基于BP神经网络的洪水预测研究

以BP神经网络为基础,通过对神经网络的各个参数进行优化后建立洪水预报模型,并利用四川省达州市州河干流水文站所采集的水文数据进行仿真预报并和实测流量对比。研究表明,采用基于BP神经网络的洪水预测模型进行洪水预测的精度较高,是一种有效可靠的洪水预测方法。     

基于EMD和Elman网络的人民币汇率时间序列预测

为了改进神经网络的预测性能,更精确地预测人民币汇率,提出一种新的汇率时间序列预测方法,即利用基于经验模态分解(EMD)的Elman网络进行预测.首先对人民币兑美元的汇率序列做了非线性检验和非平稳性检验,然后对该序列进行经验模态分解,将得到的固有模态函数作为神经网络的输入变量,并在确定神经网络的关键参数后进行预测.实证结果表明,利用基于EMD的Elman网络进行人民币汇率预测能够取得更好的效果.     

基于遗传算法的BP网络在小流域侵蚀量预测中的应用

人工神经网络可用于流域水土流失的预测.针对BP神经网络收敛速度慢及容易陷入局部最优解的缺点,设计了基于遗传算法(GA)的优化BP神经网络.利用遗传算法特有优势,为BP网络的初始权值和阈值搜索全局最优解空间,经过BP算法迭代训练,进行预测.依据黄土高原沟壑区杨家沟小流域多年径流与泥沙的实测数据,对创建的侵蚀量模型进行训练和预测,取得了较高的预测精度和较快的收敛速度.     

基于深度学习的小麦蚜虫预测预警

小麦蚜虫对小麦的产量和品质影响较大,为及时准确地掌握小麦蚜虫的发生情况,提高小麦蚜虫预测的准确率,将深度信念网络用于小麦蚜虫的短期预测,并对小麦蚜虫发生量以及发生程度进行预测。使用的深度信念网络预测模型含2个隐藏层,通过无监督逐层预训练对网络参数进行初始化,并用有监督微调对网络参数进一步优化,提高预测准确率。最后在国际标准数据集(university of californiairvine,简称UCI)和小麦蚜虫数据集将深度信念网络与支持向量回归(support vector regression,简称SVR)、BP(back propagation)神经网络进行对比试验。结果表明,与浅层学习模型相比,深度信念网络的预测误差较小、推广能力强,可以为小麦蚜虫的防治提供及时有效的指导。     

一种基于神经网络的土壤湿度预测方法

对土壤湿度进行的高质量时序预测对科学研究和农业生产实际都有重要的意义。利用无线传感器网络得到长时序观测数据,建立一种新的基于BP神经网络的土壤湿度时序预测方法。针对神经网络收敛速度慢、易陷入局部最优的问题,提出基于动量因子和自适应学习率的BP神经网络改进方法,并且利用粒子群算法优化BP神经网络的初始阈值和权值。针对标准粒子群算法(PSO)中惯性权重线性递减、学习因子取常数,而导致的PSO收敛速度慢、易错过全局最优解等问题,将迭代次数和适应度值相结合改进惯性权重和学习因子,有效提高算法找到全局最优解的速度。选取"渤海粮仓"山东试验区东营市垦利县20个观测站2013—2014年的时间序列观测数据,分别采用本研究提出的方法和其他4种方法进行预测,结果显示本研究提出的方法预测在预测精度、收敛速度方面都优于其他4种方法。     

自适应进化模型下的土壤重金属含量预测

针对Elman神经网络在土壤重金属含量预测时出现预测精度低、模型收敛速度慢等问题,提出一种自适应进化模型(AEM)。该模型以Elman神经网络为基础,运用贝叶斯正则化优化Elman神经网络的目标函数,提高网络模型预测精度;为解决网络模型收敛速度慢和易陷入局部极值等缺陷,采用自适应灰狼算法(AGWA)对网络模型初始参数进行优化;采用基于熵权距离的离群点检测法剔除数据中的离群点,以降低离群点对预测结果的干扰。以武汉市农业科学院采集的农田土壤重金属含量数据进行预测试验,AEM模型预测重金属含量的平均绝对误差和平均绝对百分比误差分别为1.623和17.48%,其决定系数比Elman的提高了0.394。AEM、自调整反距离加权插值模型(SIDIM)、小波神经网络模型(CBSA–WNN)、双向门控循环神经网络模型(SBGRNN)及Elman神经网络模型等5种不同预测模型进行对比试验表明,AEM模型在土壤重金属含量预测上具有更高的准确性。消融试验结果表明,贝叶斯正则化优化、自适应灰狼算法优化和基于熵权距离的离群点检测的离群点数据剔除等3个改进点对于提升土壤重金属含量预测精度均有一定的贡献。     

