基于自适应进化相关向量机的城市需水量预测模型研究

为改进城市需水量预测模型,将相关向量机与差分进化优化算法进行融合及改进,提出基于自适应进化相关向量机的需水量预测模型.以新疆阿克苏市为例,建立基于自适应进化相关向量机的城市需水量预测模型,并与多元线性回归、BP神经网络、支持向量机算法在精度与可靠性方面进行对比分析.结果表明:新模型预测精度大约是上述其他方法的2倍以上;测试数据的实际需水量均在自适应进化相关向量机估计的95％置信度的置信区间内,并且由后验差比、小误差概率判定模型等级属于“好”级别.     

基于最小二乘支持向量机的人民胜利渠灌区灌溉用水量预测

基于最小二乘支持向量机（LSSVM）良好的泛化能力和特点,以人民胜利渠灌区需水量为研究对象,选用径向基函数（RBF）作为核函数,建立了最小二乘支持向量机预测模型,对灌区需水量进行了模拟计算,用检验样本与灰色预测和基于RBF的神经网络模型的预测结果进行了比较,LSSVM预测的最大误差8.78%,平均误差4.90%。结果表明最小二乘支持向量机模型有较高的预测精度和较强的泛化能力,可为灌区水资源规划提供科学依据。     

基于人工蜂群径向基神经网络预测参考作物需水量

为了能够根据有限的气象数据较为准确的模拟蓄水坑灌苹果园的日参考作物需水量,以山西省农业科学院果树所蓄水坑灌试验基地的逐日气象资料为输入项,以日参考需水量为输出项,在径向基神经网络的基础上构建了基于人工蜂群算法的径向基神经网络模型,以预测蓄水坑灌苹果园的日参考作物需水量,以FAO-56 Penman-Monteith(FAO56-PM)公式的计算结果为标准分析预测模型的适用性。结果表明:经人工蜂群算法优化后的径向基神经网络预测模型的模拟结果与标准方法FAO56-PM公式的计算结果更为接近,更适合于预测山西省农业科学院果树所蓄水坑灌苹果园日参考作物需水量。     

基于LSTM的温室番茄蒸腾量预测模型研究

作物蒸腾量是指导作物灌溉关键参数之一,实时获取作物蒸腾量,实现按需灌溉是节约用水的有效途径。然而,温室内小气候效应显著,作物蒸腾与环境因子间关系较为复杂,且各环境因子之间相互关联并呈非线性变化。本文以番茄作为研究对象,使用称量法测量作物实时蒸腾量,通过布设传感器实时获取温室小气候数据,包括空气温度(Air temperature, AT)、相对湿度(Relative humidity, RH)、光照强度(Light intensity, LI)作为模型的小气候环境输入,冠层相对叶面积指数(Relative leaf area index,RLAI)作为模型的作物生长输入,在此基础上,提出了基于长短期记忆网络(Long short term memory, LSTM)的番茄蒸腾量预测模型。利用该模型对番茄蒸腾量进行预测,并与非线性自回归(Nonlinear autoregressive with exogeneous inputs, NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network, RNN)模型进行了对比。试验结果表明,LSTM预测模型决定系数(Determination coefficient, R2)与平均绝对误差(Mean absolute error, MAE)分别为0.9925和4.53g,与NARX神经网络、Elman神经网络、RNN方法进行对比,其决定系数分别提高了8.97%、1.18%和0.82%,其平均绝对误差分别降低了8.16、6.23、0.52g。本研究所提的预测模型具有较高的预测精度及泛化性能,研究成果可为温室作物需水规律及需水量研究提供参考。     

基于GA-Elman神经网络的参考作物需水量预测

根据通东灌区多年气象资料以及逐日参考作物需水量数据,构建了以日序数、日照时数、日平均气温等因子为输入向量,以逐日参考作物需水量为输出向量的GA-Elman神经网络参考作物需水量预测模型,通过随机选取方式,采用通东灌区2015年逐日气象资料及参考作物需水量等数据对模型进行了测试,结果表明:构建的GA-Elman模型具有较高的预测性能精度,其相对误差绝对值均值为7.24%,绝大多数处于0%～25%范围内,其中处于0%～10%范围内的占总数81.8%,模型具有较强的实际应用价值。     

基于LSTM递归神经网络的番茄目标产量时间序列预测

番茄目标产量预测对于合理制定灌溉施肥制度以及减少水肥的浪费有着重要意义。以番茄历年产量数据为依据,提出了一种基于长短期记忆递归神经网络的番茄目标产量预测模型,包括模型设计、网络训练和预测过程实现等,将模型预测结果与自回归移动平均(ARIMA)、小波神经网络(WNN)、支持向量回归(SVR)3种时间序列预测模型进行对比,验证了所提出的LSTM递归神经网络预测模型在番茄目标产量预测中具有较高准确性。     

