基于主成分分析和粒子群优化神经网络的粮食产量预测

粮食产量的预测研究在粮食安全方面具有重要意义,神经网络可以较好地反映粮食产量这一复杂的非线性动态系统。但是传统的BP神经网络预测模型存在学习收敛速度慢、易陷入局部极小值等缺陷,为了改善这一缺陷,提出了一种基于主成分分析(PCA)和粒子群(PSO)优化神经网络的预测模型。首先计算各影响因素与粮食产量之间的相关系数,利用主成分分析方法降低影响因子的维度,将降维后的因子作为神经网络的输入,然后采用BP神经网络建立粮食产量预测模型,其中引入PSO算法对BP神经网络的权值和阈值进行优化,最后使用训练过的BP神经网络预测粮食产量值。预测结果表明,该模型可有效提高预测精度,且收敛速度快,全局收敛性好,为粮食产量预测提供了一种新的途径。     

PCA-BP模型在城乡建设用地规模预测中的应用

为探索提高BP神经网络在建设用地规模预测中的精度,提出主成分分析(PCA)和BP神经网络相结合的建设用地规模预测模型,并利用PCA-BP模型对山西省晋城市建设用地规模进行预测。首先,利用Pearson相关系数法分析筛选出影响建设用地规模的主要驱动因子;其次,利用主成分分析法(PCA)消除其相关性,并达到降维的目的;最后,以PCA结果作为输入层建立建设用地规模的BP神经网络模型,并利用BP模型进行训练预测,得到最终预测值。预测结果表明,PCA-BP模型的平均绝对误差MAE、平均相对误差MRE、均方误差MSE比传统BP神经网络模型小,平均预测精度R更高,具有较高的拟合度及可行性,在预测效率和预测精度方面都有进一步的改善。该方法的提出能为今后科学合理预测建设用地规模提供一种新思路,同时为土地利用总体规划修编提供重要决策基础。     

国家社保基金收入预测的PCA&BP模型

采用1989-2005年数据,利用主成分分析(PCA)与BP神经网络算法对我国社保基金收入进行拟合及预测分析.结果表明,与回归模型相比,PCA&BP模型具有更高的预测精度,相对误差为-0.22%.     

基于主成分分析及GA-LM的水产养殖环境溶解氧和氨氮含量预测

为了精准预测水产养殖过程中最重要的两个环境参数溶解氧和氨氮,针对预测模型需要解决的有效影响因子确定、预测算法和网络结构优化等问题,将Levenberg-Marquardt(LM)神经网络、遗传算法(genetic algorithm,GA)和主成分分析(PCA)算法相结合,提出一种基于GA-LM-PCA的水产养殖环境溶解氧和氨氮含量预测模型,即采用PCA确定影响因素,实现影响因素的去耦合降维,采用遗传算法对网络结构进行优化,确定合适的隐层节点数目和权值,采用LM训练神经网络,提高神经网络的收敛速度.为了验证GA-LM-PCA的预测效果,将GA-LM-PCA的预测效果与未用PCA方法的GA-LM预测模型进行了试验比较,并探讨了影响因素数量对预测效果的影响.结果表明:用GA-LM-PCA方法预测的溶解氧和氨氮值与实测值吻合较好,平均绝对误差和均方根误差分别为0.0047、1.8727×10-4(溶解氧)和0.0065、9.4287×10-4(氨氮),适用于影响因素数量较多的场合.研究表明,GA-LM-PCA是一种有效的水产养殖环境溶解氧和氨氮预测工具,尤其对于影响因素复杂繁多的非线性系统效果更好.     

基于KPCA-SSA-BP的农业气象灾害预测

农业气象灾害对农业发展有很大阻碍,为优化农业气象灾害预测的估算模型,本研究以山东省作为研究区域,利用核主成分分析(KPCA)对影响因子进行降维,以传统反向传播(BP)神经网络模型为基础,基于麻雀搜索算法(SSA)、粒子群算法(PSO)、遗传算法(GA)3种优化算法,构建了SSA-BP、PSO-BP、GA-BP 3种优化模型。结果表明,在旱灾受灾率的模型评价指标对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的均方根误差(RMSE)分别下降23.55%、12.28%和17.74%;在洪灾受灾率的模型评价对比中,发现与传统BP神经网络模型相比,SSA-BP、PSO-BP、GA-BP神经网络模型的RMSE分别下降了29.96%、9.49%和13.88%。说明SSA-BP神经网络模型对旱灾受灾率、洪灾受灾率的预测效果优于传统BP神经网络模型以及PSO-BP、GA-BP优化的神经网络模型。     

