基于BP神经网络的果蔬热导率预测模型

通过微热探针法测试装置研究了30个品种的果蔬热导率与可溶性固形物含量、含水率、密度和硬度等因素的变化关系,提出了一种基于BP神经网络的果蔬热导率预测模型,并根据误差比较分析进行了模型优化。结果表明,该优化网络模型具有较好的热导率预测效果,平均相对误差为1.11%,平均绝对误差为0.0057W/(m?K),可以用于果蔬贮藏加工业中果蔬热传递过程的计算。     

基于遗传算法优化BP神经网络下马铃薯产量预测模型

马铃薯产量的高效预测对于制定马铃薯生长期间的精准管理决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在的精度差、准确度低等问题,选择遗传算法对单一BP神经网络模型开展网格优化。基于朔州市朔城区沙楞河村2010-2019年田间物联网获取的田间环境数据(土壤含水率和土壤温度)、气象环境数据(大气湿度、大气温度、降雨量)和马铃薯产量,采用BP神经网络及GA-BP神经网络模型对所选地区马铃薯产量进行预测分析。研究结果表明：GA-BP神经网络模型下,马铃薯产量的预测精度明显高于BP神经网络模型,R²达到0.993 27,平均相对误差仅为0.88%。试验证明,GA-BP神经网络模型能够更加科学、合理地进行马铃薯产量预测,说明利用遗传算法优化BP神经网络在马铃薯产量预测中是可行且有效的。     

基于BP神经网络的牡丹花热风干燥含水率预测模型

针对热风干燥制作牡丹压花时含水率不便实时测定的问题,探讨了干燥过程中热风温度、风速、压花板孔密度和牡丹花初始质量对干燥速率的影响.利用BP神经网络建立了干燥时间、热风温度、风速、牡丹花初始质量、压花板孔密度与牡丹花干燥过程中含水率之间的关系模型,采用Matlab神经网络工具箱对模型参数进行训练和模拟.结果表明,利用神经网络建立的模型仿真结果与实测值接近,预测性较好.     

基于BP神经网络对云南省粮食产量的预测模型

基于BP神经网络建立云南省粮食产量预测模型,分析有关文献,最终选择农业机械总动力、有效灌溉面积、农用化肥施用折纯量、农村用电量、农药使用量、粮食作物播种面积、农用柴油使用量和受灾面积等8个指标作为输入变量,粮食产量为输出变量。首先以云南省1993—2016年的粮食产量及8个粮食产量影响因素等数据,搭建BP神经网络预测模型,预测2017年、2018年和2019年的粮食产量。试验结果表明,基于BP神经网络预测模型在训练阶段,相对误差绝对值基本小于1%;在验证阶段,预测2017年、2018年和2019年的相对误差分别为1.84%、3.25%和2.86%,误差率均控制在5%以为,说明该模型具有很好的预测效果,能够有效地对粮食产量进行预测,并为粮食产量的预测提供了一种新的方法。     

SBR工艺中pH值变化时间序列的BP网络预测模型

利用改进的BP算法结合MATLAB工具箱，对SBR工艺中PH值变化的时间序列建立了一种BP网络预测模型，并利用该模型对SBR工艺中PH值的变化规律及趋势进行了研究。结果表明：模型的计算值与实测值之间的误差很小，对未来时刻数据的预测精度也较高，模型较好地反映了SBR工艺中PH值变化的规律，这说明BP网络用于PH值变化规律的研究是一种行之有效的新途径。     

基于微流控和比色光谱法的水产养殖海水氨氮含量检测

为实时、准确地获取水产养殖海水中氨氮含量,以大围网养殖海水中的氨氮为研究对象,在比色光谱法基础上结合微流控技术进行靛酚蓝法比色反应,实现对溶液中氨氮含量的定量检测。建立数据处理后相应的模型,并且对比了不同光谱预处理和不同样本集划分算法对建立预测模型的影响,其中多元散色校正（MSC）后再使用小波平滑的预处理方法结合排序法划分样本集建立的偏最小二乘（PLS）回归模型效果最优,建模集校正标准差（RMSEC）和预测集校正标准差（RMSEP）分别为0.0566mg/L和0.0677mg/L,相对分析误差（RPD）为6.8932;在优化条件下测得方法的线性范围和检测限分别为0.005~1.350mg/L和0.0036mg/L。对海水、自来水和养殖水体进行加标回收实验,平均回收率在94%~109%之间,相对标准偏差在2.3%~5.8%之间。结果表明,实验建模效果良好,操作简单、方便,实验快速、可靠、无污染,表明利用比色光谱法结合微流控技术检测氨氮方法可行。     

