基于多种算法的果树果实生长模型研究—以云南昭通苹果为例

【目的】针对果树果实与生长过程中的气象因子关联密切,且生长过程多为非线性、非平稳序列,直接对其连续测定难度较大的问题,对比多种模型对果实直径的模拟能力,为果树及其果实的生长发育监测和预测、适时灌溉施肥、生长环境调控等提供科学参考。【方法】以云南昭通苹果为例,分析2019和2020年果实生长期间直径变化特征及其与环境气候因子的关系。引入深度学习中的长短期记忆模型（LSTM）,使用LSTM模型对苹果果实直径进行模拟及预测,与多元线性回归模型（MLR）和机器学习模型中的决策树（DT）及随机森林（RF）模型的模拟结果进行对比分析,并使用3种采样方法对不同模型模拟的结果进行评估。【结果】苹果果实直径有明显日变化特征,呈夜间直径增长而白天缩小为主的规律,一般早晨直径达到最大,然后逐渐微缩,在日落前后直径到达当日最小。苹果果实直径的增长速率在果实膨大初期较高,在果实生长后期降低。苹果果实小时和日平均直径与土壤温度和土壤湿度呈中度或高度正相关,与紫外线指数（UVI）呈高度负相关。苹果果实直径的日平均增长量（FMDG）、日增长量（FDG）、日最大变化量（MDFS）与60 cm土壤温度和20 cm、40 cm土壤湿度呈低负相关（-0.5≤R<-0.3）。4个模型的模拟结果相比,LSTM模型的模拟精度高于MLR、DT和RF模型。LSTM模型比MLR模型在相关系数R增加3%—20%的情况下,RMSE和MAE下降约50%—75%,而机器学习模型DT和RF对苹果果实直径的预测相对较差,可能存在过度拟合。【结论】对比统计学、机器学习和深度学习等方法,LSTM模型在苹果果实直径的模拟中表现出更高的精度和可靠性,能更好地解决果实生长过程中的复杂非线性问题。     

基于时间序列与横截面数据的吉林省水稻产量预测对比分析

【目的】对比不同模型预测效果,分析各模型预测水稻产量的特点、不足及适用条件,为粮食产量预测问题模型选择提供依据。【方法】从时间序列预测和横截面数据预测两种角度,利用ARIMA、LSTM、SVR、MLP这4种模型,通过吉林省水稻产量、病虫害及其他特征历史数据对吉林省水稻产量进行预测,并对不同模型的预测结果进行了对比分析。【结果】基于ARIMA模型和LSTM模型的时间序列预测结果较好,横截面数据预测中,原始数据经主成分分析PCA降维处理后,可提高模型预测性能。【结论】对于水稻产量预测,应根据掌握的影响产量因素的数据以及趋势延续性情况合理选择预测模型,以达到较理想的预测效果。     

小波变换—BP 神经网络的农产品价格预测研究

【目的】农产品价格变动关乎国计民生,由于农产品的价格受到多方面因素的共同影响,其价格预测也一直是研究中的难点。只有充分分析农产品价格的变化趋势才能提高价格预测精度,更好地指引农产品产业健康发展。【方法】文章以菠菜、大白菜、番茄、辣椒和马铃薯5种蔬菜为研究对象,基于2013年1月至2018年12月共72组月度价格数据,研究农产品价格变动趋势,并基于小波变换和BP神经网络构建农产品价格组合预测模型。首先利用小波变换对价格进行db5的3尺度分解,其次采用BP神经网络模型对分解出的趋势部分和细节部分分别进行预测,最后对各分量的预测结果进行组合重构。【结果】采用预测精度指标对5种蔬菜的价格预测结果进行评价分析,其平均绝对误差最小值为0.083元/kg,平均百分比误差最小为3.95%,均方根误差最小值为0.102。【结论】将小波变换和BP神经网络结合起来的组合预测模型具有较好的农产品价格预测性能,该组合方法能适应多种蔬菜的价格预测,具有普适性。但农产品价格波动幅度和强度会对该模型的预测精度产生影响。     

