组合预测模型在黑龙江省农机总动力预测中的应用

农机总动力是反映和评价农业机械化水平的一个重要指标.通过对黑龙江省农机总动力历史数据进行分析,建立了指数模型、GM（1,1）模型和BP神经网络模型3种预测模型,其次,应用基于离异系数法、二次规划法、Shapley值权重分配法分别构建组合预测模型.拟合结果表明,各种组合预测模型优于各单一模型.最后应用基于Shapley值权重分配法对黑龙江省农机总动力进行组合预测,为制定农机动力发展规划提供了依据.     

河北省农机总动力人工神经网络预测

目的提出一种新的BP神经网络非线性组合预测模型,对河北省2016-2023年农机总动力进行预测。方法基于一元非线性回归以及BP神经网络(BP-ANN),建立一种新的BP神经网络非线性组合预测模型,处理1978-2009年河北省农机总动力数据,建立预测模型并进行比较。结果误差分析表明,该非线性组合预测模型的拟合平均绝对误差为1.286%,低于一元非线性回归和传统BP神经网络。利用此模型对2010-2015年河北省农机总动力进行检验预测,预测结果与实际结果有很好的一致性,为农机总动力的预测提供了一条新的途径。结论此模型有较高的预测精度,并用此模型预测了河北省2016-2023年农机总动力数值,预测结果表明,在未来几年河北省农机总动力将保持高速增长,2023年将达13 610.69万kW。     

基于支持向量机的中国农业机械总动力预测

为更好地预测中国农业机械总动力的发展趋势,引入了基于支持向量机的预测方法.以1979—2008年中国农业机械总动力的统计数据为训练样本,以2009年和2010年的统计数据为检验样本,采用新陈代谢法建立了基于支持向量机的我国农业机械总动力预测模型.为了验证该方法的有效性和优越性,同时采用新陈代谢法分别建立了基于普通BP神经网络和改进的BP神经网络的预测模型.仿真预测与检验样本预测的结果表明,基于支持向量机的预测精度明显高于普通BP神经网络和改进的BP神经网络预测模型.在此基础上,计算出2011年至2015年中国农业机械总动力的预测值分别为97 859.1,103 053.7,108 480.7,112 794.7,115 096.8万kW,指出了其具有增长趋缓的变化趋势.     

黑龙江省粮食产量预测模型研究

为了对未来粮食产量做出更好的预判,通过模型互相比较,给出最优的粮食产量预测模型——鲸鱼算法优化的BP神经网络模型。根据黑龙江省1995-2016年的20组数据集先使用线性回归预测出2017-2020年的5组数据集,然后使用BP神经网络和结合鲸鱼算法的BP神经网络进行比较,根据粮食产量数据进行模型评估,最终筛选出误差最小(<1.47%)的鲸鱼算法优化的BP神经网络模型,并对黑龙江省2021-2025年粮食产量进行了预测。     

基于SVM的农机装备水平组合预测模型研究

采用支持向量机的组合预测方法,对黑龙江垦区农机装备水平进行预测。在确定单一预测模型的基础上,运用自组织神经网络方法,将权系数确定问题转化为粗糙集理论中属性重要性评价的问题;计算各单一预测方法对组合模型的依赖度、重要度和权系数;利用建立的基于支持向量机非线性农机装备水平组合预测模型,对黑龙江垦区2002—2012年农机装备水平的历史数据进行检验。误差分析表明:该模型对农机总动力、大中型拖拉机、小型拖拉机、大中型拖拉机配套机具和小型拖拉机配套机具的预测平均相对误差为0.471%、1.328%、3.738%、1.193%、3.574%,均低于各单一预测模型的平均相对误差;利用该模型对黑龙江垦区农机装备水平进行预测,到2020年拥有农机总动力999.33万kW、大中型拖拉机88 921台、小型拖拉机38 453台,大中型拖拉机与配套农机具台数比为1.51∶1,小型拖拉机与配套农机具台数比为1.68∶1。所建模型适用于黑龙江垦区农机装备水平的预测。     

基于灰色神经网络的粮食预测

结合灰色GM(1,1)预测模型和BP神经网络2种预测模型的优点,提出了一种灰色神经网络模型,并用该模型对蚌埠市小麦产量进行预测。结果表明,灰色神经网络预测精度高于单一的灰色GM(1,1)预测模型或BP神经网络。     

基于EMD的BP神经网络在凌河流域旱灾预测中的应用

为提高旱灾预测模型预测精度,利用EMD(经验模态分解法)处理非平稳信号的优势,将其应用到BP神经网络预测模型中,建立基于EMD的BP神经网络旱灾预测模型,对凌河流域44个观测站(小凌河流域11站、大凌河流域33站)共51年(1960~2010)的降水资料进行旱灾预测应用,同时将基于EMD的BP神经网络旱灾预测模型结果与BP神经网络预测模型结果进行对比。结果表明:小凌河流域基于EMD的BP神经网络预测模型、BP神经网络预测模型的年均降水量预测值均方误差(MSE)分别为0.0011和0.0076,决定系数(R2)分别为0.95和0.83;大凌河流域基于EMD的BP神经网络预测模型、BP神经网络模型的年均降水量预测值均方误差(MSE)分别为0.0032和0.0092,决定系数(R2)分别为0.93和0.79。基于EMD的BP神经网络预测值均方误差(MSE)较小且决定系数(R2)较高,均优于BP神经网络预测值,提高了BP神经网络旱灾预测模型预测精度,具有一定的可行性。     

基于遗传算法的改进Elman神经网络模型的降雨量预测

为了研究年降雨量的变化规律及特点,采取预防措施,减少灾害损失,根据1955-2006年盘锦地区的气象资料,利用Matlab 软件分别取不同的网络训练样本,建立了3组BP神经网络预测模型.然后利用遗传算法对Elman神经网络进行优化,建立了遗传神经网络预测模型.对比结果表明遗传神经网络的预测精度高于BP神经网络预测模型.说明利用遗传神经网络模型对盘锦地区的年降雨量进行预测是可行的.     