基于遗传算法与RBF网络的养殖池塘溶解氧模型

在分析了工厂化水产养殖池塘溶解氧影响因素的基础上,利用RBF神经网络良好的非线性逼近能力建立了池塘溶解氧的神经网络预测模型.常规的RBF神经网络模型常导致训练时间较长且易陷入局部极小点,因此,采用自适应遗传算法对RBF神经网络进行优化,模型的收敛速度明显加快.采用了养殖池塘的外部可控环境水体温度T、水流量Q、酸度(pH)以及增氧机器的转速V作为模型的输入.实验结果表明采用该方法预报溶解氧的预测精度较常规RBF递推算法的预测精度明显提高.该方法为研制开发智能水产养殖环境监控系统以及工厂化水产养殖奠定了基础.     

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.     

基于随机配置网络的海水养殖氨氮浓度软测量模型

氨氮浓度是水产养殖过程的重要监控指标,水中氨氮浓度过高,会产生较强的神经毒素,导致水生物大面积死亡,因此,需实时准确监测水产养殖过程中水的氨氮浓度。然而,由于影响海水水质因素较多,各因素之间关系复杂、相互影响,目前未能实现海水氨氮浓度的实时监测。通过分析海水养殖水体中氨氮的生成和硝化过程,选取水体中与氨氮浓度相关且易测的水质参数(温度、电导率、p H值、溶解氧质量浓度)为辅助变量,采用收敛速度快且泛化能力较强的随机配置网络建立了氨氮浓度软测量模型。为验证方法的有效性,设计了实验室海水养殖循环水系统,通过试验系统的实测数据,将该方法与其他几种神经网络建模方法进行了比较。结果表明,氨氮浓度随机配置网络模型具有更高的精度和更快的运行速度。基于模型设计了水产养殖水质监控系统,并将此方法嵌入上位机Win CC软件,实现了氨氮浓度的在线监测。     

基于BP神经网络的玉米果穗烘干装置参数优化

以物料的水分质量、物料的总质量、物料中的干物质质量和干燥作业时间为自变量,干燥有效度、干燥均匀度、水分比率为响应值,建立烘干工艺参数的神经网络数学模型.用MATLAB优化工具箱对该模型进行优化,求得干燥装置各因素之间的最佳组合,并应用遗传算法对优化结果进行验证.优化结果表明:应用MATLAB优化工具箱对该模型进行优化后...     

基于神经网络红枣红外辐射干燥预测模型建立

针对红枣红外辐射干燥含水率的变化具有非线性和时变性、很难利用现有的模型构造一个数学模型来描述其变化规律的问题,利用Mat Lab神经网络工具箱和红枣红外辐射干燥特性试验数据建立了神经网络预测模型。通过对实测值和模型预测值进行分析研究,得出利用BP神经网络可以较快速、准确地建立模型来描述含水率的变化规律,且模型的预测值与试验测试值误差较小,能很好地实现在线预测的效果。     

神经网络在土壤养分流失预测中的应用

以BP网络（Back Propagation Network)为基础，建立了小流域土壤养分（包括N，P，K3种成分）为输出层，流域出口处的洪量，输沙量及流域的年降雨量为输入层的包含一个中间层的BP网络，经检验，模型输出与多元线性回归模型计算结果一致。模型的建立及求解为水土保持中土壤养分的流失预测研究提供了一种新方法。     

基于BP-NN的温室膜下滴灌茄子蒸腾速率预测模型

通过田间试验,对温室膜下滴灌茄子冠层叶片蒸腾速率的变化规律进行了深入研究。通过分析温室内地面温度、相对湿度、植株冠层温度、气压、水面蒸发、太阳辐射等6个环境参数与茄子蒸腾速率的综合影响关系,确定了网络拓扑结构为6-9-1。并应用MATLAB软件,选择Levenberg-Marquardt(L-M)优化算法,建立了基于Back Propagation(BP)神经网络的温室膜下滴灌茄子蒸腾速率预测模型。经模型验证得出,BP神经网络模型预测值与蒸腾速率实测值间拟合效果较好,平均相对误差为0.029 8,达到预测精度要求。该研究成果对温室膜下滴灌作物需水规律及需水量研究具有较好的参考价值。     

