灰色广义回归神经网络在木薯产量预测中的应用

将GM(1,1)预测模型与广义回归神经网络(GRNN)相融合,构建一种兼具两者优点、互补型的灰色广义回归神经网络(GGRNN).以1985-2007年度广西木薯鲜薯总产量为数据样本,采用GGRNN模型进行广西木薯产量预测研究.研究结果表明,GGRNN训练期平均拟合指数、预测期平均拟合指数分别为0.99和0.93,分别比GM(1,1)模型高0.09和0.04.该组合模型在拟合精度和预测精度方面均优于单一的GM(1,1)预测模型,并具有自学习能力、非线性映射能力以及适应性强等优点,为木薯产量预测的定量化和智能化提供了一条有效途径.     

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。     

基于改进PSO算法优化GRNN的煤与瓦斯突出预测

为提高区域性煤与瓦斯突出预测模型的预测准确度并减小预测均方误差,提出了一种基于改进的粒子群优化(PSO)算法优化的广义回归神经网络(GRNN)。以网络的光滑因子为自变量、网络误差为目标函数,通过改进PSO算法搜索出误差的全局最小值,找出网络的最优光滑因子,用优化后的GRNN进行煤与瓦斯突出预测,并以淮南矿区的实测数据训练和检验该模型。试验结果表明,基于改进粒子群优化算法优化的GRNN模型预测准确率为95%,实际突出数据的预测准确率为100%,实际不突出数据的预测准确率为93.3%。相较于PSO算法和果蝇优化算法(FOA)优化的GRNN预测结果,该模型的预测准确率最高,均方误差最小,具有更好的泛化能力,为煤与瓦斯突出智能预测提供了新的方案。     

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，...     

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。     

基于机器学习的粮食产量预测模型研究

科学统计粮食产量数据并合理预测其发展趋势有助于稳定粮食生产、保障粮食安全。本文基于差分整合移动平均自回归(ARIMA)模型、广义回归神经网络(GRNN)模型以及长短期记忆人工神经网络(LSTM)模型,运用皮尔逊相关性分析方法选出影响粮食产量的主要因素并进行预测。以河北省保定市在1996—2014年粮食产量及16个粮食产量影响因素等历史数据为例,预测2015、2016和2017年粮食产量。试验结果表明,基于ARIMA模型预测的平均相对误差为0.96%,基于LSTM模型预测的平均相对误差为2.20%,基于ARIMAGRNN组合模型预测的的平均相对误差为0.47%。相比于其他预测模型,ARIMA-GRNN组合模型可有效地对粮食产量进行预测,并为粮食产量的预测提供了1种新方法。     

基于叶绿素荧光图像的辣椒叶片氮含量的预测

提取辣椒叶片的25个叶绿素荧光图像的特征参数,其中18个特征参数与氮含量呈极显著相关(P0.01)。用主成分分析法(PCA)提取主要特征参数,将其结果作为遗传算法优化的反向传播人工神经网络(BPNN)、广义回归神经网络(GRNN)和多元线性回归(MLR)模型的输入变量,分别建立辣椒叶片氮含量的预测模型,建模集的相关系数分别为0.959 2、0.963 3、0.943 5,预测集的相关系数分别为0.914 5、0.821 3、0.774 1。     

基于高光谱技术的哈密瓜果实物候期判别模型

以新和地区种植的大田哈密瓜为研究对象,采集不同物候期哈密瓜果实样本,采集高光谱数据并通过Savitzky-Golay一阶导数(SG-1)、Savitzky-Golay二阶导数(SG-2)、标准正态变换(SNV)、多元散射校正(MSC)4种光谱预处理方法进行预处理,建立广义回归神经网络(GRNN)和概率神经网络(PNN)2种哈密瓜物候期判别模型,以模型判别正确率为评价指标,结果显示,所建模型均能很好地识别哈密瓜果实物候期。将采集到的4个时期的哈密瓜果实样本光谱组合成10组具有输入变量的光谱样本,分别建立GRNN和PNN判别模型,以模型运行时间作为模型评价指标,得出以3个时期的哈密瓜样本光谱所建立的SG-1-GRNN和SNV-PNN模型为最优,运行时间为0.046 9 s,运行速率最多可提高57%。     

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。      

基于广义回归神经网络的蔬菜市场日价格预测

蔬菜市场日价格预测一直是研究的难点。根据GRNN原理,基于2010年12月13日至2014年4月18日的青菜市场日价格(合计799组数据),建立GRNN模型,并依此预测2014年4月7日至2014年4月18日的青菜市场日价格。结果表明:平均相对误差的绝对值为3.12%,最大绝对误差为0.24元,误差很小,且建立的模型在青菜市场日价格预测中具有良好的泛化能力。GRNN模型是进行蔬菜市场日价格预测的合适的神经网络模型。