基于BP神经网络的降雨量预测研究

使用2种方法,即用前5年降雨量来预测后1年的降雨量和用气象资料预测降雨量,应用BP神经网络对降雨量进行预测,试图找出应用BP神经网络预测降雨的最佳方法.通过对青海省10个气象站的降雨进行预测分析,得到结论如下:两种方法均适合于降雨预测,其被选择概率均等.     

SWMM模型径流参数全局灵敏度分析

选取基于Horton和Green-Ampt入渗模型的入渗参数,以及区域坡度、区域宽度、透水性区域的曼宁系数和可积水深度共7个SWMM模型参数,采用Morris方法进行全局灵敏度分析。并分别采用不同降水类型、不同重现期的单个降水事件及长期降水序列,分析各模型参数对总产流量、洪峰流量及径流系数3个输出变量的全局灵敏度。结果表明:T1和T2型降水的参数灵敏度分析结果呈现较大差异,T2型较小降水事件不适宜用于参数校核;对Horton入渗模型而言,可利用T1型较大降水事件的洪峰流量对区域形状系数进行校核,利用T2型较大降水事件的总产流量对最小入渗速率、消减系数K进行校核;对Green-Ampt入渗模型而言,可利用T1型较小降水事件的洪峰流量对区域宽度和坡度进行校核及总产流量对透水性区域的曼宁系数进行校核,利用T2型较大降水事件的洪峰流量对最小入渗速率和缺水率进行校核;对径流系数而言,采用Horton和Green-Ampt入渗模型的结果一致,最大入渗速率和最小入渗速率是最灵敏的两个参数,透水性表面的可积水深度和曼宁系数为最不灵敏的两个参数。     

基于遗传算法和BP神经网络的用水

为避免BP算法易陷入局部极小的缺陷，根据遗传算法具有全局寻优的特点，将二者结合起来形成GA-BP混合算法。以GA优化BP网络的初始权值和阈值，按负梯度方向修正网络权值及阈值，对网络进行训练。最后，用matlab编写GA-BP计算程序，以多组数据进行测试，并与纯BP算法进行分析比较，结果表明该方法可以有效、准确的应用于城市用水量预测。     

基于BP神经网络的三峡库区小流域水质评价

在阐述BP人工神经网络原理的基础上,运用我国地表水环境质量标准(GB3838-2002)作为训练样本,建立了一个多因子水质综合评价的3层BP网络模型,以溶解氧、氨态氮、总磷、砷、汞和铬为评价因子,对三峡库区小流域一嘉陵江的次级支流流域进行了水质综合评价.结果表明:该河中上游水质状况良好,而下游水质状况较差,汇入嘉陵江、长江后将时三峡水库的水质造成不良影响.为了保证三峡水库的水质安全,建议加强库区小流域的地表水环境管理.     

基于BP神经网络工具箱实现函数逼近

运用计算机高级语言编程对神经网络BP模型进行仿真和辅助设计是件十分麻烦的事情,为了解决这个矛盾,Matlab神经网络工具箱中专门编制了大量有关设计BP网络模型的工具函数.文章分析了Matlab软件包中人工神经网络工具箱的有关BP网络的工具函数,结合一个实际的例子详细阐述了基于BP神经网络的函数逼近过程及其MATLAB实现方法.     

基于BP 神经网络的大棚作物腾发

在分析影响大棚作物蒸发蒸腾量的气象因子的基础上, 以气象因子输入向量, 以大棚作物腾发量为输出向量, 构建了气象资料不足情况下计算大棚作物腾发量的BP 神经网络模型BP ET。利用鄂州节水灌溉实验基地逐日气象资料对所建模型进行反复训练和预测, 并把预测结果与传统的Penman－Monteith 公式计算而得的同期作物ET 值相比较。其中, BP ET 的预测值与ET值的相关系数为0.986。研究结果表明, 本文构建的模型计算精度较高, 方法简便可行, 能满足实际生产需要。     

基于改进BP神经网络的农业机械数据预测研究

为提高河南省农业机械数据预测的精度,获得更可靠的预测结果,提出基于自适应粒子群算法(APSO)优化的误差方向传播(BP)神经网络预测方法,利用APSO算法优越的全局搜索能力更新BP神经网络的权值和阈值,有效结合两种算法的优势,并引用河南省1986-2017年农业机械数据进行测试。仿真结果表明,本文提出的APSO-BP算法比同等条件下BP神经网络算法和PSO-BP算法预测误差平均可降低2.4%和1.35%,可以有效提高预测的速度和精度。     

基于BP神经网络的水资源利用效率评价方法研究

近年来,我国水资源利用效率有一定提升,但是相比发达国家仍有很大提升空间。文章借助前人建立的水资源效率评价指标体系,结合BP神经网络学习和存储信息、总结规律并识别事物和智能运算的能力,提出一种基于BP神经网络的水资源利用效率评价方法。应用该方法对锦州、营口、阜新、辽阳四市评价打分,结果表明,该方法拟合效果很好,平均相对误差为1.13%,与专家评分结果相拟合,R2可达0.9963。该方法能够模拟专家的评分偏好及特点,统一标准客观地对水资源利用效率进行综合评价,将主客观结合起来,提高评价结论的可靠性,为区域水资源利用效率评价提供一种新的途径。     