基于灰色神经网络的作物需水量预测模型研究

采用灰色系统理论与神经网络,通过多维度气象因子和参考作物需水量的相关分析,来确立灰色神经网络拓扑结构及网络流程,建立了预测作物需水量的灰色神经网络模型。以海南省儋州市1979~2014年的气候数据为输入,作物需水量为输出数据,运用Matlab工具,仿真表明预测曲线与参考作物需水量曲线拟合度较高,灰色神经网络模型预测结果绝对相对误差均值为5.28%,预测精度高,为节水灌溉提供了一种新的有效方法。     

基于神经网络算法的果树需水预测研究

【目的】准确预测果树需水量。【方法】对采集地果园环境数据进行主成分分析,筛选出影响果树蒸腾量的关键因子。建立以长短时记忆(LSTM)神经网络为基础的预测模型来预测果树蒸腾量。为提高预测的精度,在LSTM神经网络的基础上加入了注意力(Attention)机制,形成Attention-LSTM预测模型。【结果】将改进的模型与其他模型的预测精度进行对比,仿真试验表明,该模型的预测精度最高,RMSE和MSE分别为0.487和0.062。【结论】该预测模型可以准确预测果树蒸腾量,从而实现果园精准灌溉并提高水果产量,具有一定的实际意义。     

基于RBF神经网络与BP神经网络的核桃作物需水量预测

采用RBF网络与BP网络的方法,利用MATLAB工具箱并结合气象资料中的相对湿度、平均气温和太阳日辐射量,建立了预测核桃作物需水量的神经网络预测模型.两种预测模型通过实例证实了预测的准确性,并且将这两种网络模型进行了比较分析.RBF神经网络预测作物需水量的绝对误差平均值为0.254 7 mm/d、相对误差平均值为5.47％,BP神经网络预测作物需水量的绝对误差平均值为0.320 6mm/d、相对误差平均值为6.97％,由此可见,RBF网络预测的精度比BP网络高.并且,通过程序记时显示RBF网络训练用时0.063 0 s,比BP网络训练所需的时间要短的多,因此RBF神经网络具有较好的实用价值,实现了精度与实用性的统一.     

基于GA-BP神经网络的果园需水量预测

为解决果园需水量预测精度低、鲁棒性差等问题,提出了遗传算法(GA)优化BP神经网络的果园需水量预测模型.选取空气温度、土壤含水率、光照强度3个主要环境因子作为BP神经网络的输入量,利用遗传算法的全局搜索能力优化神经网络权值和阈值,建立GA-BP神经网络模型预测果园需水量.仿真结果表明:GA-BP预测模型的预测值比BP模型更加趋近期望需水量,模型评价指标平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE),均优于单一BP神经网络模型.与传统的BP神经网络算法相比,GA-BP神经网络模型能较好的表达果园需水量与主要环境因子的非线性关系,具有较高的预测精度和适应性.     

考虑季节因子的支持向量机径流预测模型

基于河川径流月时段具有非平稳季节性的特征,构建支持向量机的季节性样本,建立水库入库径流的季节性支持向量机预测模型。以三峡水库1950~2006年的入库径流系列为训练样本,利用季节性支持向量机预测模型对三峡水库2007~2009年的月径流量进行预测。将此预测结果与BP神经网络模型和标准支持向量机模型预测结果进行指标分析,结论显示季节性支持向量机径流预测模型准确度更高,可以用于水库入库径流的预测。     

BP神经网络与GA-BP农作物需水量预测模型对比

农作物需水量预测是制定合理灌溉制度的重要依据.针对BP神经网络的不足,利用遗传算法(GA)具有全局搜索能力强的特点,建立基于GA-BP神经网络的农作物需水量预测模型.以广州辣木农庄试验田农作物作为研究对象,结果表明:基于BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.037和0.648;GA-BP神经网络农作物需水量预测模型测试集均方误差和确定性系数分别为0.013和0.882,GA-BP农作物需水量预测模型收敛速度、确定性系数和性能均优于BP农作物需水量预测模型.     

耦合模拟退火优化最小二乘支持向量机的日参照蒸散量模拟计算

针对传统最小二乘支持向量机模型的训练速度慢、不易在线训练、计算量大及参数选择困难等缺陷,提出采用耦合模拟退火优化最小二乘支持向量机算法,建立基于耦合模拟退火优化最小二乘支持向量机的参照作物蒸散量预测模型。选取陕西省的榆林、安康和西安气象站监测的1971-2014年气象资料进行模型训练、测试与验证,研究气象监测获取原始数据作为网络输入,参照蒸散量ET0为输出,构建CSA-LSSVM预测模型,并将CSA-LS-SVM预测结果与LSSVM模型及经典ET0模型模拟计算结果进行比较。结果表明,CSA-LS-SVM模型模拟计算精度和总ET0模拟模型都优于LSSVM模型及其他经典模型模拟结果。该研究CSA-LS-SVM模型为陕西地区气象资料缺乏情况下ET0精确计算提供科学依据,为作物需水量的智能决策提供参考。     

