基于MATLAB的BP神经网络模型在矿井涌水量预测中的应用

指出了矿井涌水量预测问题受到多种因素的共同影响,具有非线性和高度复杂性。分析了利用BP神经网络预测矿井涌水量的可行性,首先收集了淮南新集二矿2009年12个月份的涌水量数据,然后通过这些数据对已经构建好的神经网络进行训练并用训练后的结果对该年11月和12月的矿井涌水量进行了预测,最后用预测结果同实际值进行了比较。结果表明:该模型收敛性能良好,预测精度高,可操作性强。     

基于BP神经网络的松材线虫病防控采伐成本分析——以闽侯县为例

松材线虫(Bursaphelenchus xylophilus)引起的病害被称为松树中的"癌症"。通过对其发生区的采伐改造可以有效控制疫情扩散蔓延。常规的基于线性回归的采伐成本预测方法无法体现多个影响因素之间的非线性关系。本文在闽侯县通过实地调查等方法收集了11个采伐样地的采伐成本主要影响因子,并测算出各个采伐样地的实际采伐成本。在此基础上引入BP神经网络,以其中的9个采伐样地数据为样本训练和构建BP神经网络模型、2个采伐样地数据对BP神经网络模型进行预测精度验证。结果表明,采伐成本实际值和模型预测值的误差5%,预测精度较高。因此,采用该BP神经网络模型预测可实现对松材线虫病防控采伐成本的预估,为今后制定科学、经济和有效的松材线虫病防控措施提供参考依据。     

神经网络与主元分析在采矿工程中的应用

高质量的网络模型要求输入因素或输出因素之间尽可能不相关,以达到精度较高的预测模型的目的。建立了主成分分析法与神经网络结合的采矿方法优选模型,对神经网络的输入数据进行主成分分析。研究结果表明:该方法弥补了以往利用BP网络进行采矿方法优选过程中,由于输入数据相关使得输出数据精度下降的缺陷,使输入数据不相关,且减少了输入数据,消除了由于BP网络输入数据太多而影响数据处理速度的弊端,可使预测精度大大提高。     

基于灰色神经网络的辽宁省生鲜物流需求预测

为准确预测生鲜产品物流需求量，提出了一种基于灰色GM(1,1)模型和BP神经网络的组合预测模型。首先构建了生鲜物流需求指标体系，然后分别利用传统灰色预测模型GM(1,1)和BP神经网络做单一预测，最后将2个模型进行加权做组合预测。选取辽宁省作为实例，通过MATLAB软件进行辽宁省生鲜产品的物流需求预测，结果表明：与2个单一的预测模型相比，灰色神经网络模型拥有更高的预测精度，因此选择组合预测模型对辽宁省未来5年生鲜产品需求量进行预测，为辽宁省生鲜物流管理的战略部署提供一定的参考。     

基于BP神经网络理论的物流金融风险评价模型

介绍物流企业在物流金融服务过程中可能遇到的内外部各类风险,分析风险产生的主要因素,并构建一套完善的物流金融风险评价指标体系。通过应用BP神经网络理论建立物流金融风险评价模型,利用BP神经网络的结构形式及训练原理,调查数据为样本,对该网络进行充分训练与检验,从而得到可对物流金融风险做出准确评价的BP神经网络评价模型,为物流企业发展提供借鉴。     

基于BP神经网络的马尾松树高曲线模型

基于福建省南平市2013年森林资源清查实测的121对马尾松平均木数据,应用BP神经网络建模技术建立树高预测模型。经反复训练和优选,得到最优模型结构为1∶5∶1,决定系数为0.855,均方误差为2.603 2。结合传统5个树高曲线方程,利用38对平均木检验数据分别对模型进行验证。结果表明:BP神经网络模型拟合和预测效果都优于传统方程,可以作为有效的树高预测技术。     

