残差修正模型在森林火灾预测中的应用

基于1990-2013年福建省森林火灾发生次数建立残差修正模型,并与BP神经网络模型、马尔科夫链模型、赋权组合预测模型进行比较.结果表明:残差修正预测模型的预测精度达到95.33%,而BP神经网络模型预测精度是87.77%,马尔科夫链模型预测精度为74.85%,赋权组合预测模型预测精度为88.3%,残差修正模型预测效果优于其他3个模型,说明使用其对离散的森林火灾数据进行短期预测是有效可行的.     

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.     

基于灰色神经网络与马尔科夫链的城市需水量组合预测

【目的】针对城市需水量预测系统具有非线性和随机波动性的特点,建立基于马尔科夫链修正的组合灰色神经网络预测模型,以提高模型的预测精度。【方法】比较分析灰色GM(1,1)模型、BP神经网络模型以及二者线性组合的灰色神经网络预测模型的预测效果,建立基于马尔科夫链修正的组合灰色神经网络预测模型,并以榆林市2000-2009年的用水量实际数据为研究对象,通过实例比较分析模型的检验预测精度。【结果】经马尔科夫链修正处理后,建立的基于马尔科夫链修正的灰色神经网络组合模型的预测精度更高,预测误差的绝对值均小于4%,且均方差σ为1.00,小于组合灰色神经网络模型与GM(1,1)模型、BP神经网络模型预测误差值的均方差。【结论】基于马尔科夫链修正的组合灰色神经网络需水量预测模型,对城市需水量的预测优于灰色神经网络及各单项预测模型,不仅预测精度高,而且能同时反映出数据序列发展变化的总体趋势和系统各状态之间的内在规律,适合描述随机波动性较大的预测问题。     

山东省年粮食总产量的神经网络预测研究

以1978年-2007年间山东省年粮食总产量为研究对象,基于后向传播算法的神经网络模型,开展粮食总产量的非线性建模和预测研究.研究结果表明,山东省粮食总产量的年际变化呈现较强的非线性特征,建立的粮食总产量反向传播神经网络模型预测精度较高.两个验证样本的预测相对值分别为0.0475,0.0084,预测误差分别为5.38%和9.23%,在10%的误差范围内,可以应用于时间序列支持下的山东省粮食总产量的预测.     

基于修正组合模型的包头市用水量预测分析

【目的】建立基于马尔科夫链修正的组合灰色神经网络模型,为城市用水量的准确预测提供支撑。【方法】在运用灰色关联性分析法确定用水量变化的主要影响因素的基础上,建立了基于马尔科夫链修正的组合灰色神经网络模型,将该模型应用于包头市2009和2010年的用水量预测,并将其预测结果与灰色模型、BP神经网络模型和组合灰色神经网络模型的预测结果进行比较。【结果】包头市用水量受人口、国内生产总值、工业总产值、建成区绿化覆盖率、耕地面积及工业用水重复利用率的影响较大,利用建立的基于马尔科夫链修正的组合灰色神经网络模型对包头市2009和2010年用水量进行预测,并与实际用水量进行比较后表明,其相对误差分别为0.16%和2.16%,均方根相对误差为1.53%,而灰色模型、BP神经网络模型和组合灰色神经网络模型的均方根相对误差分别为4.34%,3.08%和1.99%。可见,基于马尔科夫链修正的组合灰色神经网络模型的预测效果最好。【结论】基于马尔科夫链修正的组合灰色神经网络模型结合了各模型的优势,预测精度较高。     

基于BP神经网络的粮食产量预测模型

提高我国粮食产量的预测精度与效率是人们关注的一个重要问题.BP模型是目前最为广泛应用的神经网络模型之一,它是一种简单又非常有效的算法.将BP神经网络模型应用到粮食产量预测中,并建立了粮食产量的神经网络预测模型,结果表明BP神经网络应用于粮食产量预测是可行的.     

基于ARIMA和GA-Elman神经网络的新疆年降水耦合预测研究

[目的]提高降水预报的预测精度,准确预测一个地区未来的降水量,可以提高该地区防灾减灾的能力,更好地为工农业生产生活提供决策参考.[方法]以年降水时间序列为研究对象,利用差分自回归移动平均(ARIMA)和GA-Elman神经网络技术建立一种耦合预测模型.该模型首先根据年降水时间序列建立ARIMA模型,拟合它的线性结构部分,基于原始降水序列和ARIMA模型的预测值、残差序列,利用GA-Elman神经网络技术进行耦合建模.将该模型应用于新疆年降水量的预测预报,并与单一的ARIMA模型、GA-Elman神经网络模型进行比较.[结果]耦合模型的归一化均方误差、平均绝对误差、后验差比值及小误差概率分别为0.287,9.581,0.241和1,均优于ARIMA模型、GA-Elman神经网络模型,预测精度得到了明显的提高,预测精度等级为好.[结论]基于ARIMA和GA-Elman神经网络的耦合预测模型具有更高的预测精度,可用于新疆的年降水量预报.     

