基于BP神经网络模型的森林资源蓄积量动态估测

以浙江省庆元县2007年森林资源二类调查数据为样本数据,选择树龄、海拔、坡度级、土层厚度、A层厚度、郁闭度6个指标作为自变量因子,利用基于BP神经网络的预测模型,分优势树种对森林资源蓄积量进行预测。试验结果表明,自变量因子与因变量(蓄积量)之间具有较好的相关性。今后研究中若能加入一些其他影响因子(如太阳辐射指数、地形湿度指数等),并结合高精度的遥感影像(如天地图),然后再对数据进行一定的预处理,则研究结果将完全可能用于辅助森林资源调查。     

基于BP神经网络的杉木林蓄积量估测研究

以杉木人工林为研究对象,选取与蓄积量预测有关的因子作为样本输入,通过分析神经网络各参数对网络性能的影响得到最佳参数值,构建结构为10∶3∶1的杉木林蓄积量BP神经网络模型,通过模型训练随机抽取46个样本单元数据并预测20个检验样本。结果表明:BP神经网络对于林分蓄积量具有很好的模拟效果,总体拟合精度为88.5%,均方误差MSE=2.95,所构模型合理、稳定,能够快速有效预测杉木林的变化规律。     

基于粒子群优化的BP网络模型在旱涝预测中的应用

旱涝预测为旱涝灾害防御措施的研究提供重要的依据.运用PSO优化的BP神经网络建立了旱涝预测模型.PSO优化的BP神经网络既发挥了BP神经网络在预测领域的优点,同时又结合了PSO算法全局搜索能力强、收敛速度快等特点进行预测.预测结果表明:辽宁省本溪地区11年实测数据对PSO优化的BP神经网络模型进行验证,PSO优化的BP神经网络模型的预测结果明显好于未经优化的,模型精度得到了一定程度的提高,能满足本溪地区旱涝预测的实际需要.     

基于遗传BP神经网络的数据挖掘系统设计

数据挖掘技术是从大量数据中挖掘知识的有效的工具 ,遗传算法和BP神经网络是现今数据挖掘技术中比较新兴的算法。本文介绍了遗传算法和BP神经网络相互结合的一种新算法 ,并设计出了相应的数据挖掘系统 ,且将该系统应用到实际农业实验中。为了便于遗传算法的有效运用 ,文中还提出了格雷———浮点编码法。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

克隆选择粒子群优化BP神经网络电力需求预测

在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性.     

集成GASA混合学习策略的BP神经网络优化研究

针对BP算法易于陷入局部极小值且收敛速度慢的缺陷,在BP神经网络训练过程中集合GA并行化群体搜索的特点和SA在局部极小处发生概率突跳的特性.基于GASA混合学习策略对BP神经网络进行优化.优化后的BP神经网络被应用在农作物虫情预测中,实验结果表明能够较大幅度提高网络学习的收敛性能和收敛速度,并一定程度上减少了算法的复杂性.     

集成GASA混合学习策略的BP神经网络优化研究

针对BP算法易于陷入局部极小值且收敛速度慢的缺陷,在BP神经网络训练过程中集合GA并行化群体搜索的特点和SA在局部极小处发生概率突跳的特性,基于GASA混合学习策略对BP神经网络进行优化.优化后的BP神经网络被应用在农作物虫情预测中,实验结果表明能够较大幅度提高网络学习的收敛性能和收敛速度,并一定程度上减少了算法的复杂性.     

基于遗传BP神经网络组合模型的中药销售预测研究

对某医院2010-2012年中药的销售及变化情况进行了对比分析。为了更好地保证医院中药的库存数量,提出了一种基于遗传算法优化BP神经网络组合模型,用改进的遗传BP神经网络进行中药销售量预测,并将预测结果和单纯使用BP网络的预测结果进行比较,实验证明遗传BP神经网络模型具有更高的预测准确度,为医院中药销售及科学管理中药库存量提供科学依据。     

基于BP神经网络的洪水预测研究

以BP神经网络为基础,通过对神经网络的各个参数进行优化后建立洪水预报模型,并利用四川省达州市州河干流水文站所采集的水文数据进行仿真预报并和实测流量对比。研究表明,采用基于BP神经网络的洪水预测模型进行洪水预测的精度较高,是一种有效可靠的洪水预测方法。     

香格里拉高山松林分直径结构分析

为分析云南香格里拉县高山松天然林林分直径结构特征,用迈耶负指数分布函数、Weibull分布函数、Logistic方程对林分的直径分布进行拟合,对3种分布进行χ2检验,结果表明：用迈耶负指数分布函数描述高山松直径分布效果最好,可用来预测天然高山松林分的直径结构。     

基于优化神经网络的温室厚皮甜瓜病害预测

在温室环境中,厚皮甜瓜较易感染一些病害,而传统的病害预测模型收敛速度慢,易在局部局限在极小值,为准确预测温室厚皮甜瓜病害,在BP神经网络的基础上进行优化,引入了遗传算法,在全局最优解的附近进行局部搜索,以遗传算法的全局搜索能力克服了传统神经网络的局部极小值问题与收敛速度缺陷。经以Matlab对试验数据进行仿真分析,证实引入遗传优化算法进行温室厚皮甜瓜病害预测误差显著减小,取得了较理想的拟合结果。     