黄山毛峰茶贮藏时间电子鼻检测方法研究

利用电子鼻对6个贮藏时间5个等级的黄山毛峰茶进行检测,首先获取反映茶叶香气的原始特征向量,再通过主成分分析法（PCA）提取出前5个主成分作为主特征向量,然后以主特征向量作为BP神经网络（BPNN）的输入,建立黄山毛峰茶贮藏时间预测模型（PCA BPNN）。结果表明：PCA BPNN对于贮藏0 d的茶叶,最大预测误差为11 d,5个（6.67%）样本预测误差超过13 d;对于贮藏60 d的茶叶,最大预测误差为13 d,4个（5.33%）样本预测误差超过10 d;对于贮藏120 d的茶叶,最大预测误差为16 d,7个（933%）样本预测误差超过10 d;对于贮藏180 d的茶叶,最大预测误差为19 d,8个（10.67%）样本预测误差超过10 d;对于贮藏240 d的茶叶,最大预测误差为21 d,8个（10.67%）样本预测误差超过10 d;对于贮藏300 d的茶叶,最大预测误差为14 d,6个（8.00%）样本预测误差超过10 d。该研究所建立的PCA BPNN预测模型可用于检测黄山毛峰茶贮藏时间,且与以原始特征变量作为输入的BPNN模型相比,性能更好。     

基于PCA-SVR模型的油气管道剩余强度预测

针对单一缺陷油气管道的剩余强度预测问题,深入分析影响管道剩余强度的相关因素,对主成分分析(PCA)、支持向量回归法(SVR)及PCA+SVR 的基本原理和组合过程进行总结,利用从文献中获取的单一缺陷管道相关数据,使用PCA 对影响因素进行降维处理,最后使用SVR 模型进行剩余强度预测,并将预测结果与其他常见模型和计算方法进行对比,以此验证该模型的可行性。研究结果表明:在所有影响因素中,管道钢级对油气管道剩余强度的影响最大;PCA+SVR 预测模型的预测平均误差为1.91%,均方根误差为0.34,证明此方法具有较高的准确率,但所有预测结果均小于实际剩余强度,证明该方法的保守性相对较强,会导致管道工作效率下降。     

基于优化的长短时记忆神经网络牧群采食量估测模型

为了能够较为精准的估测牧群的采食量信息,提出一种基于遗传算法(genetic algorithm, GA)和长短时记忆神经网络（long short-term memory,LSTM）的牧群采食量估测模型。首先通过皮尔森系数法分析得出影响牧群的采食量的主要影响因子,以减少输入维度并解决信息冗余问题。在此基础上,构建基于 LSTM 神经网络算法的牧群采食量估测模型,并引入遗传算法来优化LSTM 神经网络模型参数来增加模型的可靠性。最后,利用该模型对牧群采食量进行估测。试验结果表明：该采食量估测模型各评价指标平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、以及均方根误差（root mean square error,RMSE）分别为2.982、9.85%和6.108。与单一的LSTM神经网络以及GRU神经网络模型相比,均优于其他模型;且该模型具有较好的估测性能和较强的泛化能力,能够为合理轮牧提供科学指导,对草地保护有一定的应用价值。     

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。     

基于高光谱成像技术生长发育后期苹果糖度的无损检测

【目的】研究应用高光谱成像技术无损检测生长发育后期苹果糖度的可行性。【方法】以生长发育后期的"富士"苹果为对象,基于采集到的波长900~1 700nm高光谱数据,建立预测苹果糖度的偏最小二乘(PLS)、支持向量机(SVM)和极限学习机(ELM)模型,并比较主成分分析(PCA)和连续投影算法(SPA)2种数据压缩或特征波提取方法对预测模型精度的影响。【结果】采用PCA方法可将全光谱压缩至9个主成分,采用SPA从全光谱的230个波长中提取出了13个特征波长,两者相比,SPA能更有效地提高模型预测能力。预测生长发育后期苹果糖度的最佳模型为基于SPA的PLS模型,其预测集相关系数为0.945,均方根误差为0.628°Brix。【结论】高光谱图像技术可以用于生长发育后期苹果糖度的无损检测,该技术的应用将有助于指导苹果的种植和适时采收。     