基于RBF神经网络与BP神经网络的核桃作物需水量预测

采用RBF网络与BP网络的方法,利用MATLAB工具箱并结合气象资料中的相对湿度、平均气温和太阳日辐射量,建立了预测核桃作物需水量的神经网络预测模型.两种预测模型通过实例证实了预测的准确性,并且将这两种网络模型进行了比较分析.RBF神经网络预测作物需水量的绝对误差平均值为0.254 7 mm/d、相对误差平均值为5.47％,BP神经网络预测作物需水量的绝对误差平均值为0.320 6mm/d、相对误差平均值为6.97％,由此可见,RBF网络预测的精度比BP网络高.并且,通过程序记时显示RBF网络训练用时0.063 0 s,比BP网络训练所需的时间要短的多,因此RBF神经网络具有较好的实用价值,实现了精度与实用性的统一.     

基于BP神经网络的农业机械数量预测

为了提高农业机械化水平、农业生产效率和优化农业产业结构,保证在农业机械生产与实际需求的一致性,在制订农业机械化水平发展规划过程中需要对农业机械数量进行预测。为此,采用基于遗传算法的BP神经网络预测算法,对我国从1997-2013年期间以农机总动力、中大型拖拉机数量和小型拖拉机数量为内容的主要农业装备数量进行预测。预测结果表明,利用遗传算法与BP神经网络相结合的方法预测全国农业机械装备数量,农机总动力预测值与绝对值平均误差为1.080%、农用大中型拖拉机数量预测值与绝对值平均误差为1.352%、小型拖拉机数量预测值与绝对值平均误差为1.765%,预测精度稳定,该预测方法适用于本时间序列预测问题。     

基于改进的BP神经网络对蓄水坑灌冬季果园土壤温度预测

为准确预测冬季果园土壤温度,建立了蓄水坑灌条件下BP神经网络土壤温度预测模型(BP-WSPI-T)、遗传算法优化的BP神经网络土壤温度预测模型(GA-WSPI-T)和增量逆传播学习算法优化的BP神经网络土壤温度预测模型(IBP-WSPI-T),采用坑内平均气温、地表温度、沿相邻两蓄水坑中心连线距坑壁的距离和距坑壁5cm处分层土壤最低温度为模型输入,对距坑壁15、25和35cm处分层土壤最低温度进行预测,并通过与田间实测数据的统计学分析来判定预测效果。结果表明:BP-WSPI-T、GA-WSPI-T和IBP-WSPI-T模型的平均相对误差分别为8.19%、4.41%和7.57%,GA-WSPI-T模型的预测效果最好,较BP神经网络预测精度得到了很大的提高,建议采用GA-WSPI-T模型对蓄水坑灌冬季果园土壤温度进行预测。     

基于卷积神经网络的鲜茶叶智能分选系统研究

机采鲜茶叶中混有各种等级的茶叶,针对风选、筛选等分选方法难以做到精确细分的问题,结合计算机视觉技术和深度学习方法,设计了一套鲜茶叶智能分选系统,搭建了基于7层结构的卷积神经网络识别模型,通过共享权值和逐渐下降的学习速率,提高了卷积神经网络的训练性能。经过实验验证,该分选系统可以实现鲜茶叶的自动识别和分选,识别正确率不低于90%,可对鲜茶叶中的单芽、一芽一叶、一芽二叶、一芽三叶、单片叶、叶梗进行有效的类别分选。     

BP网络、Hopfield网络在水质评价应用中的比较研究

针对BP网络、Hopfield网络在水质评价的应用问题,建立BP网络、Hopfield网络水质评价模型,对BP网络、Hopfield网络从结构、输入输出、稳定性、评价结果等方面进一步地分析比较。然后以东辽河为例,运用BP网络、Hopfield网络、模糊评价法、内梅罗指数法4种水质评价方法进行水质评价,通过比较评价结果进行深入研究。结果表明,Hopfield神经网络更适用于水质评价。对神经网络方法水质评价问题进行探讨,试图找出BP网络、Hopfield网络方法在水质综合评价中的优缺点,具有非常现实的意义。     

基于BP神经网络的温室生菜CO2施肥研究

目前,温室CO2施肥主要采用试验定性分析确定适合范围,难以实现高精度温室产业生产控制。根据光合作用对温室环境因子的非线性,结合BP神经网络对非线性的良好辨识能力,研究出一种CO2施肥技术。结合温室光照、CO2浓度变化规律以及温室生菜生长规律,运用BP神经网络建立温室生菜光合速率与二者的量化模型,预测出在不同温室环境条件下,通过生菜的光合作用速率来衡量生菜生长状况,在温室小气候条件下实现对生菜产量的量化控制。     

