BP神经网络L-M优化算法在地下水动态预测中的应用

根据地下水动态的时间序列数据资料,建立地下水动态模型,应用BP神经网络的L-M优化算法进行模拟和预测,并与灰色模型预测法的分析结果进行比较,得出该方法不仅简单可行,而且预测精度更高,可在地下水动态、河流水质、大气环境质量预测等方面广泛使用的结论。     

基于L-M优化算法的BP神经网络的作物需水量预测模型

应用L-M优化算法BP神经网络，通过多维气象数据(太阳辐射、空气温度、湿度)与作物需水量的相关分析，来确定网络的拓扑结构，建立作物需水量的人工神经网络模型。用美国田纳西州大学高原实验室所测的100 d气象数据为输入、作物需水量为输出来训练建立好的BP神经网络，仿真表明该神经网络能很好地解决需水量多影响因素之间的不确定性和非线性，模型的预测精度较高，同时通过一组非样本天气环境参数和作物需水量来验证该神经网络，也得到了较好的预测结果，能够满足灌溉的精度要求。     

BP神经网络在隧道岩爆预测中的应用

西南某水电站拟修建四条引水隧洞以及两条平行交通隧道,但工程区一般埋深1000-2000 m,最大埋深2525m,地处高应力区,目前已开挖的2000m洞段中均发现轻微至中等的岩爆现象。因此,在深埋、长大的隧道以后开挖过程中岩爆烈度如何显得十分敏感,利用BP人工神经网络,建立了以强度脆性系数、应力系数等8指标为要素的岩爆预测模型,对12200m未开挖的辅助洞段进行了预报,结果表明,该方法的预报效果较好。与地质分析判断相吻合,可用于进一步指导实践。     

基于BP神经网络的葡萄病害诊断方法研究

根据葡萄病害的特点,采用改进的BP算法,建立了BP神经网络诊断模型,经测试其诊断结果正确率为100%,BP模型的诊断准确率为95.39%。研究结果表明BP神经网络技术适合应用于解决病害诊断这一复杂问题。     

BP神经网络在渭河水环境质量评价中的应用

为准确和客观地评价渭河水环境质量状况,将改进算法的BP神经网络引入地表水环境质量评价领域,采用渭河2010年(9月7日至10月11日)水质指标监测数据,构建了渭河水环境质量评价模型。通过3个水质监测项目(氨氮、高锰酸盐指数、溶解氧)对渭河水质进行了评价,评价结果与环境保护部公布结果完全一致。结果表明,BP神经网络应用于水环境质量评价具有客观性、通用性和实用性,可以很好地解决评价因子与水质等级间复杂的非线性关系,评价方法简便可靠,预测精度高。     

BP神经网络在降雨侵蚀力预测预报中的应用研究

降雨侵蚀力反映由降雨引起土壤侵蚀的潜在能力,是建立通用土壤流失方程USLE的最基本因子之一。由于降雨侵蚀力计算过程中所需资料较难收集,给其计算增加了难度。运用BP神经网络方法对降雨侵蚀力与地理之间的关系进行研究,建立降雨侵蚀力BP神经网络模型。对福建省46个地域的降雨侵蚀力进行研究,结果表明:所建立的降雨侵蚀力BP神经网络模型对模拟预测福建不同地域的降雨侵蚀力,平均模拟精度为96.81%,平均预测精度为95.68%,达到了较为理想的效果。这不仅为降雨侵蚀力的预测预报提供了科学依据,而且也为BP神经网络在水土保持研究中的应用开辟了新的思路。     

BP神经网络在地表移动边界角预测中的应用

在对煤矿采空区地表移动及其边界角影响因素分析的基础上,提出用BP神经网络预测采空区地表移动边界角.建立了边界角预测的BP神经网络模型,利用国内近30项工程的采空区地表移动实测数据作为学习样本对网络进行训练,用实际工程对网络进行了测试分析.结果显示,预测精度平均达90%,研究表明用BP神经网络计算边界角方法可行,具有实用性,为边界角的确定提供了一条新的途径.     

BP神经网络在森林健康预警中的应用

以河北省北沟林场的森林生态系统健康预警为主线,首先通过定量分析和定性分析相结合的方法对森林健康预警指标进行筛选,确定了预警的指标体系;进而基于BP神经网络的基本原理建立了森林生态系统健康预警模型,对森林生态系统健康状况进行了预警。结果表明,北沟林场森林生态系统整体处于绿色和蓝色警戒内,健康状况良好。     

