农机总动力预测的灰色神经网络新方法

为提高农机总动力变化趋势的预测精度,将pGM(1,1)模型与RBF神经网络相结合,建立了基于pGM(1,1)-RBF神经网络的农机总动力预测模型,并以中国农机总动力数据预测为例,验证了该模型精度高、可行有效,适用于农机总动力预测.     

基于灰色-马尔柯夫模型的中国农业机械总动力预测

灰色一马尔柯夫预测方法能够较好地解决既有趋势性又有较大波动性的数据序列的预测问题,且具有计算简便、精度高的特点.为此,利用该方法对我国农机总动力需求进行了预测分析,为农业机械化发展提供了依据.     

运用GM（191）模型对新疆农机总动力发展状况预测

农业机械总动力是国民经济发展水平的重要指标之一。运用灰色系统理论,基于GM（1,1）模型,对新疆农机总动力统计结果进行建模、求解、分析。模型检验结果为C=0．08〈0．35,P=1．00〉0．95,-a=0．084058〈0．3。说明建立的GM（1,1）模型精度高,预测性能好,适合作中长期及短期预测等。2011-2015年的农机总动力发展状况预测结果表明,到2015年新疆农机总动力可达到1926．17×10。kW。     

吕梁市农机总动力预测

以1979—2015年吕梁市农机总动力为研究基础,利用指数函数、三次多项式函数及BP神经网络分别建立农机总动力预测模型并进行样本比对。结果表明,BP神经网络和指数函数模型的平均绝对误差分别为1.11%和3.22%,低于三次多项式函数的平均绝对误差（8.05%）。利用BP神经网络模型和指数函数模型对2016—2021年吕梁市农机总动力进行预测,以期为农业机械化水平的发展提供参考。      

基于LM-BP神经网络的农机总动力预测

利用黑龙江省1983-2013年农机总动力数据,运用标准BP神经网络和LM-BP神经网络对黑龙江省未来5年的农机总动力进行预测。预测结果表明:在达到相同的误差目标值(即计算期望精度),LM-BP神经网络与标准PB相比,具有更快的收敛速度。如果需进一步减小误差目标值(即提高计算期望精度)时,标准BP神经网络在16h内都无法满足给定的精度要求;而LM-BP神经网络在20s内即可满足给定的精度要求。此时,LMBP神经网络的收敛速度优势非常明显,而拟合的精度也进一步提高,表明LM-BP神经网络具有较高的预测精度。准确的预测黑龙江省农机总动力,可为黑龙江省农业机械化发展规划的制定和近阶段农业机械化的发展水平提供参考依据。     

基于离散灰色模型的中国农机总动力预测

农机总动力预测对于国家制定相关农机发展政策具有重要意义。为此,运用离散灰色模型,对2004-2011年间的我国农机总动力的数据进行了分析建模、相关检验。其平均相对误差为0.307%,小误差概率为1,后验差比为0.026,关联度为0.999 1,各指标都达到一级判别标准,表明该模型可以用于农机总动力的预测。在此基础上,对其2012-2020年间的发展趋势进行了预测,预测结果显示农机总动力呈逐年递增趋势,平均年增长率为6.204%,发展态势良好。     

兵团农机总动力预测的灰色模型

借助灰色系统理论,利用兵团农机总动力的历史数据,建立了灰色预测GM(1,1)模型,对兵团农业机械总动力进行预测,为以后兵团农业机械化的发展提供一定的参考。     

基于BP神经网络的农机总动力预测

分析了BP神经网络用于预测时存在的不足,进而对基于BP神经网络的时间序列的预测问题进行了探讨.根据BP神经网络结构的特点,依据Z变换理论,提出了这一类预测问题可选用y=x作为传递函数,并分析指出了在BP神经网络中,以y=x作为传递函数与y=a+bx作为传递函数等价的结论,同时指出了网络结构应为两层网络.在此基础上,推导...     

黑龙江省农业机械总动力预测分析——基于ARIMA模型

运用黑龙江省1980-2011年的统计数据,建立了黑龙江省农业机械总动力的ARIMA模型,并进行了预测分析。结果表明:黑龙江省农业机械总动力是非平稳的时间序列,ARIMA模型的拟合效果良好;应用ARIMA(0,2,1)模型进行预测,1980-2011年预测值与实际值之间的平均相对误差为2.87%,可用于今后黑龙江省农业机械总动力的预测与分析。     

中国农业机械总动力预测分析——基于ARIMA模型

运用我国1978-2005年的统计资料,建立了中国农业机械总动力的ARIMA模型,并进行了预测分析.结果表明:ARIMA模型不但适合于中国农业机械总动力的非平稳时间序列特点,且预测效果比较理想;ARIMA(2,2,2)模型预测1982-2005年数值与实际数值之间的平均相对误差仅为1.009%,可用于中国农业机械总动力的预测与分析.     