基于粒子群算法和BP神经网络的多因素林火等级预测模型

针对现有小尺度林火预测模型预测结果有效性、可扩展性等方面的不足,通过考虑多种火险因素,构建BP神经网络预测模型以提高预测精度,在此基础上借助粒子群算法加快BP神经网络收敛速度,进而提出一种混成的多因素森林火险等级预测模型particle swarm optimization based back-propagation neural network (PSO-BP)。所构建的预测模型,能够同时考虑气候因素(日最高气温、日平均气温、24 h降水量、连旱天数、日照时数、日平均相对湿度、日平均风速)、地形地貌因素(海拔、坡度、坡向、土壤含水量)、可燃物因素(植被类型、可燃物含水率、地被物载量)、人为因素(人口密度、距人类活动区域的距离) 16个变量。基于南京林业大学下蜀林场森林防火实验站传感器网络所采集的实际数据及现场测量数据,通过一组试验验证提出模型的有效性。结果表明:基于训练数据集及检验样本所构建的模型能够开展有效的火险等级预测;模型的计算复杂度较单独使用BP神经网络模型明显下降。     

基于BP神经网络的杉木和马尾松树高曲线模型研究

基于湖南省森林资源连续清查的杉木和马尾松实测数据,运用BP神经网络模型建立树高曲线模型,经过训练和优选,确定了最优模型结构为4∶6∶1。通过对比分析8个传统标准树高模型与神经网络模型的拟合效果。结果表明:BP神经网络模型的拟合效果和预测效果均优于传统树高曲线模型,可作为树高生长预测的一种有效技术手段。     

基于BP神经网络的油茶产量预测模型构建

【目的】改良传统农业生产预测方法,实现油茶产量的快速高效预测,为油茶实际生产提供参考。【方法】收集油茶栽种较为集中的湖南、江西、浙江、广西的油茶籽年度总产量、实有油茶林面积、气象等数据,选择17个气象指标作为油茶产量的影响因素,使用MATLAB软件,通过主成分分析提取出主成分,再将主成分作为BP神经网络的输入集,在传统神经网络模型基础上构建主成分分析与BP神经网络组合模型,对4个地区油茶籽单位面积年产量进行预测。BP神经网络的训练集和测试集选用1990—2018年的数据,采用2019年的数据对模型预测效果进行验证,最后应用模型对2025年油茶籽单位面积产量进行预测。【结果】对主成分有重要贡献的气象因子有日照时长、6—11月气温、3—5月降水量、平均最低气温、露点温度、平均风速、最大持续风速以及海平面气压。改进后模型迭代耗时更少,拟合度较高,对4个地区油茶产量的预测结果的平均相对误差均低于3%。应用模型预测得到2025年湖南、江西、浙江、广西的单位面积油茶干籽产量分别为0.831、0.583、0.449、0.512 t/hm²。【结论】与传统预测模型相比,改进后的主...     

基于BP神经网络的泉州湾红树株高预测模型

在分析测量数据的基础上,提取红树的平均基径、基径数、平均胸径、胸径数等特征参数,建立了预测红树株高的人工神经网络模型。采用Levenberg-Marquardt优化算法改进了BP神经网络算法;采用训练好的BP神经网络模型对距堤坝25,50,75 m 3个采样点的株高进行预测,预测值和实测值的均方根误差分别为0.000 6,0.002 2,0.004 1,相关系数分别为0.99,0.95,0.94。结果表明利用BP神经网络对红树株高进行预测是可行的。     

BP神经网络反演森林生物量模型研究

基于LandsatTM影像和DEM数据,尝试利用BP神经网络建立旺业甸林场森林生物量非线性遥感模型系统,通过实验筛选,最终利用增强型的BP网络进行训练仿真。模型仿真结果表明,增强型的BP神经网络具有自学习和自适应功能强、收敛速度快的特点,能够最大限度地利用先验样本。仿真检验结果的相对系数达0．8022,平均相对误差为15．7％,表明该模型预测的生物量与实际生物量一致性较好,能够达到较好的反演效果。     