基于遗传算法优化的BP神经网络进行水稻氮素营养诊断

应用遗传算法优化BP神经网络进行水稻氮素营养诊断,为水稻的合理施氮提供理论指导。水稻田间试验供试品种为‘两优培九’,设置4个施氮水平（0、210、300、390 kg·hm-2）。在水稻幼穗分化期,扫描获取水稻顶部第三完全展开叶图像,并通过图像处理技术获取19维水稻图像中的颜色和几何形态特征,采用归一化处理、离散小波变换及主成分分析对原始数据进行预处理,并应用遗传算法优化的BP神经网络进行水稻氮素营养诊断。该方法建立的水稻氮素营养诊断模型较单一BP神经网络模型和传统遗传算法优化BP神经网络模型好,模型测试所得4个施氮水平的平均识别率分别为100.000%、99.000%、97.000%、100.000%,测试集样本平均总识别率达到99.000%。基于遗传算法优化的BP神经网络所建立的水稻氮素营养诊断模型具有较强的学习能力和泛化能力,能够很好地识别出水稻氮素营养的缺失,表明运用该方法能够很好地进行水稻氮素营养诊断识别。     

基于BP神经网络对苹果呼吸强度的预测

应用BP神经网络,通过苹果贮藏期间多维数据与呼吸强度的相关分析确定网络的拓扑结构,建立苹果呼吸强度的人工神经网络模型.仿真结果表明,该神经网络能很好地拟合不同贮藏条件下的呼吸强度,模型预测精度达到90%以上.同时,通过遗传算法优化BP神经网络的初始权值和阈值矩阵,使神经网络的预测精度进一步提高.     

基于混合学习算法的模糊小波神经网络控制

采用小波函数作为模糊隶属函数,将模糊控制与神经网络相结合,利用神经网络实现模糊推理.针对BP算法易陷入局部极值点的缺点和简单遗传算法局部搜索能力差的不足,提出了一种混合学习算法,即首先利用遗传算法全局搜索的特点来离线优化神经网络的参数,再利用BP算法较强的局部搜索能力对网络参数进行在线调整.仿真结果表明,该网络能对不同的对象实施有效控制,且具有快速、适应性强等特点.     

基于非线性混合模型的油松天然林树高曲线研究

树高和胸径作为重要的林分因子,二者的异速生长关系是林分生长与收获预估的基础。以北京市古石峪61块油松（Pinus tabuliformis）天然林样地为研究对象,样地按郁闭度CD≥0.6（类型Ⅰ）、0.5≤CD＜0.6（类型Ⅱ）、0.4≤CD＜0.5（类型Ⅲ）、0.3≤CD＜0.4（类型Ⅳ）和CD＜0.3（类型Ⅴ）划分5个等级类型,采用非线性混合模型方法,从26种常用树高曲线中选择拟合精度最高的作为基础模型,以类型和样地作为随机效应,分别基于单水平和嵌套二水平,考虑异方差构建最优的油松天然林树高曲线。采用AIC、BIC和负2倍的对数似然值对不同模型的精度进行比较,并用平均绝对误差、剩余均方根误差和调整后的决定系数对模型进行检验。结果表明,混合参数个数不同,模型预测精度不同;考虑异方差结构的嵌套2水平非线性混合模型预测精度高,调整后的决定系数达0.924 4,剩余均方根误差为0.842 1,可以准确地反映油松树高与胸径的关系,但与以样地作为随机效应的单水平样模型的差异不显著。     

遗传算法优化人工神经网络模型在日光温室湿度预报中的应用

提出一种基于遗传算法优化BP神经网络的方法预测日光温室湿度环境因子。实测日光温室内影响空气湿度的环境因子组成数据样本作为神经网络的输入,采用基于实数编码的遗传算法替代随机设定神经网络的初始权阈值,然后通过改进的BP算法在由遗传算法确定的搜索空间中对网络进行精确训练。模型预报值和实测值基于1：1线的决定系数R2和预测平均相对误差MSE分别为0.9857和3．1％。结果表明,遗传算法优化BP神经网络预报模型收敛速度快、预测精度高。可为日光温室的湿度环境调控制提供理论依据和决策支持。     

基于BP神经网络的河川年径流量预测

运用人工神经网络模型对松花江流域年径流量径流序列做出预报,表明了人工神经网络模型在水文预报中具有一定的优势。通过对基本BP网络算法和L-M算法的比较工作,得到了适合该神经网络模型的训练算法,既L-M算法,提高了预报的精度。以松花江流域哈尔滨站年径流量实测序列为研究对象,在数值试验的基础上找到了适合于松花江流域哈尔滨站年径流序列预报的人工神经网络预报模型结构,提高了该模型的预报准确性。     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性,基于BP神经网络建立烧结配料的预测模型,并采用粒子群算法对预测模型参数进行优化。为了克服粒子群算法的局部收敛性,在迭代过程中,根据迭代次数对惯性权重进行动态非线性调整,从而提高算法的搜索能力。仿真结果表明,所提出的改进粒子群算法与传统的粒子群算法比较,收敛速度快、迭代次数少、具有较强的全局寻优能力。     

北京山区油松人工林单木材积生长量BP神经网络模型

采用综合分析法和相关分析法选定每公顷蓄积量、标准木年龄、标准木树高、标准木胸径为输入变量,以标准木的上个生长季的材积连年生长量为输出变量,建立三层结构的油松(Pinus tabulaeformisCarr.)人工林单木材积生长量BP神经网络模型。利用北京山区78块各类型油松人工林样地调查数据对模型进行训练和仿真模拟。通过综合比较得出网络模型结构为4∶11∶1的网络模型具有最好的模拟效果,训练精度可达94.024%。此模型可以准确、简单、快速的对北京山区油松人工林的单木材积生长量进行有关的分析、计算、模拟和预测。