基于BP神经网络的苹果高光谱图像糖度定量分析

使用高光谱成像技术在主成分空间的距离作为样本相似性的判断依据,选择出训练子集,实现了一种基于主成分空间样品光谱特征分类的局部建模方法,并将这种方法与BP神经网络结合,用于苹果糖度的高光谱图像技术的定量分析,增强了检测效果。该方法首先提取高光谱图像的光谱信息并划分为训练集、验证集和测试集,对训练集的光谱进行主成分分析;然后在主成分空间根据欧氏距离和马氏距离选择训练子集,并建立基于BP神经网络的局部回归模型对验证集进行预测;使用全光谱+BP神经网络、全光谱+PCA+BP神经网络、欧氏距离+PCA+BP神经网络和马氏距离+PCA+BP神经网络,选取出的训练子集建立的模型对验证集糖度进行预测。结果表明,与全光谱相比,局部变量建模相关系数r提高,RMSEP降低,提高了检测效果;局部变量建模中,马氏距离+PCA+BP神经网络建立的局部预测模型预测能力更强。将这种建模方法应用于测试集的糖度预测,均方根误差为0.106 61,相关系数r为0.890 81,可以较好的实现苹果中糖度含量高光谱定量分析。因此马氏距离+PCA+BP神经网络模型有望成为一种有潜力的苹果糖度检测方法,对提高模型的精度有重要的意义...     

基于支持向量机回归的猪肺疫发病率预测模型研究

为探明支持向量机回归(SVR)模型在动物疫病定量预测上的效果,以便为动物疫病防控决策提供依据,利用广西2007—2013年的猪肺疫月发病率时间序列,进行了SVR模型预测猪肺疫月发病率效果的研究。首先,以自相关函数法和Cao方法相结合,确定该时间序列的时间延迟为2,嵌入维数为6,并对其进行相空间重构;然后,依据主分量分析(PCA分布)方法判定该时间序列具有混沌特性,表明其在重构相空间中进行分析预测是可行的;最后,基于相空间重构结果构建SVR模型,分别采用网格搜索算法、遗传算法、粒子群算法对模型参数进行优化,并分析预测效果。结果表明,运用遗传算法优化SVR模型参数预测效果最优,平均绝对偏差(MAD)为0.043、均方误差(MSE)为0.003、平均绝对百分误差(MAPE)为0.202。可见,采用遗传算法优化的SVR模型对猪肺疫发病率的预测是可行有效的。     

PCA-BP模型在城乡建设用地规模预测中的应用

为探索提高BP神经网络在建设用地规模预测中的精度,提出主成分分析(PCA)和BP神经网络相结合的建设用地规模预测模型,并利用PCA-BP模型对山西省晋城市建设用地规模进行预测。首先,利用Pearson相关系数法分析筛选出影响建设用地规模的主要驱动因子;其次,利用主成分分析法(PCA)消除其相关性,并达到降维的目的;最后,以PCA结果作为输入层建立建设用地规模的BP神经网络模型,并利用BP模型进行训练预测,得到最终预测值。预测结果表明,PCA-BP模型的平均绝对误差MAE、平均相对误差MRE、均方误差MSE比传统BP神经网络模型小,平均预测精度R更高,具有较高的拟合度及可行性,在预测效率和预测精度方面都有进一步的改善。该方法的提出能为今后科学合理预测建设用地规模提供一种新思路,同时为土地利用总体规划修编提供重要决策基础。     

