组合预测法对粮食产量的预测研究

为了对粮食产量进行准确预测,使用组合模型对粮食产量进行预测研究。通过对数据的分析确定了构成组合模型的三个单项模型：灰色预测GM(1,1)模型、多元回归预测模型、时间序列预测模型,并明确了确定组合预测模型权重的方法。使用4种预测模型对2015—2020年的粮食产量进行预测,结果显示组合预测模型的平均相对误差最小。因此,通过对预测模型的检验证实了模型的可行性和准确性,确定了组合模型可以充分地利用各种预测方法所提供的信息提高预测精度,使得预测结果更加准确有效。     

组合预测方法及其在粮食单产分析中的应用

介绍组合预测模型及最优权重的确定，并通过此方法对黑龙江省某农场粮食单产进行了预测。建立了组合预测模型。从预测结果上看，组合预测模型优于单一预测模型，使预测精度有一定的提高。     

基于粗糙集的粮食产量组合预测模型

为预测粮食总产量,建立了基于粗糙集的粮食产量组合预测模型.通过建立预测模型与预测对象的关系数据模型,离散化属性数据值来建立知识表达系统和决策表,并依据粗糙集理论计算出预测对象对预测模型的依赖度、预测模型的重要度以及组合预测模型中各单一模型的权系数.利用浙江省粮食总产量的历史数据建立了粮食产量组合预测模型,分析表明所建模型有较好的预测效果.     

基于Shapley值的农机总动力组合预测方法

应用合作博弈中的Shapley值方法,通过分配总误差来确定组合预测模型中各预测模型的权重,以此构建组合预测模型并对山西省农机总动力进行组合预测.结果表明,该组合预测模型的预测平均误差为1.81,低于选定的一元线性回归模型、三次指数平滑模型和BP神经网络模型的3.12、2.42和2.23;也低于基于方差倒数法以及基于离异系数法构建的组合预测模型的预测平均误差1.88和1.90.     

我国农业机械化作业水平的组合预测模型对比研究

为探究不同组合模型对我国农业机械化作业水平预测的影响,以我国农业机械化作业水平时间序列为研究对象,以2001-2012年历史数据作为训练样本,分别选择指数曲线法、三次指数平滑法及灰色预测法构建单项预测模型,并基于单项模型的预测结果,选择误差平方和最小法、Shapley法和IOWGA法构建组合预测模型,对2013-2015年农业机械化作业水平进行预测。预测结果的对比分析表明:组合模型的预测精度从高到低分别为IOWGA组合模型、基于误差平方和最小法组合模型及Shapley组合模型。IOWGA组合预测模型充分汇集了各单项预测模型中的有效信息,且根据预测精度的大小赋予不同的权值,具备更好的预测效果和稳定性,相对误差可控制在1%,可用于我国农业机械化作业水平预测。     

农机总动力组合预测模型研究-基于密度算子

农机总动力的需求具有增长性、波动性及非线性的特征。采用基于密度算子的组合预测方法,对陕西省农机总动力进行预测。在确定单一预测模型的基础上,计算各模型的偏离度和准确度,进而确定聚类组的准确度和密度加权向量,建立基于密度算子的农机总动力组合预测模型,以及基于离差系数法和Shapley值法的组合预测模型。拟合结果表明:建立的密度算子组合模型的各项误差评价指标都低于选定的单一预测模型和基于离差系数法和Shapley值的组合预测模型,具有很好的预测效果。     

辽宁省农机总动力组合预测与分析

通过对1994～2004年辽宁省农机总动力历史数据的统计分析,建立了农机总动力发展的组合预测模型,并对农机总动力进行了预测.预测结果表明,组合预测模型优于单一预测模型,使预测精度有了一定的提高,用其对辽宁省农机总动力进行预测更具有合理性.分析预测结果对辽宁省农机发展规划有着重要意义.     

基于灰色支持向量机组合模型的农产品产量预测

鉴于灰色预测模型和支持向量机各自的优点,将灰色预测模型与支持向量机相结合,提出灰色支持向量机组合模型,并将该模型应用于花生产量预测中。结果表明,与单一支持向量机和灰色预测模型相比,灰色支持向量机组合模型的预测精度明显提高。     

黑龙江省农机总动力的组合预测研究

探讨了组合预测方法及其在黑龙江省农机总动力预测中的应用，建立了组合预测模型。     

禽蛋孵化过程组合预测研究

针对孵化过程是一个具有高度非线性、大滞后、时变特性且强耦合性的农业生产过程,提出了一种基于灰色预测和联想记忆神经网络的组合预测方法.该模型首先利用灰色预测模型和联想记忆神经网络分别对焦炉禽蛋孵化过程温、湿度进行预测,然后采用方差-协方差优选组合预测法对2种单一模型的预测结果进行加权集成,以获得较为准确的预测精度,实现孵化过程温度和湿度的有效预测.运行结果表明,组合预测模型均方根相对偏差为0.9％.     