变化环境下城市需水量影响因子识别

气候变化和人类剧烈活动正深刻影响着水资源供需系统,然而需水量影响因素众多,因此如何量化需水量和各类影响因子之间的关系,从而识别出主要的影响因子是需水预测一个重要的研究方向。以东莞为研究对象,建立了支持向量机（SVM）和BP神经网络需水预测模型,并将东莞市的需水量影响因子分为社会因子、经济因子和气候因子三类,分别采用不同的影响因子作为驱动,对东莞市需水量进行预测,结果显示经济类影响因子是东莞市需水量最主要的驱动力,且社会因子与气候因子与需水量也有一定的响应关系。     

水稻各生育期需水量预测的综合模型

根据灰色系统理论的灰色模型（Grey Model)与时间序列方法ARMA模型，提出了水稻各生育期平均日需水量预测的时间序列综合模型。根据看出的模型，利用沈阳农业大学15年的水稻需水量试验资料，分别建立了沈阳地区水稻各生育期平均日需水量向前l步的预测模型，并提出了水稻全生育期需水量的向前l步的预测模型，这是水稻需水量预测的最新理论与方法。该方法建模简单，所需资料较少，并具有较高的精度。     

基于长短期记忆神经网络模型的地下水水位预测研究

利用长短期记忆神经网络(LSTM)构建地下水水位预测模型,解决了传统神经网络预测模型处理时序数据时未考虑时间序列的问题,同时采用多影响变量输入的方式弥补了简单时序模型处理数据时过于依赖时间的缺点。以泰安市岱岳区满庄镇姜家园村046J地下水位监测井为例,采用2001-2016年的监测资料与相关气候数据,利用长短期记忆神经网络构建了地下水水位预测模型,以控制变量的方法确定最优参数,对该井的地下水水位进行了预测,并与单变量LSTM神经网络、BP神经网络预测模型作对比。研究结果表明:基于多变量输入的LSTM神经网络模型能够通过少量历史数据准确的预测未来地下水水位变化情况,特别是在一些资料匮乏的地区,预测误差要显著低于参与对比的预测模型,预测均方根误差仅为2.052。因此,基于多变量的LSTM神经网络模型能够作为简单有效的地下水水位预测工具,为区域水资源管理提供一定的参考。     

基于GA-LSTM的酿酒葡萄霜霉病预测方法研究

随着我国贺兰山东麓地区葡萄园的大量兴建和大规模引种,各个葡萄园内出现了以霜霉病为典型的严重的病虫害问题。针对目前酿酒葡萄霜霉病精确预测手段缺乏的问题,提出一种基于遗传算法改进长期和短期记忆神经网络的预测模型。将遗传算法(GA)加入长短期记忆神经网络(LSTM)预测模型的参数调节环节中,通过优化算法代替人工手动调参在超参数搜索空间中不断迭代得到最优超参数组合最终确定模型。再建立基于霜霉病—气象时序数据的手动调参LSTM模型和BP神经网络模型,将三种模型在测试集上进行对比试验。GA-LSTM模型的预测结果均方根误差、均方误差、平均绝对误差分别为0.410 3、0.168 4、0.245 0,均小于LSTM模型和BP神经网络模型。预测结果表明LSTM在时间序列问题的应用中预测性能优于BP神经网络模型,使用遗传算法对LSTM模型的超参数选择环节进行优化,最终得到的超参数组合优于手动调参的LSTM模型得到的超参数组合。     

基于EMD-LSTM的猪舍氨气浓度预测研究

为提高猪舍氨气浓度预测的精度和效率,提出了基于经验模态分解和长短时记忆神经网络(EMD-LSTM)的猪舍氨气浓度预测模型。首先,将猪舍氨气浓度时间序列数据进行经验模态分解,得到不同时间尺度下的固有模态分量(IMF);然后,对IMF建立LSTM氨气浓度预测模型;最后,将各分量的预测结果相加求和作为猪舍氨气浓度的最终预测值。将本文提出的预测模型应用于江苏省宜兴市实验基地某养猪场的氨气浓度预测中,并与Elman模型、循环神经网络(RNN)模型、LSTM模型和EMD-LSTM模型进行了对比实验,结果表明,基于EMD-LSTM模型的预测精度较高,预测结果与真实值相比较,平均绝对误差、平均绝对百分误差和均方根误差为0. 072 3 mg/m~3、0. 6257%和0. 094 5 mg/m~3。     

优化神经网络模型在作物需水量预测中的应用

在MATLAB6.5中建立BP神经网络模型,用比较试验法对网络结构优化起关键作用的隐层节点数和优化训练算法进行了仿真试验,从而确定了合理优化的BP神经网络预测模型.采用一组样本数据来训练建立好的优化模型,并通过一组非样本数据来验证训练好的网络模型.误差结果证明,该优化模型能快速与准确地预测作物需水量,完全能够满足农业灌溉的精度要求.     

基于灰色支持向量机组合模型的农产品产量预测

鉴于灰色预测模型和支持向量机各自的优点,将灰色预测模型与支持向量机相结合,提出灰色支持向量机组合模型,并将该模型应用于花生产量预测中。结果表明,与单一支持向量机和灰色预测模型相比,灰色支持向量机组合模型的预测精度明显提高。