中国农机总动力预测分析

农业机械总动力是衡量农机化发展水平的主要指标。通过对我国农业机械总动力统计数据研究分析,建立了农业机械总动力预测分析数学模型,经检验,表明模型预测的准确度很高,模型是合适的、实用的;依模型预测我国农业机械总动力在相当长时间内将呈直线增长态势。     

中国农机总动力预测分析

农业机械总动力是衡量农机化发展水平的主要指标。通过对我国农业机械总动力统计数据研究分析,建立了农业机械总动力预测分析数学模型,经检验,表明模型预测的准确度很高,模型是合适的、实用的;依模型预测我国农业机械总动力在相当长时间内将呈直线增长态势。     

农业动力机械节油的几点思考

近几年,国际油价居高不下,使农业生产的成本增加,因此,合理选用动力机械,正确操作和使用、及日常维护显得尤为重要,所以,文章进一步提出加强农机队伍建设和农机具的管理也是必不可缺少的。     

基于时间序列模型的黑龙江省粮食水足迹分析与预测

利用CROPWAT 8.0 模型计算了2000-2017年黑龙江省主要粮食作物水足迹,并利用自回归移动平均模型ARIMA对2018-2022年黑龙江省粮食作物水足迹进行了预测.黑龙江省粮食作物生产水足迹增长迅速,2000-2017年黑龙江省粮食作物生产水足迹总量增长了2.84倍;玉米的水足迹为0.47~1.07 m³/kg,而大豆、小麦和水稻的水足迹分别为1.35~2.39,1.12~2.99和1.76~1.41 m³/kg;小麦的绿水足迹占比最高,约为72.74%,其次是玉米(66.26%)和大豆(64.59%),而水稻的绿水足迹占比最低,约为46.99%;4种作物的灰水占水足迹的比例均低于1.12%.ARIMA模型预测结果表明,黑龙江省粮食作物的水足迹将逐年升高,玉米的水足迹呈逐年下降趋势,水稻和大豆的水足迹呈逐年上升趋势,小麦的水足迹基本不变.考虑到黑龙江水资源相对缺乏,而粮食作物水足迹总量逐年上升,建议加强农业管理,提高作物的水分利用效率.     

基于联合时序的混沌时用水量短期预测调度

针对给水优化调度的时用水量高精度短期预测难题,提出一种基于横向分时段和纵向残差修正的联合时序短期混沌预测方法.经模式识别获得关联度高的横向时序为研究样本,重构横向分时段相空间并分析典型时段流量数据的混沌特性,建立混沌预测模型,以在线最小二乘支持向量机作为混沌预测工具得出各时段用水流量;为了能动态跟踪用水突变,实时采集纵向数据序列做残差计算,进而用灰色模型进行残差预测修正以提高预测精度.依据杭州市萧山某大用户时用水量实例,对一段时间的正常用水和突变用水做连续24 h短期混沌预测,在不同方法下的时用水量预测精度作深入对比研究.仿真结果表明：该预测方法对这一类混沌时序短期预测具有良好的计算精度,能很好反映各典型用水日的特点和实时用水变化情况,预测效果明显优于其他预测方法,更易满足供水优化调度的需求.     

农机农艺融合人才培养模式研究

丘陵旱地是四川的主要农业区,“麦/玉/豆”种植模式在丘陵旱地已形成规模化,由于配套机械化水平低,加之农村劳动力大量输出,亟需培养大量具有农机和农艺知识的复合型人才来解决生产力低、劳动力不足等问题.通过开展“农机农艺融合”人才培养模式的研究,提高农业机械化及其自动化专业学生农机与农艺融合的意识和理论水平,培养农业机械化及其自动化专业学生的实践创新能力.     

基于预瞄模型的农机路径跟踪模糊PID控制方法

为提高农机路径跟踪控制性能,提出一种基于预瞄模型的模糊PID控制方法。首先,以农机预瞄模型中的预瞄航向角偏差为输入、前轮转角为输出构建农机路径跟踪PID控制律,再将预瞄航向角偏差作为航向角变化量的目标值引入农机运动学模型,得到能够适应速度变化的前轮转角基础值,并替换PID控制律中的比例部分,最后使用模糊控制实时动态调整控制参数。CarSim/Simulink联合仿真分析表明：当初始横向偏差为3m时,在作业速度为1.5m/s、2m/s、3m/s情况下,农机上线时间分别为10.85s、8.35s、5.15s,横向偏差均方根值最大不超过0.025m。与传统预瞄控制相比,本文方法在保持跟踪精度的同时能显著提高系统的响应速度。     

江苏农机制造企业创新力分析

技术创新与专利存在紧密的内在联系。以专利为视角,从江苏农机制造企业技术发展趋势、技术集中度、重要申请人、核心发明人等维度,对行业专利数据进行挖掘和可视化分析。研究表明,近10年,江苏农机制造企业创新能力显著提升,专利授权量年均增长率达27.60%;创新型农机制造企业加快发展壮大,各板块TOP5申请人专利授权量在专利总量的占比平均达72.27%;细分领域创新活跃度不均,农用动力机械及通用机械等4个领域创新势头强劲;全行业发明专利授权量在专利总量中的占比仅为9.42%,明显偏低,整体创新水平有待提升。相关研究结论有助于全面了解江苏农机制造企业创新活动现状,为科学决策提供情报支撑。