监测采样间隔对土壤墒情预测模型性能的影响

【目的】为了实现准确的农田土壤墒情预测,以茶园不同深度的土壤墒情为对象,对不同的监测采样间隔下的多种茶园土壤墒情预测模型进行了对比研究.【方法】经相关性分析,确定了时段初始湿度、光照、空气温度、空气湿度、土壤温度、土壤电导率和降雨量7种影响因子,对土壤墒情分别建立了多元二次回归、BP神经网络和LSTM深度学习模型.研究了10、30、60、90、120 min等不同监测采样间隔下土壤墒情的预测精度,同时对3种模型的预测结果进行了对比分析.【结果】LSTM深度学习模型的平均相对误差为0.399%,在3种模型中最小.多元二次回归模型的预测误差随着采样间隔的增大而增大,BP神经网络与LSTM深度学习模型在采样间隔为30 min时预测误差最小,平均相对误差<0.5%.研究认为,最合适的监测采样间隔为30 min,且LSTM深度学习模型具有稳定性好、精度高的特点,适用于土壤墒情预测.【结论】本研究结果为土壤墒情监测采样间隔的设定和建模方法的运用提供依据,对土壤墒情预测模型的研究和应用具有重要意义.     

BP人工神经网络在罗非鱼价格预测中的应用

通过分析影响罗非鱼价格波动的因素,利用BP神经网络良好的非线性映射特性,建立罗非鱼价格预测模型。选择时间、地理环境和经济条件因素作为输入层变量,价格作为输出单元,输入样本进行训练和仿真,对训练好的网络输入预测样本,将预测结果与市场实际价格进行比较,结果表明,该模型收敛速度快,预测精度高。该方法为水产品价格预测提供了一种新思路,有较高的应用价值。     

基于改进LSTM模型的农产品短期价格预测方法

农产品价格与人民的生活息息相关,既关乎消费者的切身利益,也是政府农产品生产调控决策的重要依据。由于自然灾害、重大疫情等各种因素影响,农产品短期价格具有波动大、非线性的特点。而剧烈起伏的波动往往对预测结果产生不好的影响,已有的方法在具有变化大且非线性特点的农产品短期价格预测上表现不理想。本文提出了一种改进的长短期记忆网络(LSTM)模型,该模型能够多维度分析农产品历史价格变化情况,获取价格周期性变化规律;并且在LSTM的基础上增加了前置门,将历史价格信息与价格波动信息相结合,减少数据异常值的波动对预测结果影响,有效地提高了农产品短期价格预测的准确性。实验数据表明,本文所提模型在预测结果的准确性等方面明显优于现有的其他对比模型。     

ARIMA模型在贵州省农产品价格预测中的应用——以辣椒为例

由于贵州省辣椒月价格呈现季节性,因此以2007年1月至2010年12月贵州省辣椒月价格为例,在运用季节分解方法剔除其季节因素形成新序列的基础上,构建了非平稳时间序列ARIMA（p,d,q）模型,并预测了辣椒未来的月价。结果表明,拟合指标优良的ARI-MA（1,1,1）模型能很好地预测辣椒月价格趋势,并将辣椒价格的预测值与实际值的相对误差基本控制在9%以内,实证分析结果证明了ARIMA模型的季节分解方法在贵州省农产品价格预测中的预测性和可行性。     

基于气体传感器阵列的Tent-SSA-BP苹果鲜度预测模型

为了能够准确预测苹果的鲜度等级、有效降低苹果的储藏风险、避免经济损失，基于一种气体传感器阵列和无线传输模块的电子鼻系统，采集苹果散发的气味信息。在实验室现有的苹果鲜度识别系统的研究基础上，以室内条件下储存的富士苹果为研究对象，建立基于混沌序列（Tent）改进的麻雀搜索算法（SSA）优化反向传播（BP）神经网络的预测模型，通过预测苹果挥发的气味信息完成对苹果鲜度的预测。结果表明，基于气体传感器阵列的Tent-SSA-BP预测模型的决定系数为0.942 03，均方误差为0.000 4，准确性总体高于BP神经网络预测模型的0.800 57，且具有更高的预测稳定性。该预测模型解决了当前基于传统动力学模型的预测准确率低、检测效率低、且对苹果造成破坏的问题；同时相较于红外光谱等其他预测手段，该模型具有更低的经济成本，且具有操作简便、移动便携等优点。综上所述，通过对苹果挥发的气味信息进行预测以实现对苹果鲜度的预测，具有操作简便、成本低、结果可靠的特点，避免了预测鲜度的过程中对苹果造成破坏，实现了无损检测。     

