基于高斯径向基函数神经网络的十字路口车流量预测

采用径向基函数预测功能的神经网络,对十字路口的车流量进行实时预测,仿真实验结果表明使用该神经网络对交又口车流量进行预测可以得到令人满意的结果。     

基于径向基神经网络农机数量预测的研究

提出了利用径向基神经网络对农机数量预测的方法 ,通过选取合适的训练参数,径向基网络能够得到满足要求的预测结果,农机总动力、拖拉机数量、农具数量的误差平方和分别为0.0056、0.0470、0.2713。利用测试集对网络进行测试,农机总动力预测值与真实值的误差最大为-7.17%,最小为0.22209%。研究结果表明,径向基神经网络能有效提高预测精确度,较好地预测非线性条件下的农机数量,证明了实验方法的有效性和可行性,为人工神经网络在农业机械化的应用提供了一个新的途径。     

基于径向基函数神经网络的工程车辆自动变速控制

径向基函数(RBF)神经网络(简称径向基网络)具有较强的输入输出映射功能,理论证明其在前向神经网络中是完成映射功能的最优网络。工程车辆自动变速技术的核心是按照某种目标寻找最佳挡位,是一个非线性映射分类问题。提出了基于径向基网络的工程车辆自动变速控制方法,以保持液力变矩器工作在高效区为目标,利用车辆传动试验台换挡控制试验的数据对径向基网络进行训练,并进行了验证性的仿真试验。仿真结果表明,该方法能够根据车辆运行状态确定最佳挡位。     

径向基函数网络与WebGIS融合的苹果病虫害预测

以ArcIMS为二次开发平台,开发了基于Java技术和MVC架构的苹果病虫害预测预报系统平台,在建立了20余种苹果病虫害预测模型的基础上,采用动态数据交换技术(DDE)实现了GIS分析功能与病虫害预测模型的集成;具有空间数据和属性数据的分析处理、苹果病虫害预测预报、WebGIS信息发布等功能;可以通过地图或专题图、数据表格、图形或文字等多种形式预测预报苹果病虫害发生时间和发生程度.以苹果山楂叶螨为例,详细阐述了系统中径向基网络模型的构建,该模型的测试准确率为87.5%.高于BP神经网络的75%.     

径向基函数网络与WebGIS融合的苹果病虫害预测

以ArcIMS为二次开发平台,开发了基于Java技术和MVC架构的苹果病虫害预测预报系统平台,在建立了20余种苹果病虫害预测模型的基础上,采用动态数据交换技术（DDE）实现了GIS分析功能与病虫害预测模型的集成;具有空间数据和属性数据的分析处理、苹果病虫害预测预报、WebGIS信息发布等功能;可以通过地图或专题图、数据表格、图形或文字等多种形式预测预报苹果病虫害发生时间和发生程度。以苹果山楂叶螨为例,详细阐述了系统中径向基网络模型的构建,该模型的测试准确率为87.5%,高于BP神经网     

Logistic方程灰色建模预测辽宁省有效灌溉面积

应用灰色系统理论,对Logistic方程参数进行灰色估计,建立Logistic方程灰色预测模型,并对辽宁省有效灌溉面积进行了模拟和预测,模拟结果与原始资料吻合很好,相关性达到0.95。辽宁省有效灌溉面积预测模型显示:有效灌溉面积的上限是158.8万hm2,2018年预测值为158.3万hm2,已经非常接近界限值,有效灌溉面积的发展不大,进行农业资源的结构调整非常必要。     

基于RBF神经网络的种猪体重预测

针对猪体生长参数之间具有一定的自相关性、部分参数与体重间呈非线性关系、通过线性回归模型预测猪体体重存在着自变量间共线性及拟合优度较低等问题,以52头长白母猪的生长参数为基础,通过最近邻聚类算法,构建了基于RBF神经网络的种猪体重预测模型。通过线性回归检验法对种猪体重预测值与实测值进行分析,发现基于RBF神经网络的长白种猪体重预测模型的拟合优度R2为0.998,而线性回归模型的R2为0.891。结果表明：通过RBF神经网络方法建模,消除了线性回归分析中自变量的共线性问题,预测效果优于线性回归模型。     

基于RBF神经网络的农田土壤含盐量预测

介绍了径向基函数神经网络的原理、训练算法,并建立了基于径向基函数神经网络的农田土壤含盐量预测模型.通过实例验证,该模型具有较强的非线性处理能力和逼近能力,运算速度快,性能稳定,预测精度较高,泛化能力强,可用于生产实践中.     

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。     

对大中型灌区扩大灌溉面积的思考

大中型灌区是国家的基础设施,在防洪、灌溉、供水等方面为国民经济和社会发展提供了安全保障和水资源保障,发挥了巨大的社会效益和经济效益.然而,随着农村改革的逐步深入和市场经济的冲击,大中型灌区自20世纪80年代以来灌溉面积大幅下降,以山西省滹沱河灌区为例,其主要原因有河源来水减少、渠首调蓄能力不足、地下水开发无序、粮价持续偏低、基层水利管理不力、建设用地挤占等.为了确保灌溉面积,应采取有效利用河源来水、实行水资源的统管统调、大力发展"两高一优"农业、强化基层水利组织建设、推广节水灌溉新技术等对策.     