基于小波分解的凡纳滨对虾养殖水体水质的仿真研究

依据凡纳滨对虾养殖水体中测定的水质数据,利用ARMA 模型和神经网络模型两种方法对水质动态进行预测和分 析,提出了一种基于小波分解且针对凡纳滨对虾养殖水体水质预测的ARMA 模型,且ARMA（p,q）模型中的p 值和q 值分别为4和2。预测结果表明,所建立的预测模型精度较高。将ARMA 模型预测的结果与神经网络预测的结果进行了对比后发现,基于小波分解的ARMA 模型对对虾养殖水体水质预测的有效性和准确性优于神经网络预测模型。     

遗传算法优化人工神经网络模型在日光温室湿度预报中的应用

提出一种基于遗传算法优化BP神经网络的方法预测日光温室湿度环境因子。实测日光温室内影响空气湿度的环境因子组成数据样本作为神经网络的输入,采用基于实数编码的遗传算法替代随机设定神经网络的初始权阈值,然后通过改进的BP算法在由遗传算法确定的搜索空间中对网络进行精确训练。模型预报值和实测值基于1：1线的决定系数R2和预测平均相对误差MSE分别为0.9857和3．1％。结果表明,遗传算法优化BP神经网络预报模型收敛速度快、预测精度高。可为日光温室的湿度环境调控制提供理论依据和决策支持。     

基于CBS-GM的时序数据短期预测方法

介绍了时序数据常用的参数回归和非参数回归方法,分析并比较了各自的优势和局限。结合这些特点提出一种基于B样条系数(CBS)与灰色模型(GM)的组合预测方法CBS-GM。此预测方法兼有参数和非参数的优点,具有较强的适应性和稳健性。最后将提出的方法应用于实际数据(常规数据和含异常值数据)。结果表明,综合预测精度和速度,CBS-GM相比于GM(1,1)、ARMA、BP神经网络和SVM等4种常用预测方法具有一定优势,是一种实用、高效的短期预测方法。     

基于组合式神经网络的柴油机性能评估预测模型

在分析发动机结构参数和运转参数对发动机性能影响的基础上,提出了一种基于组合式神经网络的柴油机性能状态评估预测模型.该模型首先运用动态聚类法将大样本分成若干小组,然后分别用于子网络训练.性能评估时,运用模糊识别法选择相关的子网络进行评估分析.实例验证表明,这种模型能有效解决大样本下神经网络训练速度慢和难以收敛的问题,提高柴油机性能评估预测精度.     

基于BP人工神经网络的土壤含水量预测模型的研究

土壤含水量是制约植物生长的主要因子之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义。提出了基于BP人工神经网络的土壤含水量预测模型,BP人工神经网络采用收敛速度较快和误差精度较高的动量-自适应学习速率调整算法。并通过基于这种模型的土壤含水量预测实验,结果表明BP人工神经网络预测模型提高了收敛速度和减少陷入局部最小的可能,并且提高了预测精度。     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性，基于BP神经网络建立烧结配料的预测模型，并采用粒子群算法对预测模型参数进行优化。为了克服粒子群算法的局部收敛性，在迭代过程中，根据迭代次数对惯性权重进行动态非线性调整，从而提高算法的搜索能力。仿真结果表明，所提出的改进粒子群算法与传统的粒子群算法比较，收敛速度快、迭代次数少、具有较强的全局寻优能力。     

基于遗传算法神经网络模型的蔬菜价格预报

针对蔬菜市场价格预报的复杂性,利用遗传算法与神经网络的特性,建立了基于遗传算法的神经网络蔬菜价格预报模型,并以香菇为例通过实验对模型参数选择进行了分析,进行了价格的模拟与预报。最后把遗传算法神经网络与BP网络预报结果进行了比较,结果证明,在预报数据绝对误差小于10%的范围内,二者预报能力相当;在预报数据绝对误差小于20%、15%的范围内,遗传算法神经网络模型的准确度高于BP神经网络模型,尤其是预报绝对误差小于20%的范围内,遗传算法神经网络模型的准确度明显好于BP神经网络模型,表现出模型良好的泛化能力。     

