地下水位预报的相空间重构神经网络模型研究

为有效揭示水资源系统复杂的非线性结构及变化规律,结合混沌理论、相空间重构理论与神经网 络,研究了地下水水位预测模型,即通过相空间重构,把一维地下水水位时间序列拓展为多维序列,从而挖掘更为 丰富的信息;运用混沌方法构造训练样本并确定神经网络的网络结构,用神经网络拟合相空间相点演化的非线性 关系。实例计算表明,该模型具有较高的预报精度。     

时间序列BP神经网络在福州市第三产业值预测中的应用

准确预测福州市第三产业的发展,对今后海峡西岸经济带建设具有举足重轻的意义。本文以福州市1994~2008年第三产业值为基础,采用MATLAB7.0建立非线性时间序列的神经网络预测模型,将1994~2003年的第三产业值作为训练样本,2004~2008年的第三产业值作为测试样本,并计算误差。结果表明:BP神经网络模型收敛速度较快,预测精度较高,对时间序列第三产业值的预测具有较高的应用价值。     

基于神经网络的模糊系统池塘淡水养殖溶解氧预测模型

建立基于神经网络的模糊系统预测模型,应用基于神经网络的模糊系统模型对淡水养殖池塘溶解氧进行预测,用实测的106组监测数据来检验模型的可靠性,其中80组数据作为训练样本,26组数据作为检验样本,将预测值与实测值进行比较。结果表明,该模型预测值与实测数据拟合良好,解决了生产实际中溶解氧状况无法及时预报和动态监测难等问题。     

基于神经网络的模糊系统池塘淡水养殖溶解氧预测模型(英文)

建立基于神经网络的模糊系统预测模型,应用基于神经网络的模糊系统模型对淡水养殖池塘溶解氧进行预测,用实测的106组监测数据对来检验模型的可靠性,其中80组数据作为训练样本,26组数据作为检验样本,将预测值与实测值进行比较。结果表明,该模型预测值与实测数据拟合良好,解决了生产实际中溶解氧状况无法及时预报和动态监测难等问题。     

基于Clementine的计算机状态监测研究

数据挖掘技术中的神经网络和C5.0可以用于构建监督和预测的模型。将神经网络和C5.0模型运用于监测计算机的状态信息及识别和预测相关的故障状态。基于Clementine环境,通过采集状态已知情形下的计算机状态数据,作为训练样本来建立神经网络模型和C5.0规则模型,利用另外的实测数据进行检验。结果表明,神经网络的预测正确率是99.64%,而C5.0模型的预测正确率为99.68%,两者预测结果的一致性为99.81%。此外,C5.0模型预测结果的准确性要比神经网络预测结果的准确性高。     

基于REMCC-BPNN的粮食产量预测研究

粮食产量的准确预测对保证粮食安全、维持社会稳定具有重大意义。提出了一种基于K个最近邻训练样本拟合相对误差绝对值与时序的相关系数最小原则优化BP神经网络的时间序列预测模型REMCC-BPNN,并将该模型应用到我国粮食产量及湖南省粮食产量预测中。结果表明,REMCC-BPNN模型的预测精度优于BPNN、SVR、ARIMA、GM(1,N)等常用的时间序列预测模型,训练速度快,稳定性高。     

基于趋势辨识理论的神经网络及其在水文时间序列预报中的应用

训练样本在数量级上的差别和分配的不均匀会导致网络收敛缓慢,且训练结果偏向样本比重较大的那一方。由AR模型在水文时间序列的较好应用可知,水文时间序列中趋势项占有绝对优势。因此以趋势辨识理论对样本进行规范化,使样本规范化到同一数量级,同时时间序列的趋势保持不变。此外输出层不经过非线性处理,以保证网络有更大的预报空间。经黑河流域实测流量资料验证,基于趋势辨识理论的神经网络在水文时间序列预报中训练速度较快,预报效果较好。     

基于禁忌搜索的模糊神经网络分类器设计

提出了一种基于禁忌搜索的模糊神经网络分类器设计算法.该方法首先从训练样本中自动获取分类规则,构成模糊神经网络的初始网络结构,然后采用基于禁忌搜索和梯度下降法的混合算法同时优化模糊神经网络的结构和参数.使用IRIS数据集对所提出的方法进行性能测试,结果表明该方法能使用较少的分类规则获得很好的分类效果.     