温室滴灌条件下NH_4~+-N转化迁移规律研究

在试验基础上 ,分析讨论了温室滴灌条件下铵态氮的转化迁移规律。研究表明滴灌条件下铵态氮主要在扩散机理作用下迁移速度缓慢 ,迁移距离小 ,在近离滴头附近的表层土壤中显著聚集。就吸附作用和硝化作用对铵态氮转化迁移规律的影响作了定量讨论。     

基于神经网络的农作物产量预测方法

准确预测农作物的产量对指导农业生产、保障粮食安全以及维持农业可持续发展具有重要意义。传统的农作物产量预测模型通常对输入数据进行统计和拟合,从而实现农作物产量预测,这些模型一般需要人工选取特征且拟合的方法是线性拟合的,而实际中大多要处理的是非线性问题。研究小组采用深度学习方法,并用已公开的农作物遥感图像数据来训练神经网络。由实验结果可以明显地发现研究小组所提出的神经网络模型识别误差率为5.5左右,优于传统的方法,而且鲁棒性也高于传统方法。     

再生水灌溉条件下典型土壤铵氮吸附解吸试验研究

采用批平衡试验方法,研究了再生水灌溉条件下北京3种典型土壤对NH4+-N短期动态吸附解吸规律。结果表明,NH4+-N在3种典型土壤中易被吸附,吸附量随添加液浓度升高而增加,吸附过程中初期NH4+-N浓度变异性较大,同时NH4+-N在解吸试验后期浓度变异性也较大。对NH4+-N的吸附能力从强到弱依次为壤土A>壤土B>砂壤土,通过等温吸附平衡模型模拟,拟合效果较好。试验结果分析表明,再生水灌溉带来的NH4+-N远未达到土壤的吸附容量,不会迁移至地下水层,不会污染地下水。     

基于BP神经网络的鲜鸡蛋货架期预测模型

为研究不同温度范围内鸡蛋的品质变化及货架期,通过实验室模拟,检测了鲜鸡蛋在5、25、35℃条件下的哈夫单位值、蛋黄系数等理化指标,分别构建了同等实验条件下的鲜鸡蛋货架期动力学预测模型和BP神经网络预测模型,并选取5、25、35℃温度下共6组数据进行模型验证。结果表明,基于BP神经网络的鲜鸡蛋货架期模型预测精度达到95.93%,动力学模型预测精度为90.79%,BP神经网络能更精确地预测鲜鸡蛋在5~35℃贮藏温度范围内的货架期。     

基于神经网络方法的季节性冻土Kostiakov入渗模型参数预测

以提高季节性冻土区农业冬春储水灌溉质量为研究目的,基于田间冻土入渗试验资料,建立了以冻融土壤基本理化参数为输入变量,Kostiakov累积入渗量模型参数为输出变量的BP预测模型。所建参数模型对入渗系数K和入渗指数α预测值的平均相对误差在4%以下,在可接受范围之内。结果表明,选择土壤黏粒量、体积质量、体积含水率、地表土壤温度和灌溉水温作为冻融土壤入渗参数BP预报模型的输入因子是合理的,建立的冻融土壤入渗参数BP预报模型是可靠的。     

基于BP神经网络的排种器充种性能预测

在分析丸粒化玉米种子精密排种器工作原理的基础上,运用Matlab神经网络工具箱建立了排种合格指数A的BP神经网络预测模型,选取排种轴转速n、型孔直径D和排种盘的锥角Ф作为试验因素进行排种性能试验,得到81组合格指数的试验结果。选取其中的60组进行样本训练,并对剩下的21组结果对训练好的网络进行预测,n,D,Ф为输入层,A为输出层,网络结构为3-11-1的3层网络。预测结果表明,预测值与试验值误差较小,为排种器的优化设计及参数的选择提供了依据。     

基于改进的BP神经网络胶铆接头的力学性能预测研究

利用遗传算法优化BP神经网络的连接权值和阈值,并将改进的BP神经网络应用于胶铆接头力学性能预测中,建立了胶铆接头最大拉剪力预测模型.结果表明:GA-BP神经网络比BP神经网络的收敛时间长,但GA-BP网络预测相关系数更好,回归性能更好,具有更好的泛化能力.对训练好的神经网络预测模型进行验证,发现GA-BP神经网络预测的...