农产品市场价格短期预测方法与模型研究——基于时间序列模型的预测

为提高农产品市场价格的预见性,及早采取措施减缓价格波动,以全国西红柿月度批发市场价格为预测目标,综合利用季节虚拟变量法、Census X12法、移动平均比率法、Holt-Winters季节指数平滑法、SARIMA法等建立短期预测模型,并根据模型预测误差大小赋予不同的权重值,从而建立组合预测方法。实证分析结果表明:单一模型预测误差波动较大,总体上随着预测周期变长精度下降。在2009年的评估预测中,所建立的5个单一短期预测模型平均绝对误差百分比(MAPE)为10%左右,其中Holt-Winters季节指数平滑法建立的短期预测模型精度最高,MAPE为6.81%。如果预测提前期为3个月,SARIMA模型的预测精度更高,准确率达到95%以上。在实证分析的基础上,采用组合预测方法对2010年西红柿价格进行了预测。     

基于贝叶斯与元学习的氨氮浓度预测模型优化

针对小样本数据下氨氮浓度模型预测精度不高、收敛速度较慢的问题，采用长短期记忆网络（long short-term memory，LSTM）建立氨氮浓度预测模型，并利用贝叶斯优化算法和元学习机制对模型进行优化。其中贝叶斯优化算法用来优化预测模型的超参数，同时给出模型参数的初始值，再使用Meta-LSTM算法学习模型梯度并允许优化器之间进行参数共享和更新，最终实现对氨氮浓度预测模型的优化。将该方法与LSTM、GRU和RNN模型进行对比试验，结果显示，研究所建模型对氨氮浓度预测的均方根误差、平均绝对误差和均方误差分别为0.027 6、0.023 9和0.000 76，均优于其他预测模型。表明基于贝叶斯和元学习的氨氮浓度预测模型对小样本数据建模有效，可以实现网络快速收敛，精度满足水产养殖中氨氮浓度预测需求。     

基于LSTM的柑橘幼苗蒸发量预测

将柑橘幼苗作为试验对象,利用传感器采集空气相对湿度和温度,以基质相对湿度、温度和EC值作为环境因子,采用称重法实时采集作物的质量变化量作为作物的蒸发量;以环境因子为模型输入,作物蒸发量为模型输出,构建长短期记忆神经网络(LSTM)预测模型,优化后的最优模型结构以及训练参数包括LSTM模型的隐藏层1层,隐藏层节点数为120,迭代样本数为128,训练迭代次数为175,网络的激活函数选择tanh函数,学习率为0.001,时间步长为72。LSTM预测模型的决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.993 9、0.015 5 g、0.011 3 g;与循环神经网络(RNN)、门控循环单元(GRU)的预测效果进行对比,LSTM预测模型的预测蒸发值更接近真实蒸发值,预测结果相对误差范围波动最小,RMSE、MAE最小,R²最大,说明这3种模型中LSTM预测模型的预测效果最佳。     

基于双对数回归模型的苹果收益影响因素分析

本文基于中国1991—2015年的相关数据,对影响苹果收益的因素建立多元线性回归模型,并通过经济学、统计学、计量经济学等方法对其进行实证分析。研究结果表明:苹果产量、物质与服务费用、家庭用工折价、苹果平均出售价格是影响苹果收益的主要因素。同时本文将中国加入WTO这一定性因素作为虚拟变量引入回归模型,对苹果收益的影响因素作进一步的关键性分析。本文通过对影响苹果收益因素的分析,为中国苹果市场的持续健康发展提供一个理论方向。