BP神经网络烟叶化学成分预测模型构建

为烟叶化学成分预测和卷烟工业原料使用提供理论依据,应用回归分析法和BP神经网络分析2014—2017年龙岩永定土壤养分因子和烟叶化学成分的相关性,并构建预测模型。结果表明:采用回归模型预测龙岩永定烟叶化学成分和土壤养分指标无显著线性相关性;采用BP神经网络模型预测烟叶化学成分相关性和模型精准度较高。BP神经网络可为烟叶化学成分预测提供有效途径,具有较强的实用性。     

基于神经网络的短期土壤墒情预测模型研究

为实现短期的土壤墒情预测,根据天津市蓟州区、静海区、宁河区、滨海新区的10个气象墒情自动监测站3年的数据,对短期土壤墒情预测模型进行研究。选取站点编号、空气温度、空气湿度、风速、风向等28项影响因子,用包含天气预报和不含天气预报的2组数据分别训练BP神经网络和Elman神经网络,并对4组预测模型结果进行对比分析。结果表明：不含天气预报的BP神经网络模型和包含天气预报的BP神经网络模型精度分别为94.79%、95.54%,不含天气预报的Elman神经网络模型和包含天气预报的Elman神经网络模型精度分别为96.85%、96.64%。研究认为,Elman神经网络具有稳定性好、精度高的特点;理论认为,含天气预报的模型精度比不含天气预报的模型精度高,BP神经网络表现出这一相关性,而Elman神经网络并没有表现出这一相关性。     

基于逐步回归法和BP神经网络模型的苹果产量预测

本文通过逐步回归法挑选出4个影响苹果产量的关键气象因子,并运用逐步回归法和BP神经网络建立苹果产量预测模型。通过检验,2种预测模型拟合效果均较好,均能够较好地预测今后苹果的产量趋势。其中BP神经网络模型预测有较高精度,但存在局限性。     

具有多重检验机制的农业机械总动力结构分析预测模型

农业机械总动力结构是农业机械项目发展水平高低的具体体现,合理配置农业机械总动力,可有序地推动农业机械化的发展.从动力源和农业机械项目两方面划分农业机械总动力结构的基础上,依据经济计量学理论,以丘陵地区为背景,构造了农业机械总动力及其结构配置影响关系,建立了具有多重检验反馈机制的动力结构综合分析预测数学模型,并在实际中加以应用,可得到满意结果.     

基于BP神经网络的坝体垂直位移预测

利用建立多元回归模型的方法对大坝的垂直位移进行预测,往往因为数学模型的局限性和对影响因子分析的不全面导致预测结果不准确。利用BP神经网络良好的非线性问题处理能力和自学习功能,通过训练神经网络,对水电站坝体的垂直位移进行了有效的预测,得到与实测值相对误差小于1%的预测结果,从而实现对大坝更为可靠的安全监测。     

基于面板数据模型的农机购置补贴政策分析

农机购置补贴政策实施10年来,中央政府投入逐年增加,带动了各方面投入的增加,尤其是农民个人投入增加,致使农业机械装备数量增长加快。基于2000—2012年间中国的省际面板数据,估计了中国31个省份农机购置投入与农机总动力增长的数量关系。结果表明,粮食主产区是中国农业机械购置投入大省,也拥有较高的农机总动力,但双对数模型显示,粮食主产区农机总动力增长对农机购置投入增长的敏感程度有明显差异,对此分析了原因,并提出相应对策。     

基于免疫粒子群和BP神经网络的变压器故障诊断技术

为了解决粒子群算法的早熟收敛问题和BP神经网络梯度下降训练法收敛速度慢、容易陷入局部极小值的问题,将免疫学中的克隆、变异理论用于粒子群算法的优化,建立免疫粒子群算法并给出算法步骤及免疫粒子群算法训练BP神经网络的步骤,将其应用到电力变压器的故障诊断中．仿真实验证明所提出的方法对变压器故障的诊断准确率可达95％以上,能够满足工程应用的需要．     

土壤含水率与像素颜色之间关系的BP人工神经网络模型

建立像素颜色RGB值与土壤含水率之间的数学关系，是染色入渗法的应用基础。结合沟灌染色入渗试验。研究了染色入渗过程中土壤含水率与像素颜色分量之间关系的BP人工神经网络模型。分析土壤含水率与像素颜色分量之间的关系，确定BP人工神经网络的拓扑结构，以像素颜色分量的相对值作为输入因子。土壤含水率作为输出因子，建立了包含1个隐层的BP人工神经网络。结果表明，该模型具有较高的拟合精度和验证精度，优于二次多项式模型。     

无偏灰色预测模型在农业机械总动力预测中的应用

以我国1997~2005年农业机械总动力数据为基础,将无偏灰色预测模型应用到农业机械总动力预测中,并与传统灰色预测模型进行比较,结果反映了无偏灰色预测模型的优越性,最后预测数据显示2009年我国农业机械总动力将达到85 262.54万kW。     

基于BP神经网络的抽水泵站抽水量预测

阐述了BP神经网络模型的计算步骤及其改进方法,并将其应用到石港抽水站抽水量预测的研究中。实例证明：该方法预测精度比较高,具有较大的研究潜力,为抽水站抽水量的预测提供了新思路。