BP神经网络组合模型在次洪量预测中的应用

[目的]探讨BP神经网络组合模型在次洪量预测中的应用,为黄土高原淤地坝群的安全度汛提供决策依据。[方法]构建基于多元线性回归模型(MLR)和去趋势互相关分析法(DCCA)的BP神经网络组合模型;选择均方差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)以及确定性系数(DC)作为评价指标,与单一模型(多元线性回归模型、BP神经网络模型以及去趋势互相关分析法)进行比较。[结果]BP神经网络组合模型的4项指标MSE,MAE,MAPE和DC分别为2.144,5.453,0.074和0.988,均优于单一模型;模型预测效果从优到劣分别为BP神经网络组合模型、BP神经网络模型、多元线性回归模型和去趋势互相关分析法。[结论]BP神经网络组合模型较单一模型平稳性增强,提高了预测效果,可用于淤地坝群的次暴雨洪量预测。     

BP神经网络在不同植被产流产沙分析中的应用

以甘肃省西峰市南小河沟小流域径流场为研究对象，利用BP神经网络对4种植被类型的径流小区（农田、林地、人工草地和天然荒坡）进行了产流产沙量模拟和预测。其模拟产流量的相对误差分别为0．2％～5．7％，0．1％～2．5％，0．7％～2.9％和0．1％～3％；模拟产沙量的相对误差分别为0．1％～3．2％，0．2％～3．1％，0．6％～4．2％和0．2％～2．7％。预测农地、林地、草地和天然荒坡产沙量最大相对误差分别为-11％，14％，-14．6％，18％，产流量最大相对误差分别为10．9％，27．3％，15％，26．3％。结果表明，BP神经网络预测产流产沙的效果较好，对径流小区运用神经网络进行蓄水拦沙指标分析是可行的。     

基于BP神经网络的农田大气氨浓度预测

农业源氨排放是大气氨最主要的来源,其中氮肥施用是最主要的农业氨排放源之一。预测大气氨浓度的变化,确定影响大气氨排放的因素,可为科学管理农田,减轻环境污染提供参考。本文利用BP神经网络分析农田大气氨浓度及与各气象因素的关系,以便清晰地了解农田大气氨浓度的变化规律,为研究农田大气氨提供一种新的思路与方法。首先选取2015年5—10月的农田大气氨浓度数据及气象监测数据,建立以气象因素（气压、气温、相对湿度、降水量、风速和日照时数）为输入变量,农田大气氨浓度作为输出变量的预测模型。其次采用主成分分析法筛选出对农田大气氨浓度影响较大的气象因素,分别为气温、相对湿度、降水量和风速,然后把筛选出的4个主要因素和原来的6个因素分别作为BP神经网络预测模型的输入变量,利用神经网络模型对农田大气氨浓度进行预测。结果显示,农田大气氨浓度的实际值为0.148 5 mg·m^-3,4个因素的预测值为0.159 4 mg·m^-3,6个因素的预测值为0.173 2 mg·m^-3,预测误差分别为7.35%、16.65%,并且4个因素的预测相对误差为1.4%~27.0%,而6个因素的预测相对误差为1.1%~45.0%。预测的农田大气氨浓度在前5 d内变化较大,但随着时间的推移,农田大气氨浓度逐渐变小趋于平缓,且预测值与实际值的变化趋势基本相符。利用4个因素作为输入变量建立预测模型,预测得到的农田大气氨浓度值比6个因素作为输入变量得到的农田大气氨浓度值与实际值更吻合,相对误差值较小。可见,通过主成分分析法去除冗余因素后建立的神经网络模型更加有效,预测结果比筛选之前的预测效果更好,所建立的模型对甄选关键因素具有较好的适用性,并且神经网络预测模型对农田大气氨浓度的预测精度较高。本文构建的农田大气氨浓度预测模型可为农田大气氨浓度分析及相关研究提供方法和思路上的指导。     

基于BP神经网络自动提取沟谷研究

 提出将提取沟谷的过程转化为根据地形因子综合判定地貌类型的思路。以陕西绥德黄土丘陵沟壑区域1∶1万地形图制作的分辨率为5 m的DEM为研究对象,运用BP神经网络分析6种地形因子与沟谷地形的相互关联关系,认为降水累积量是判定沟谷地形的最重要因子。在试验样区建立BP神经网络,利用4种地形因子自动提取沟谷,并在检验样区通过了检验。     

BP神经网络在道路土壤分离速率模拟中的应用

 土壤分离是土壤侵蚀的重要过程,为坡面径流的搬运过程提供了物质基础,因而对土壤分离速率的准确模拟具有重要的理论和实践意义。采用变坡水槽实验,利用在较大的坡度(8.8%～46.6%)及较大的流量范围(1～5L/s)内测得的黄土高原道路土壤分离速率数据,分别使用BP神经网络模型及回归模型对土壤分离速率进行模拟,并对比上述2种模型的模拟效果。结果表明:BP神经网络模型可以利用实验中较容易测定的坡度、流量等数据对土壤分离速率进行较为准确的模拟(模型效率系数0.952);相对传统回归模型,BP神经网络模型对不同类型道路的土壤分离速率的模拟精度均有所提高;BP神经网络模型可以将道路类型、坡度、流量与土壤分离速率的关系统一为一个模型,可为道路土壤分离的模拟提供新的方法。     

