ARIMA时间序列模型在立地质量评价中的应用

本文应用随机过程理论ＡＲＩＭＡ时间序列模型，对辽西河滩地杨树立地质量进行了评价。     

广东省实际GDP平稳性分析与ARMA模型构建

本文对1978年至2008年广东省实际GDP数据序列进行了平稳性检验,并利用ARMA（p,q）模型对数据进行拟合。实证研究表明。广东省实际GDP数据非平稳,表现为一阶差分后的带有漂移项的随机游走模型;ARMA（2,1）能很好地拟合数据。并在此基础上对未来四年广东省实际GDP进行了预测。     

基于DRNN和ARIMA模型的森林火灾面积时空综合预测方法

森林火灾是一个跨空间发展的动态过程,不易被传统的分析方法和静态神经网络有效处理.提出一种基于动态回归神经网络(DRNN)和自回归集成移动平均(ARIMA)组合模型的森林火灾时空综合预测方法.该方法先用ARIMA对时空数据的时序进行预测,再用DRNN捕获时空数据间隐藏的空间相关,最后用统计回归将时间和空间预测结果组合起来,得到时空综合预测结果.以广东省森林火灾面积预测为例,说明其原理和建模过程,并对预测结果的精度进行验证.结果表明:由于考虑了数据间的空间关系,该时空综合预测模型可以对森林火灾面积进行较准确有效的预测,比单纯应用ARIMA模型预测精度高,是预测森林火灾等跨空间动态变化问题的有效工具.     

预测植物瞬态液流的BP神经网络模型

对于植物体内水分传输机制正确的数学解释是多年来植物生理学、生态学、森林水文学等领域亟待解决的重大问题.Van den Honert(1948)最先提出了一个简单的用欧姆定律(Ohm's law)进行植物水分传输机制的模拟模型,建立起水流和电流的相似性,为分析土壤-植物-大气连续统一体(soilplant-atmosphere continuum,简称SPAC)提供了一个简明思路和有力工具.     

基于ARIMA乘积季节模型的我国海关进出口商品总值的时间序列分析

在对时间序列分析理论研究基础上,通过利用SAS统计软件,系统地分析了1995年至2010年我国海关进出口商品总值月度数据的变化规律。分析结果表明,建立的ARIMA((1,3),1,0)×(1,1,1)12乘积季节模型的预测精度较高,能充分反映我国海关进出口商品总值的时间序列变化规律,可采用该乘积季节模型对2011年上半年我国海关进出口商品总值进行预测。     

基于ARIMA模型的辽河流域水质主要指标预测研究

辽河流域水质对流域内人们身体健康有着重要影响,利用辽河流域部分断面历史监测数据,基于R语言构建了 ARIMA模型,以氨氮指标为例对预测过程进行说明,结果表明:ARIMA(1,1,1)能够用于氨氮浓度预测.同理,对化学需氧量、生化需氧量、总磷等主要指标未来水质情况进行了预测.结果显示:ARIMA可以实现对以上各项指标浓度...     

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。     

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。     

基于遗传神经网络的煤层气含量预测

指出了煤层气含量预测是煤层气勘探开发的一个关键问题,传统的线性回归预测方法已不能反映各影响因子和煤层气含量之间的内在关系,据此提出了基于遗传-BP神经网络的非线性新型智能算法。其中,神经网络用来学习,遗传算法用来优化神经网络的连接权值及阈值,该方法能有效避免陷入局部极小值,具有全局寻优的特点。研究表明:构建的新型智能算法相对标准的BP网络预测精度要高,该方法为今后煤层气含量的预测提供了可靠依据。     

基于人工神经网络的树高曲线模型研究

本文利用人工神经网络建模技术,以河南农业大学三区内毛白杨人工林99株的断面积平均直径和树高资料为基础,研建了树高曲线人工神经网络BP模型和幂函数模型。通过两个函数模型的比较表明:人工神经网络建模技术精度高、误差小,具有很强的泛化能力。在用幂函数拟合较差的情况下,人工神经网络也取得很高的精度,其拟合效果具有明显的优势。     

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。     

遗传神经网络在家具板材优化下料问题中的应用

阐明了遗传算法和神经元网络结合的必要性和可行性 ,通过用遗传算法训练前馈神经网络权值解决家具板材优化下料问题并给出实验结果。     

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.     

基于人工神经网络的森林资源预测研究

应用人工神经网络方法分别建立土地资源预测、森林蓄积量预测、各龄组蓄积量预测三层前馈反向传播神经网络模型对森林资源进行预测模拟.预测结果表明在小样本条件下,森林资源预测神经网络模型预测精度较高,开辟了森林资源预测新途径.     

基于BP神经网络的道路交通事故损失预测

分析道路交通事故损失与交通事故次数、死亡人数和受伤人数之间的关系，提出基于BP神经网络的道路交通事故损失预测，为交通事故预测开辟新的途径。     

基于时延神经网络的木材干燥温湿度建模研究

利用神经网络建立了木材干燥的温湿度模型,给出了其时延神经网络辨识结构。分别提出温、湿度控制模型(控制信号与温、湿度之间的关系模型)和木材干燥基准模型(温、湿度与木材含水率之间的关系模型),并利用实验干燥窑得到的实际数据进行了仿真研究。仿真结果表明,利用此方法建模是可行的,所建模型是有效的。图10参16。     

Stand basal area modelling for Chinese fir plantations using an artificial neural network model

Artificial neural network models are a popular estimation tool for fitting nonlinear relationships because they require no assumptions about the form of the fitting function,non-Gaussian distributions,multicollinearity,outliers and noise in the data.The problems of backpropagation models using artificial neural networks include determination of the structure of the network and overlearning courses.According to data from 1981 to 2008 from 15 permanent sample plots on Dagangshan Mountain in Jiangxi Province,a back-propagation artificial neural network model(BPANN)and a support vector machine model(SVM)for basal area of Chinese fir(Cunninghamia lanceolata)plantations were constructed using four kinds of prediction factors,including stand age,site index,surviving stem numbers and quadratic mean diameters.Artificial intelligence methods,especially SVM,could be effective in describing stand basal area growth of Chinese fir under different growth conditions with higher simulation precision than traditional regression models.SVM and the Chapman–Richards nonlinear mixed-effects model had less systematic bias than the BPANN.