采用优化特征子集选取和改进SVR的养殖禽舍温度预测算法

为提高养殖禽舍温度预测算精度，降低数据冗余度和差异性对预测结果的影响，提出一种基于智能优化特征子集选取和模糊聚类改进SVR（Support Vector Regression）的温度预测模型。首先，构建最优特征子集选取模型，通过设计最优特征子集选取指标，以降低特征之间冗余度和数据维度；采用改进的离散灰狼算法对特征子集选取模型进行求解，以实现最优特征子集选取。其次，建立模糊聚类改进SVR预测机制，通过设计多度量核FCM（Fuzzy C-means）算法，以实现数据样本自动分类；提出与数据样本分类相对应的SVR预测算法，并采用灰狼算法对SVR参数进行优化，最大程度降低样本数据差异性对预测精度的影响。最后，融合最优特征子集选取和模糊聚类改进SVR预测机制，以实现养殖禽舍温度高精度预测。仿真结果表明，该算法实现不同季节条件下养殖禽舍温度的高精度预测，相比于其他预测算法，预测精度提高约23.7%~37.8%。所提养殖禽舍温度预测算法具有良好的预测性能，具有一定的推广应用价值。     

基于近红外光谱信息的土壤电导率预测模型研究

利用土壤含水率与近红外光谱土壤反射率和土壤电导率三者之间的关系,以土壤含水率为中间变量,间接表达土壤光谱反射率和土壤电导率之间的关系。土壤含水率与土壤光谱反射率存在指数关系,土壤含水率与土壤电导率存在线性关系,消除中间变量（土壤含水率）,得到土壤光谱反射率和土壤电导率之间的关系。以土壤水分敏感波段1450nm作为研究对象,研究土壤电导率的预测模型,分别建立指数预测模型和对数预测模型,并分别对两种模型进行验证。本文实验建模集样本72个,验证集样本48个,土壤电导率对数预测模型R2达0.80,土壤电导率指数预测模型R2达0.85,预测效果均可满足农田电导率估算,但对数模型在土壤电导率较低区间预测效果不理想,因此土壤电导率指数预测模型预测效果优于对数模型的预测效果。研究结果表明,土壤光谱反射率预测土壤电导率的方案可行,并为光谱信息预测土壤电导率提供了新思路。     

灰色关联度组合模型在涝灾预测中的应用

传统灰色预测模型在涝灾预测中有较多应用,但其预测精度较低。为提高模型的预测精度,在传统灰色预测模型基础上加入灰色关联度分析,从灰色关联度的角度发现数据之间的依赖关系,运用灰色预测模型预测数据的发展走向。以沈阳市1960-2010年涝灾年份数据为依据,建立灰色关联度组合模型,应用结果表明,该模型比传统灰色预测模型效果好,为涝灾预测增添了新手段。     

基于多时相多参数融合的麦玉轮作小麦产量估算方法

为了进一步提高冬小麦产量预测的准确性,针对麦玉轮作体系缺乏直接把前茬作物信息纳入到当季作物的产量估算及管理中的研究状况,利用前茬玉米季中长势遥感信息及产量信息,融合小麦拔节期、灌浆期及成熟期长势遥感信息、播前施肥信息及土壤特性信息等多时相多模态数据,基于GPR算法,建立多时相多模态参数融合的麦玉轮作体系小麦产量估算模型,结果显示：基于多生育期的产量估算模型较单生育期最优产量估算模型性能有所提升,R²提高0.01～0.03。其中基于拔节期产量估算模型精度略低于多生育期产量估算模型,但精度相近。基于多模态参数融合的产量估算模型中,除玉米作物信息与土壤特性信息融合构建的产量估算模型,多模态参数融合的产量估算模型精度较相应低模态参数融合的产量估算模型精度高。四模态参数融合的GPR模型决定系数R²为0.92,RMSE为213.75 kg/hm²,较其他模型,R²提高0.02～0.41。对于小麦产量估算模型,各模态参数影响由大到小依次为施肥信息、小麦遥感信息、土壤特性信息、玉米作物信息。玉米作物信息对于多模态参...     