施肥对河西绿洲制种玉米各器官养分吸收及产量的影响

通过田间小区试验,研究了氮肥、磷肥和钾肥的配合施用对制种玉米氮、磷、钾的养分含量、吸收状况及产量的影响。结果表明,施肥对制种玉米干生物量的累积有明显的促进作用,增施氮、磷肥有利于提高制种玉米干物质的累积,当氮肥过量时,干生物量反而有所下降。合理配施氮肥、磷肥和钾肥,促进了养分比例的协调供给,明显增加了制种玉米各器官的养分含量、养分吸收量及养分收获指数。合理配施氮、磷肥能使制种玉米具有明显的增产效果。每生产100 kg玉米籽粒,最高产量氮素、磷素、钾素的吸收量分别为N:2.25 kg,P2O5:0.60 kg和K2O:2.40 kg,植株吸收养分适宜比例(N︰P2O5︰K2O)3.73︰1︰3.97。在制种玉米生产中推荐施肥量为N 360 kg/hm2,P2O5 180 kg/hm2,K2O 90 kg/hm2。     

基于BP人工神经网络的长江河口地区土壤盐分动态模拟及预测

为开展长江河口地区土壤盐分动态的中长期模拟与预测,采用人工神经网络中应用较为成熟和广泛的BP网络建立长江河口地区土壤盐分与降雨量、蒸发量、长江水电导率、内河水电导率、地下水位、地下水电导率6因子间的非线性神经网络响应模型。网络模型结构为6-11-1,隐含层单元数用"试错法"确定。选择合适的参数训练和学习网络模型后,对河口地区2003年各月平均根层土壤电导率进行预测,并与线性回归模型预测结果进行比较。结果表明:BP网络模型较线性回归模型具有更高的预测精度,平均相对预测误差为7.3%,预测值与实测值相关性良好,可以满足实际应用需求。     

神经网络在储粮害虫识别中的应用

重点研究了基于图像识别的储粮害虫自动检测系统中的粮虫分类环节。对分割后的储粮害虫二值化图像，从10多个形态特征中选择出5个有效的特征；将GA和BP算法相结合来训练神经网络，克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷，对4类害虫的20个样本的识别率达到100%，为系统的实际应用奠定了基础。     

基于机械特性BP神经网络的苹果贮藏品质预测

应用L－M优化算法BP神经网络，通过用苹果机械特性指标(压缩时的最大力、屈服力、弹性模量)预测苹果贮藏品质(硬度、水分、可溶性固形物、总酸)的方法，建立贮藏品质的人工神经网络模型。用试验所测的机械特性指标为输入，苹果贮藏品质为输出来确定网络的拓扑结构，训练建立的BP神经网络。仿真结果表明：该神经网络模型用机械特性指标能预测苹果贮藏品质，同时通过5组非样本数据来验证该神经网络，模型的预测值与实测值的相对误差在5%以下，能够满足工程应用中预测苹果贮藏品质的精度要求。     

应用BP神经网络预测高压脉冲电场对果蔬干燥速率的影响

高压脉冲电场（HPEF）预处理果蔬可以提高果蔬干燥速率,改善干燥产品的品质,降低能耗。通过对白萝卜和苹果HPEF预处理干燥试验,探讨脉冲强度、作用时间和脉冲个数等预处理参数对干燥速率的影响。应用BP神经网络L-M训练法分析HPEF预处理参数与不同时间段干燥速率之间的关系。从而达到确定HPEF参数与不同时间段干燥速率之间因果关系的目的。研究结果表明,脉冲强度对干燥速率的影响比作用时间和脉冲个数对干燥速率的影响显著;建立白萝卜和苹果预处理干燥的BP神经网络仿真模型,并与实测值进行对比,用BP神经网络预测的干燥速率接近实测结果,具有较好的估计效果。     

基于BP神经网络的皮棉杂质在线检测方法

为改进因皮棉含杂影响因素多，现有杂质含量数学统计模型不精确，测量精度不高的缺点，用人工神经网络方法建立了基于BP神经网络的皮棉杂质含量数学模型。用自行设计的皮棉杂质测量系统提取皮棉杂质图像特征参数并进行处理。针对BP神经网络收敛慢的特点，在实际算法中引入了动量项，从而提高了网络收敛速度。试验结果表明，BP神经网络模型拟合结果的相对剩余标准差为1.76%，拟合精度明显优于数理统计模型的拟合精度。