基于BP神经网络的华北落叶松小班蓄积预估模型研究与应用

林分蓄积是衡量小班林分生产力的重要指标。选择华北落叶松人工林小班数据,对以年龄、公顷株数和立地指数为自变量,小班公顷蓄积为因变量的BP (back propagation)神经网络模型和多元回归模型进行研究。研究结果表明:①BP神经网络参数最优组合:三层网络结构包括输入层3个神经元,隐含层10个神经元和1个神经元,输出层1个神经元,R语言算法选用含有动量的自适应梯度下降法,MATLAB软件算法选择Levevberg-Marquardt法;②多元回归模型中,生长理论方程为基础修正函数"Logistic+幂函数"组合的修正模型V=SI~(0.977 2)N~(0.510 3)0.500 1/[1+44.226 1exp(-0.146 6t)]表现最优,其决定系数R~2为0.721 8;③BP模型预测精度最高,其次是多元回归模型和材积表法。基于以上研究,为了提高BP模型的实用性,通过JAVA和R语言编程方式,将构建BP神经网络小班蓄积预估模型存储到收获预估模型的模型库中,在人工林收获预估中实现BP模型的调用,实现从经典的数学模型形式向智能化软件方向发展,提高BP模型在实际生产中的可操作性,为森林经营作业提供决策支持。     

基于相空间遗传BP神经网络的径流预测研究

基于混沌时间序列的重构相空间、遗传算法的良好全局搜索和神经网络精确的局部搜索特性,以重构相空间中的饱和嵌入维数作为神经网络输入层节点数,通过采用遗传算法优化神经网络初始权重,将重构相空间、遗传算法、神经网络三者有机地结合,提出并建立了相空间遗传BP神经网络预测模型。将该模型用于黄河上游月径流预测,结果表明,该模型应用在水文时间序列的预测中是合理、可行的,并具有较高的精度。     

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。     

基于LSTM-Kalman模型的蛋鸡产蛋率预测方法

产蛋率是评价蛋鸡产蛋性能的重要指标之一,因其具有时序性和非线性等特点,且其影响变量众多、存在复杂的耦合关系,难以实现精准预测。由于传统神经网络预测过程的非记忆性难以处理时序性问题,该文章提出蛋鸡产蛋率的LSTM-Kalman预测方法,使用主成分分析提取影响蛋鸡产蛋率的关键变量,通过LSTM神经网络预测蛋鸡产蛋率,采用Kalman滤波对LSTM预测的结果进行动态调整,作为最终预测结果。数据分析结果表明:LSTM-Kalman模型预测产蛋率的平均绝对误差、均方误差和皮尔逊相关系数分别为0.312 8、0.435 3和0.975 2,明显优于传统的BP神经网络、极限学习机等预测方法;通过2栋鸡舍生产数据的交叉测试验证,模型的预测准确率达到97.14%和98.71%,表明模型具有较强的泛化能力,能够满足蛋鸡产蛋率预测的实际需要,可以为蛋鸡养殖环境数据的精准调控提供参考。     

基于多种模型的浙江省入境游客量预测

入境游客量是衡量地区旅游发展的重要指标之一,准确的旅游需求预测可以为旅游规划提供参考依据。本文根据浙江省2001-2011年接待入境旅游游客量及其他相关统计数据,运用BP神经网络法、GMDH模型、逐步回归分析与BP神经网络组合预测法以及BP神经网络与GMDH模型组合预测法,基于影响因子要素对入境游客量进行预测分析。实验证明BP神经网络与GMDH模型组合预测法具有较强的预测优势。     

基于PSO–BP算法的油菜籽干燥工艺参数的优化

结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化:采用BP神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型,利用试验样本数据计算并确定预测模型的网络权值及阈值,再采用PSO算法进行参数优化。试验验证结果表明,对比BP网络模型和PSO–BP模型,发现BP网络仿真值相对误差最大值为4.5%,而PSO–BP仿真值最大相对误差小于2.93%。