基于布谷鸟搜索算法优化LSTM的大坝变形预测

对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明：STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型.     

基于物联网的浮标水质监测系统与溶解氧浓度预测模型

为促进近海养殖业信息化发展,更好地实现对近海养殖环境的监控,设计了基于浮标平台的环境监测系统。利用STM32L475微控制器定时采集光照、温度、pH值、溶解氧浓度等信息,通过物联网技术将数据传输至云监测平台,实现了多区域环境信息远程监测和多终端访问。提出了改进遗传算法BP神经网络的溶解氧浓度预测模型,实现对近海养殖环境的预测;根据所采集的数据,利用改进遗传算法对初始权重和阈值进行优化得到最优参数,在此基础上构建BP神经网络溶解氧浓度预测模型。通过试验验证了该系统海洋环境信息采集的准确性与可靠性,以及溶解氧浓度预测模型的有效性;与传统遗传算法BP神经网络预测模型相比,平均误差由0.0778mg/L降至0.0178mg/L,能够满足近海养殖的实际需求。     

基于遗传算法的蛋白质二级结构预测方法研究进展

蛋白质二级结构预测方法的研究目前已成为生物信息学研究的重要课题之一.为此,从从头预测、比较建模和混合方法3个方面阐述了近几年遗传算法在蛋白质二级结构预测中的应用研究进展,并分析了算法的效果和特点,最后展望了遗传算法在蛋白质二级结构预测中应用的前景与方向.     

基于IL-HMMs预测模型的地下水埋深预测研究

以西北干旱典型县域磴口县为研究区,基于增量学习的改进隐马尔可夫预测模型(IL-HMMs),对区域地下水埋深进行了预测研究。为检验IL-HMMs模型预测效果,将模型预测结果与2013年长观井的实测数据进行了比较;同时为检验模型的优劣性,与未经增量学习的隐马尔可夫模型(HMMs)、加权马尔可夫链(WMCP)和BP神经网络(BP neural network,BPNN)预测模型的预测结果进行了比较。结果表明:与其他几种预测模型相比,IL-HMMs模型预测精度显著提高,误差更小,有较好的鲁棒性。并使用IL-HMMs模型对2018年地下水埋深进行了预测,预测结果表明,2018年地下水年平均埋深略有增加、局部区域地下水埋深增量加剧。基于IL-HMMs模型的地下水埋深预测具有很好稳定性的同时对新数据加入又有很好的鲁棒性,可为地下水埋深动态预测提供思路与方法补充,为区域地下水资源开发利用和保护提供重要依据。     

土壤墒情监测预报技术研究进展

对已有墒情预报模型和土壤水分检测技术进行简单分析,总结了各自特点,发现现有土壤墒情检测技术在性价比层面还需提高,各墒情预报模型所受限制较多,仍没有较为通用、准确成熟模型,目前国外在这方面的热点研究集中于依靠"3S"技术,技术水平更为成熟,值得借鉴。对土壤墒情监测预报技术的前景进行了展望。     

基于组合色彩特征的苹果树叶片各生长期氮含量预测

为精准预测开花期、幼果期和果实膨大期苹果树叶片的氮含量,提出一种基于组合色彩特征的苹果树叶片氮含量预测模型。首先,获取苹果树叶片图像并提取R、G、B单色分量及14种色彩组合参数共计17种色彩特征,通过主成分分析提取不同时期苹果树叶片氮含量关键影响因子,消除原始变量之间的相关性,降低模型输入向量维度;其次,对建立的PCA-SVM、PCA-BP、PCA-ELM预测模型在不同时期对苹果树叶片氮含量预测效果与精度进行对比,得到不同时期最佳的预测模型;最后,利用最佳预测模型对不同时期苹果树叶片氮含量进行预测,并通过自适应遗传算法对最佳预测模型参数进行优化。试验结果表明：在不同生长时期,PCA-SVM模型的预测精度均高于PCA-BP、PCA-ELM模型;优化后PCA-SVM预测模型在开花期、幼果期和果实膨大期的平均绝对误差分别为0.640、0.558、0.544g/kg,平均绝对百分误差分别为0.057、0.050、0.064g/kg,均方根误差分别为0.800、0.747、0.737g/kg,优于优化前预测模型。该模型具有良好的预测性能和泛化能力,可以为果园精准施肥管理、提升果品品质、避免资源浪费和环境污染提供理论依据。