用泛化改进的BP神经网络估测森林蓄积量

介绍主成分变换和经规则化调整法进行泛化改进的BP神经网络在森林蓄积量建模估测中的应用,比较普通BP神经网络与泛化改进的BP神经网络对蓄积量预报的差异,分析直接用中心标准化的观测值建立仿真模型和进行主成分变换后再建立模型的效率问题.结果表明:泛化改进的BP神经网络比普通BP神经网络具有更高的预报精度,利用主成分得分作为仿真模型的变量比直接用观测值作变量具有更快的速度,并保证了预报精度.     

基于CEBERS-WFI遥感数据的森林生物量估测方法研究

以中巴卫星CEBERS-WFI遥感数据为基础,结合东北三省的地理、气象因子及森林资源连续清查固定样地信息,构建BP人工神经网络森林生物量估测模型,对我国东北三省的森林生物量进行估测,并反演了森林生物量的空间分布图像。结果表明,基于CEBERS-WFI遥感数据的BP人工神经网络应用于森林生物量估测简单实用,是一种快捷、有效的估测方法。     

基于BP神经网络的中国进口俄罗斯木材贸易额预测

采用灰色关联度分析法筛选对中国进口俄罗斯木材贸易额影响较大的5个因子,运用影响因子及木材贸易进口额构建BP神经网络模型,利用GM(1,1)模型预测影响因子值,将其代入训练好的BP网络模型中对中国进口俄罗斯木材贸易额进行预测。预测结果表明,中俄木材贸易仍具有良好的发展前景。     

基于混合像元分解的庐山及周边林地遥感图像分

由于传感器分辨率的限制以及地物的复杂多样性,混合像元普遍存在于遥感影像中,在一定程度上影响到地物提取精度。以江西省庐山及周边地区2019年4月9日的ETM+影像为例,使用线性混合模型和非线性的BP神经网络方法对图像进行混合像元分解,利用2019年5月的SPOT数据及其与ETM+影像融合的分类结果对分解结果进行验证。结果表明,非线性的BP神经网络分解精度高于线性分解精度。对比使用BP神经网络分解图像提取林地面积的精度提高了1%~5%。     

基于 BP 神经网络对供应商选择与评价的研究

基于当前经济全球化、竞争日益激烈、用户需求个性化的新环境的严峻挑战，企业应该如何依据供应链管理的思维与技巧选择与评价供应商，具有举足轻重的现实意义。通过对供应商选择与评价的实例，在神经网络训练成功的前提下对企业供应商进行了选择，BP神经网络模型的建立、仿真及评价得到了实际的应用，详细说明了基于BP神经网络对供应商选择与评价的可行性。     

基于BP神经网络的森林植被遥感分类研究

如何解决多类别图像的识别并满足一定的精度,是遥感图像研究中的一个关键问题,具有十分重要的意义。本文使用Landsat7ETM+遥感数据和森林资源分布图等地理辅助数据,用BP神经网络方法对森林植被进行了分类,并与最大似然法的分类结果进行精度比较分析。结果表明地理辅助数据参与的BP神经网络用于森林植被遥感图像分类其效果是较好的,是一种有效的图像分类方法。     

动态数据驱动的林火蔓延模型适宜性选择

基于BP人工神经网络方法设计林火模型适宜性选择技术框架结构,通过神经网络形成林火模型选择知识,实现林火模型的自动化和智能化选择;以火场环境因子为输入变量,以适宜火场环境模拟的林火蔓延模型作为输出变量,构建林火模型选择神经网络模型;研究输入、输出因子数据的获取与计算方式,实现动态数据驱动的林火模型自动选择机制.以北京市为例,选择有详细火场情况记录的72场林火作为试验样本,其中60条记录作为学习样本集,12条记录作为验证样本,对神经网络进行学习和验证,结果表明:模型选择精度可达到80%以上.