径向基神经网络在猪胴体瘦肉率预测中的应用

猪胴体瘦肉率(LMP)是评价猪肉品质的重要指标之一,在生产线上快速而准确地预测出其数值并进行分级是并不可少的。目前,国内大部分厂家依然采取屠宰后人工称重测量的方法,耗时耗力,且存在相当大的误差。为此,随机抽取了116头皖北地区商品猪,选定眼肌面积、背膘厚及腿臀比作为参考数据,以Mat Lab工具箱作为研究工具,利用BP、Elman和RBF等3种不同的神经网络建立预测模型,统计后进行比较分析。实验表明:3种模型的神经网络均可用于瘦肉率预测,但RBF网络误差最小,训练速度最快,学习能力最强,最适合用于建立瘦肉率的预测模型。     

RBF网络在电喷发动机故障诊断中的应用

提出了一种用RBF网络（径向基函数网络）简化汽车故障诊断仪数据流功能的方法.首先建立了RBF网络故障诊断模型,然后以捷达ATK型发动机为例,设计故障样本集,用大量的故障样本集数据对网络进行训练和仿真,并与BP网络作了比较.结果表明,RBF网络比BP网络更适合于故障诊断,可以简化故障诊断仪的数据流功能.     

基于径向基神经网络的叶轮轴面投影图优化

为了提高余热排出泵的效率,采用拉丁超立方试验设计方法对叶轮轴面投影图上的前盖板圆弧半径、后盖板圆弧半径、前盖板倾角和后盖板倾角4个几何变量进行35组叶轮方案设计,应用ANSYS CFX 14.5软件对余热排出泵进行定常数值模拟,得到设计工况下的效率,应用径向基神经网络建立效率与轴面投影图的4个几何变量之间的近似模型,最后采用遗传算法对近似模型进行极值寻优,获得最优的轴面投影图几何参数组合。研究结果表明:对比原始泵的数值模拟性能曲线和试验外特性能曲线,两者吻合较好;径向基神经网络能较好地预测泵设计点效率;优化的轴面投影图使得余热排出泵的水力效率提高了6.18个百分点,改善了叶轮内流场特性。因此,叶轮轴面投影图的优化设计方法是可行的。     

RBF神经网络方法在水质评价中的应用

就径向基函数人工神经网络(RBF)在水质评价中的应用做了探讨。分别从网络结构的选择、可调参数的优化方法和学习样本的代表性3方面作了详细的分析、阐述,并提出了一些解决办法,为RBF网络在水质评价中的应用提供了一定的参考材料。最后以博斯腾湖为例,利用RBF网络建立水质评价模型,模型评价结果趋势基本符合实际,效果较好。     

基于支持向量机的中国节水灌溉面积预测研究

为了了解未来几年中国节水灌溉面积的发展趋势,需要建立节水灌溉面积的预测模型。在对2000-2010年中国节水灌溉面积的统计数据进行归一化处理的基础上,采用支持向量机算法建立了回归预测模型。其中,2000-2009年的数据为训练样本,2010年的数据为检验样本。仿真预测与实际预测的结果表明该预测模型在所有预测样本点的相对误差的绝对平均值仅为0.14%,能满足对节水灌溉面积进行预测的需要。采用该模型对中国未来5年的节水灌溉面积进行了预测,指出了中国节水灌溉面积在"十二五"期间有加速增长的趋势。该研究结论对于了解未来中国节水灌溉的发展状况和制定相关规划具有重要的参考价值。     

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。     

深层灌水条件下基于BP人工神经网络方法的冬小麦根系分布预测模型

对冬小麦实施深层灌水是一种高效的节水灌溉方式,为了简化深层灌水条件下冬小麦根系研究工作,建立了以土层深度、发育时间、土层根系日均吸水量、土层日均温度、地上部干重、株高为输入因子,土层根系密度为输出因子的BP人工神经网络预测模型。研究结果表明:在所建立的预测模型下,训练样本各土层根系密度预测值与实测值之间平均相对误差为5.92%,检验样本的平均相对误差为7.30%,训练样本和检验样本都具有较高的精度,因此以该模型对深层灌水条件下冬小麦根系分布情况进行预测是可行的,可为深层灌水条件下冬小麦的根系研究提供新方法。     

RBF与GRNN神经网络模型在河流健康评价中的应用

利用层次分析法构建符合区域中小河流健康评价指标体系和分级标准,基于RBF与GRNN神经网络算法原理,分别构建RBF与GRNN神经网络算法的河流健康评价模型,采用内插法构造网络训练样本,将河流健康分级评价标准值作为“预测”样本进行“预测”,并将结果作为河流健康等级评价的划分依据,对文山州区域中小河流健康状况进行评价分析。结果表明：①RBF与GRNN神经网络模型对区域中小河流健康评价结果完全相同,与BP神经网络评价结果基本相同,表明研究建立的河流健康评价模型和评价方法均是合理可行的,同BP网络算法相比,RBF与GRNN神经网络模型有收敛速度快、预测精度高、不易陷入局部极小值等优点,且调整参数较少,只有一个SPREAD参数,可以更快地预测评价网络,具有较大的计算优势。②文山州区域主要河流健康评价等级为Ⅱ～Ⅲ级,即处于健康与亚健康之间,客观反映了区域中小河流健康状况,可为区域河流的可持续管理和生态环境建设提供参考依据。