作物品种区域试验统计分析模型的比较

 通过对作物品种区域试验中有关品种×环境组合均值估计的主要统计分析模型进行概述和比较 ,改进提出LR PCA复合模型 ,并通过数据实例的交叉验证对各种模型的预测精度进行比较。结果表明 ,各种模型的精度顺序为LR PCA复合模型 >AMMI模型 >PCA模型 >处理均值模型 >回归模型 >ANOVA加性主效模型 ;LR PCA复合模型的预测精度是算术平均值的 1.5 5倍 ,比AMMI模型的精度提高了 8.4 %。最后对LR PCA模型的应用问题作了讨论     

基于PCA-BP神经网络算法桃树叶片SPAD值高光谱估算

光谱技术实现了桃树叶片SPAD(soil and plant analyzer development)值的监测,使用基于主成分分析(principal component analysis,PCA)的BP神经网络算法建立桃树叶片SPAD值光谱估算模型。分析各生育期桃树叶片SPAD值的变化及其与叶片光谱的相关关系,分析5种红边参数与SPAD值的相关性,选取相关性较高的3种红边参数,分别与SPAD值进行单因素建模;然后把红边参数和SPAD值用主成分分析、基于PCA-BP神经网络算法建模,并对估算模型进行验证,结果表明:1)5-9月,桃树叶片SPAD值呈先上升后下降的变化特征,8月达到最大;2)4个生育期所建立的3种模型均通过0.01显著性检验,其中6月估算SPAD值的模型,建模精度和验证精度均最高, R 2≥0.814;3)各生育期桃树叶片SPAD值在单因素模型中,以红边位置建立的模型估算和预测精度最高;4)各个生育期中,基于PCA-BP神经网络模型的估算效果最好,建模精度和预测精度最高, R 2最高分别为0.938和0.974;主成分分析模型次之,单因素模型最低。因此,基于红边参数建立的PCA-BP神经网络反演模型能进行桃树叶片SPAD值的准确估算,为桃树叶片叶绿素含量监测提供理论依据。     

柑桔叶片可溶性糖近红外检测非线性模型研究

为了监督柑桔叶片是否缺乏营养元素,对叶片可溶性糖进行分析。采用近红外光谱技术结合误差反馈神经网络(BPNN)和最小二乘支持向量机(LS-SVM)建立定量剖析非线性模型,运用主成分分析(PCA)进行数据压缩、无信息变量消除算法(UVE)和连续投影算法(SPA)进行有效波段筛选的方法来优化模型的输入变量,提高了模型检测精度。同时,利用Savitzke-Golay平滑(S-G)、多元散色校正(MSC)、导数和基线校正(Baseline)等预处理方法进行数据变换,来确定最佳建模方法。结果表明:波长筛选能优化模型,并提高运算速度,其中PCA优化效果最为明显,可溶性糖的相关系数Rp达到最大为0.91,均方根误差RMSEP最小为4.82,显著提高了模型的检测精度和稳健性,经过优化的输入变量所建模型,能够满足定量检测的要求,具有一定的可行性。     

基于RBFNN混合粒子群算法的电力负荷短期预测

根据电力系统负荷预测的不同目的,提出一种基于RBFNN混合粒子群优化算法(HPSO)预报电力系统短期负荷,即首先采用改进的粒子群优化算法(MPSO)全局优化网络模型参数然后在MPSO全局搜索模型参数基础上利用梯度下降法局部优化网络模型参数,建立电力系统短期负荷的时序人工神经网络模型。仿真结果表明,该方法与传统的预测方法相比,减少了训练时间,提高了精度和适应性。     