二次聚类与神经网络结合的日光温室温度二步预测方法

精确预测日光温室温度是实现对温室精准调控的前提。由于温室是复杂非线性系统,受室内外众多环境因素影响,且部分因素难以准确测量和建模,因此,难以通过机理分析建立室外因素精确影响室内温度的物理模型。而现有时间序列分析、人工神经网络等仅基于数据的方法预测准确度也较低。本文提出连续时间段聚类与BP神经网络相结合的二步日光温室温度预测方法。首先,进行二次聚类,对室外温度情况相似的日进行聚类,并将全年划分为若干个类似时间段,根据连续时间段内相似日的数量进行聚类,将全年内的连续时间段归入若干类别。其次,对不同类别的时间段,分别采用BP神经网络建立室外温度、相对湿度、太阳辐射、风速和温室室内温度间的关联模型,通过数据训练,能够较为准确的根据室外环境数据预测室内温度。通过涿州实验农场2年数据试验验证,通过二次聚类,全年连续时间段可划分为3类,通过分别建立BP神经网络并分别训练,结果表明本方法预测误差仅为6.23%,与现有未分类的BP神经网络预测算法对比,本文方法有效地提高了准确度,平均误差降低5.4个百分点。     

基于自组织人工神经网络的尾水管压力脉动分析方法

水轮机尾水管中涡带引起的压力脉动,对水轮机的稳定运行有重要的影响。在对尾水管压力脉动检测信号进行小波分析的基础上,采用自组织人工神经神经网络,对尾水管压力脉动状态进行识别。实例分析结果表明,基于自组织人工神经网络的尾水管压力脉动状态的识别方法,在样本数目比较少的情况下,能够获得满意的结果,可以应用于水轮机的运行状态分析中。     

基于BP神经网络的农业机械化作业水平预测

我国农业机械化作业水平的发展变化具有增长性和波动性,对预测的方法要求较高。鉴于单一预测模型的局限性,在确定我国农业机械化作业水平各单一预测模型的基础上,建立了基于BP神经网络的农业机械化作业水平非线性组合预测模型,并对我国农业机械化作业水平进行预测。误差分析表明,该模型可以有效地提高农业机械化作业水平的预测精度,用该模型对我国2012-2020年农业机械化耕、播、收作业水平进行了预测。预测结果表明,在未来几年我国农业机械化作业水平将保持快速增长趋势,到2020年机耕、机播和机收作业水平分别为91.37%、66.77%和71.93%。     

基于改进的BP神经网络集成的作物精准施肥模型

作物最优施肥量与土壤养分含量、产量之间存在复杂的非线性关系。为更加准确地模拟这种关系,提出一种改进的的BP神经网络集成方法。该方法采用K-均值聚类优选神经网络个体,采用拉格朗日乘子方法计算待集成的神经网络个体的权值。然后,基于农田肥料效应试验数据,以土壤养分含量和施肥量作为神经网络的输入,以产量作为神经网络的输出,建立了作物精准施肥模型。该模型通过求解一个非线性规划问题,能同时获得最大产量和最优施肥量。试验结果表明,在施肥模型的拟合精度方面,改进的神经网络集成方法（其均方根误差为64.54）明显优于单个神经网络方法（其均方根误差为169.74）。而且,作为一种定量模型,基于改进的神经网络集成的施肥模型优于传统施肥模型,能有效地指导精准施肥。     

小波神经网络的微孔钻削在线监测

提出小波神经网络对微孔钻削进行实时监测的方法,利用扭矩信号的小波包分解,以分解后的各能量向量作为神经网络的输入,对系统进行训练,利用Matlab和LabView软件建立微孔钻削在线监测软件系统。试验结果表明小波神经网络精度高、收敛速度快,采用小波神经网络对提高微孔钻削在线监测的准确性是有效的。     

基于BP神经网络的粮食产量与化肥用量相关性研究

针对太湖流域化肥用量和粮食产量数据,利用BP神经网络算法,建立了粮食产量与化肥用量之间的关系模型,以指导化肥减施增效。共收集了1980—2014年共35a太湖流域16个县市每个县市的单位面积化肥用量和单位面积粮食产量数据。通过自回归滑动平均模型（ARMA）,对两类数据进行时间序列分析,对数据中存在的缺项进行了填补。实验表明,对于单位面积粮食产量数据,用ARMA(2,6)模型能够达到较佳的填补效果,均方误差小于0.2,R2＞0.85。对于单位面积化肥用量数据,用ARMA(3,7)模型较优,均方误差小于0.02,R2>0.80。说明ARMA模型数据填补效果较好。将填补后的不同县的数据通过BP神经网络建立模型,描述了各县市单位面积化肥用量和粮食产量的关联关系。实验表明,该方法拟合的均方误差小于0.12,R2＞0.80,说明BP神经网络是一种准确度较高的拟合方法。通过分析各县拟合结果,表明化肥用量有阈值,化肥用量低于该阈值,粮食产量将会较快速增长,高于该阈值,粮食产量将不再增长,过多的施用化肥并不能取得高产。