在近红外光谱的合频区和一倍频区,信息量丰富;进一步采用SPA进行变量选择,得到共线性最小的5个有效波长,分别为820、940、1 040、1 060和1 990nm;基于UVE变量选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型,经不同的土壤全氮的数据检验,预测精度最高的为LS-SVM,决定系数（R2）、均方根误差（RMSEp）和相对偏差（RPD）分别为0.7492、0.2921和1.8904;基于UVE-SPA特征选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型对预测集的验证表明,UVE-SPA提取的特征波段建立的LS-SVM建立模型预测效果最好,其建立的LS-SVM定量估算模型预测集的决定系数R2为0.7945,均方根误差RMSEp为0.2499相对偏差RPD为2.0009,模型稳定;基于PCA提取的7个主成分建立的LS-SVM、BPNN和GA-PBNN模型预测性能差,不能用于定量估算土壤全氮。对比相同的变量建立的GA-BPNN和BPNN,GA-BPNN预测性能比BPNN高。【结论】UVE-SPA变量选择方法结合LS-SVM模型能用来估算土壤中的全氮含量,同时UVE-SPA是一种有效的土壤光谱变量选择方法。