非点源污染负荷预测的多变量灰色神经网络模型

【目的】建立一种对资料要求较少、精确度较高的非点源污染负荷多变量灰色神经网络预测模型,为有限资料条件下非点源污染负荷的预测提供支持。【方法】针对GM(1,N)模型在原始数据变化幅度较大且趋势不明显时预测效果较差的不足,提出并建立用人工神经网络对GM(1,N)模型的残差系列进行修正的改进模型,并将其应用于华县站总氮非点源污染负荷的预测。【结果】在华县站总氮非点源污染负荷预测中,灰色+BP神经网络组合模型拟合预测效果较好,建模阶段和检验阶段的确定性系数(Nash-suttcliffe模拟效率系数)分别为1.00和0.93,优于单独灰色模型或神经网络模型的预测效果。【结论】研究建立的多变量灰色神经网络模型综合了灰色理论和神经网络的优点,提高了模拟精度,为有限资料条件下非点源污染负荷的预测提供了一种有效的方法。     

基于AIC-RBF的油气管柱挤压形变估计方法

油气管柱长期受到地层运动的影响会发生挤压变形,且挤压程度难以度量.利用脉冲涡流的油气管柱挤压形变估计反演算法,提出了一种基于AIC-RBF 的油气管柱挤压形变估计方法,该方法包括基于赤池信息量准则(Akaike Information Criterion,AIC)的油气管柱形变多项式拟合优化算法和基于径向基函数(Rad...     

基于Kalman滤波的UWB的TOA估计

提出了一种基于卡尔曼滤波的TOA估计算法,充分利用了卡尔曼滤波的预测功能,以预测值为中心对接收信号进行加窗处理,对此窗口内的接收信号作主成份分析得到测量值,然后对预测值进行修正.实验结果表明,与传统的TOA估计算法相比,该算法不仅使信噪比提高了约8～12 dB、均方误差降低了3～4个数量级,而且更便于实时实现.     

变精度多粒度粗糙集的约简研究

首先以容差关系为基础,在变精度粗糙集和多粒度粗糙集的基础上,提出了变精度多粒度粗糙集的概念,分别包括变精度乐观多粒度粗糙集和可变精度悲观多粒度粗糙集;其次,为了讨论变精度多粒度粗糙集的约简问题,给出了变精度乐观多粒度近似质量和变精度悲观多粒度近似质量的定义,并对这两种近似质量的基本性质进行了讨论。借助这两种近似质量,分别定义了变精度乐观多粒度约简和变精度悲观多粒度约简,并设计了两个启发式算法以求得这两种约简。最后在 UCI的4个不完备数据集上实现了约简的算法,并对约简的结果和约简率进行了分析与讨论。     

激光微地貌扫描仪的开发研制及在坡面侵蚀研究应用初步

利用光线的反射与聚焦成象原理，将地表高程转换成不同物象点位置的电信号，再经计算机处理成数字高程模型，即形成用于获取地表糙度数字高程模型的激光激地貌扫描仪。实验测量得到；在相同初始条件下，不同坡度土槽放水和降雨实验后地表形态的数字地形模型。通过侵蚀地表形态的分析，得出坡度对坡面侵蚀及沟蚀影响的某些初步规律。     

基于可见-近红外光谱变量选择的土壤全氮含量估测研究

【目的】变量选择是可见光-近红外光谱研究至关重要的步骤,通过分析可见光-近红外光谱不同特征的选择方法筛选出土壤全氮敏感波段,建立基于敏感波段的土壤全氮最佳预测模型,为土壤全氮的快速定量估算提供重要的理论指导依据。【方法】在红壤典型地区江西省吉安县采集代表性土壤样品120个,对可见光-近红外光谱采用主成分分析（PCA）、无信息变量消除（UVE）和无信息变量消除后结合连续投影（UVE-SPA）3种变量特征选择方法,建立基于不同变量选择的偏最小二乘回归（PLSR）模型、最小二乘-支持向量机（LS-SVM）、反向传播神经网络（BPNN）和遗传算法优化的反向传播神经网络（GA-BPNN）模型,从模型对预测集的预测精度分析不同变量选择方法对不同土壤全氮定量估算模型的差异。【结果】经UVE算法筛选后,光谱变量从200个减少至59个,其中可见光波段处10个,其余在近红外光谱的合频区和一倍频区,信息量丰富;进一步采用SPA进行变量选择,得到共线性最小的5个有效波长,分别为820、940、1 040、1 060和1 990nm;基于UVE变量选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型,经不同的土壤全氮的数据检验,预测精度最高的为LS-SVM,决定系数（R2）、均方根误差（RMSEp）和相对偏差（RPD）分别为0.7492、0.2921和1.8904;基于UVE-SPA特征选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型对预测集的验证表明,UVE-SPA提取的特征波段建立的LS-SVM建立模型预测效果最好,其建立的LS-SVM定量估算模型预测集的决定系数R2为0.7945,均方根误差RMSEp为0.2499相对偏差RPD为2.0009,模型稳定;基于PCA提取的7个主成分建立的LS-SVM、BPNN和GA-PBNN模型预测性能差,不能用于定量估算土壤全氮。对比相同的变量建立的GA-BPNN和BPNN,GA-BPNN预测性能比BPNN高。【结论】UVE-SPA变量选择方法结合LS-SVM模型能用来估算土壤中的全氮含量,同时UVE-SPA是一种有效的土壤光谱变量选择方法。     