灰色神经网络组合模型(GNN)在涝灾预测中的应甩

洪涝是对人类及社会危害较大的一种自然灾害,洪涝严重影响农业生产和生态平衡,涝灾预测已成为防灾减灾的重要内容.应用BP神经网络模型对灰色模型预测精度较低的问题进行了改进,该方法是将灰色模型的预测值作为神经网络的输入,以实际值作为输出而构成灰色神经网络组合模型(GNN).以辽阳地区50年的年降水量作为历史数据,建立GNN涝灾预测模型.预测结果表明:该方法与传统的灰色预测方法相比提高了预测精度,这种新的信息处理和预测方法是有效可行的.     

基于气象因子的科尔沁右翼前旗草原鼠害预测模型研究

基于气象因子,本文使用Back-propagation (BP) 神经网络模型对内蒙古自治区科尔沁右翼前旗草原鼠害发生面积进行预测,结果表明：BP神经网络模型的预测效果良好,其精度可高达91%以上,符合预测草原鼠害发生面积的业务要求.     

农作物虫情的模糊神经网络预测模型

利用BP神经网络建立的农作物虫情预测模型,其算法存在收敛速度慢、网络泛化能力差等缺点,可影响预测精度。为进一步提高预测精度,将人工神经网络与模糊系统结合,建立基于模糊神经网络的农作物虫情预测模型;并将该模型与基于BP神经网络算法的预测模型进行比较。结果表明,模糊神经网络的预测模型预测精确度比较高,训练速度比较快;该模型给农作物虫情预测提供了一种新方法。     

预测水稻螟虫发生趋势的径向基函数人工神经网络模型及其与BP网络的比较

文章采用径向基函数人工神经网络的方法,利用MATLAB工具箱并结合气象资料中的平均气温、最低气温、日照时间和降雨量．建立了预测虫害发生程度的RBF神经网络预测系统。系统通过实例证实了预测的准确性,并且与常用的BP网络进行了比较。RBF网络和BP网络通过对训练样本的仿真,可明显看出RBF网络比BP网络更为精确。通过程序记时显示RBF网络用时1．2030s．比BP网络训练所需的时间要短的多．因此RBF神经网络具有很好的实用价值。     

基于神经网络的森林火灾危害程度预测研究

以可燃物分布、可燃物含水量、可燃物载量、可燃物种类、平均月发生次数、距居民点距离、坡度、温度、湿度等因素为输入变量,危害程度为输出变量,采用BP神经网络建立了林火危害程度预测模型,定量分析这些指标对林火危害程度的影响规律。结果表明:模型具有较高的预测精度,输出结果的误差小于3%。     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015 年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明：通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab 平台上训练精度设为0.005、学习率0.01 的BP神经网络方法可以很好地逼近非线性函数。用大于1/3 样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

人工神经网络在流域植被类型优化中的应用

鉴于防护林体系植被类型受众多因素影响,并具有复杂的非线性特点,以近自然林业为理念,采用LM人工神经网络建立防护林体系植被类型优化模型,并用典型流域的现实数据对模型进行训练和预测验证。结果表明,用Matlab构建的模型方便、快捷,同时具有收敛速度快、预测精度高的特点,为防护林体系植被优化提供了一种行之有效的方法。     

马尾松人工林树高BP模型研究与应用

用BP人工神经网络建立了马尾松人工林树高模型,并在树高模型的基础上,提出了马尾松地位指数计算式,从而编制了地位指数表。结果表明:用人工神经网络建立模型拟合精度为94.76%,检验精度为92.15%,所建模型无系统偏差,人工神经网络很适合建立非线性模型。     

基于WebGIS的森林病虫害预测预报专家系统的设计与应用

将人工智能技术、GIS技术、数据库技术、网络技术有机结合和系统集成,设计了一个可以对森林病虫害的发生期、发生量和发生区域进行预测预报的网络专家系统。系统采用多种类型的数据库作为推理机的数据源,并构建了动态预测模型,使得对森林病虫害预测预报更加全面、有效、科学。     

七里街水文站实时洪水预报神经网络模型

采用人工神经网络方法,建立福建省闽江建溪流域七里街水文站实时洪水过程预报的３ 层前馈反向传播神经网络模型, 经检验预测精度为８３．３０％ , 符合该区洪水预报规范, 准确率比较高． 其结果表明, 人工神经网络模型可适用于洪水过程预报的动态模拟     

Elman反馈型神经网络模型在灌溉用水量预测中的应用

灌溉用水量的预测对灌区的灌溉管理起着重要的作用。运用神经网络中Elman反馈型神经网络建立了灌溉用水量预测模型,模型输入层神经元数目为4,输出层神经元数目为1,隐含层神经元数目确定采用试验法,最终确定为10。预测结果表明:该方法与传统的预测方法相比,具有网络稳定性高,训练误差曲线比较平滑,模型预报精度较高等优点。