混合动力镍氢动力电池参数辨识

为实现电池SOC（State of Charge)的精确估计与提高电池模型的精确性，采用等效电路模型PNGV电池试验手册中的标准电池模型，基于辅助变量法和最小二乘法相融合的方法提出了混合动力镍氢动力电池在线参数辨识方法，并利用MATLB/SIMULINK建立电池模型.仿真分析结果显示，所建立的电池模型电压最大误差为4.2 V，平均误差为0.57V，SOC的估计最大误差为0.048，平均误差为0.011，能很好地拟合真实数据.     

Super-Resolution Reconstruction of Image Sequence Using Multiple Motion Estimation Fusion

Super-resolution reconstruction algorithm produces a high-resolution image from a low-resolution image sequence. The accuracy and the stability of the motion estimation (ME) are essential for the whole restoration. In this paper, a new super-resolution reconstruction algorithm is developed using a robust ME method, which fuses multiple estimated motion vectors within the sequence. The new algorithm has two major improvements compared with the previous research. First, instead of only two frames, the whole sequence is used to obtain a more accurate and stable estimation of the motion vector of each frame; second, the reliability of the ME is quantitatively measured and introduced into the cost function of the reconstruction algorithm. The algorithm is applied to both synthetic and real sequences, and the results are presented in the paper.     

梯形明渠水跃共轭水深的优化计算

梯形明渠水跃共轭水深的计算问题在水工消能设计中具有重要意义 ,目前常用的方法有试算法、图解法、近似公式法 ,它们存在计算精度不高、求解复杂、使用不便等缺点。为此 ,本文把该问题等价于两个非线性优化问题 ,建议统一用笔者研制的加速遗传算法 (AGA)来处理。实例的计算结果说明 ,AGA比常用方法简便、计算精度高且具有通用性     

基于个体优势遗传算法的水稻生育期模型参数优化

【目的】快速并准确估算作物生育期模型参数。【方法】本文提出了一种新的改进型遗传算法——个体优势遗传算法（individual advantages genetic algorithm,IAGA）,并应用于水稻生育期模型参数估算。在遗传算法的基础上引入个体优势算子,并改进了变异算子及种群更新策略。以完全嵌入方式耦合RiceGrow和ORYZA2000水稻生育期模型,实现了模型参数的自动率定。利用汕优63等5个水稻品种在徐州、高要等地的多年田间试验资料,对IAGA算法的有效性进行对比试验。【结果】（1）试验验证结果的RMSE<3.05 d,NRMSE<3.19%,MDA<2.41 d,R2>0.9885,表明利用IAGA获得的模型参数准确性较高。（2）调参的实测数据量大小对调参结果影响不大。由3年数据增加到6年数据,试验拟合结果最大NRMSE值由2.58%增大到3.08%,增加了0.5%。选择隔年并包含全生育期天数最大值与最小值的调参数据,可以获得较准确的模型参数值。（3）IAGA与复合形混合演化算法、遗传模拟退火算法以及标准粒子群算法相比,可获得更准确的模型参数值。【结论】IAGA算法可以实现水稻生育期模型参数的自动率定,为作物生长模型参数的快速准确估算提供了一种有效新方法。     

土壤墒情预测模型对比

为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。