提高酸雨观测数据质量的方法

总结了南宫国家酸雨观测站在日常酸雨观测中的经验和体会,并提出提高酸雨观测数据质量的方法和建议,以为酸雨观测机构提高酸雨观测数据质量提供参考。     

基于禁忌搜索的模糊神经网络分类器设计

提出了一种基于禁忌搜索的模糊神经网络分类器设计算法．该方法首先从训练样本中自动获取分类规则,构成模糊神经网络的初始网络结构,然后采用基于禁忌搜索和梯度下降法的混合算法同时优化模糊神经网络的结构和参数．使用IRIS数据集对所提出的方法进行性能测试,结果表明该方法能使用较少的分类规则获得很好的分类效果．     

雨量站分布不均匀流域的降雨径流预报人工神经网络模型

为解决传统方法难以可靠预报雨量站分布不均匀流域的次降雨径流量这一水文预报难题 ,探讨了人工神经网络模型用于该类水文预报问题的可能性。实例研究表明 ,以次暴雨量及其前期影响雨量为输入、次暴雨径流总量 (净雨量 )为输出的 BP网络模型 ,预报的相对误差比蓄满产流模型预报的相对误差平均低 9.2 % ,这说明 ,人工神经网络模型可作为雨量站分布不均匀等雨量观测存在系统偏差或不足流域的降雨径流预报模型。     

基于TSA-BP神经网络的企业产品市场占有率预测模型

在分析了现有的各种市场占有率预测模型的基础上，把产品市场占有率的时间序列作为ＢＰ神经网络的输入与输出，建立了预测模型，并对１９９９年部分品牌彩电的市场占有率进行了实证分析，结果表明，所建模型具有很高的预测精度，是一种值得推广的预测方法。     

基于遗传多层前馈神经网络的大豆脂肪酸含量近红外光谱检测

文章提出了一种利用遗传多层前馈神经网络建立数学模型的方法,建立起化学测定值与近红外光谱数据之间的定量关系。把得到的近红外光谱数据作为网络的输入,把用化学法测定的5种脂肪酸含量作为网络的输出,再利用遗传算法训练多层前馈神经网络的权值,建立大豆脂肪酸的神经网络检测模型,探索出一种能够准确、高效地完成近红外光谱检测的神经网络模型,文中设计了一种用遗传算法训练的多层前馈神经网络。通过试验证明,用遗传算法优化人工神经网络的权重,获得高于单纯用人工神经网络训练的结果。大豆5种脂肪酸的相关系数都可达到0.9左右,能够满足大豆育种的初步检测。     

基于灰色神经网络和证据理论预测地下水位的研究

用灰色GM(1,1)模型、BP神经网络模型和证据理论相结合而成的灰色证据神经网络模型,对山东枣庄区域地下水位进行预测。基本思路是运用灰色GM(1,1)模型所得到的预测值按前两年来预测下一年的组合规律分别作为BP神经网络的输入输出;再用BP神经网络输出作为证据理论基本可信度分配函数,使用D-S理论将信息进行二次融合;并用地下水位实测数据对模型进行验证。结果表明,预测模型具有可行性和实用性,为生态农业规划发展提供了科学依据。     

BP神经网络模型在烟草烘烤过程中叶温变化预测中的应用

【目的】建立合适的BP神经网络模型,了解散叶烘烤过程中一系列烘烤因素对叶温变化的影响,为烤烟烘烤调制过程中叶温变化研究提供参考。【方法】运用叶温测定仪和温湿度自控仪记录烘烤过程中干球温度、湿球温度、相对湿度及干球温度与叶温的差值,并将此4项指标作为输入变量,叶温作为输出变量,建立一个拓扑结构为4—4-1的BP神经网络模型。【结果】所建立的BP神经网络模型模拟结果很快收敛,预测结果的绝对误差与相对误差小,预测所用的20组数据中相对误差〉1％的有8组数据,相对误差〉2％的有2组数据,相对误差〈1％的有12组数据。【结论】所建立的BP神经网络模型在对烟叶烘烤过程中叶温变化的预测效果较好。     

长春净月经济开发区土地储备效益分析

根据长春净月经济开发区土地市场历史统计数据,利用SPSS软件对土地出让价格与相关因素进行时间序列分析,筛选出土地市场价格影响因素为土地利用规模、城镇人口数量和第二、三产业增加值;以上述因素作为输入量,以土地价格作为输出量,通过历史数据训练,构建长春净月经济开发区土地出让价格BP神经网络预测模型,对规划期内储备土地出让价格进行预测,并综合专家咨询法对预测结果进行修正;土地储备成本与出让收益核算结果表明:长春净月经济开发区土地储备收益率在规划近期、中期和远期分别为68.05%、70.09%、66.37%。     

基于NARX 神经网络的日光温室湿度预测模型研究

在日光温室湿度预测模型建模中,由于输入因子间存在复杂耦合关系以及冗余的条件属性,导致网络训练难以收敛且精度不高.选用影响日光温室湿度的环境因子组成数据样本,采用主成分分析方法对样本集进行解耦降维处理,以采用主成分分析后的数据样本作为输入,以日光温室内湿度作为输出,采用贝叶斯正则化算法构建NARX神经网络模型,对日光温室湿度进行预测.仿真结果表明,基于NARX神经网络建立的预测模型具有很强的非线性动态描述能力,能够对室内湿度值做出准确的预测.     

电容式水流泥沙含量传感器数据融合的研究

用电容传感器测量水流泥沙含量时,电容传感器的输出受环境温度的影响。为了消除环境温度的干扰,采用人工神经网络方法对传感器的输出进行数据融合处理。以电容传感器的泥沙测量值和环境温度作为网络的输入,并用改进的BP算法对网络进行训练得到融合输出值。试验结果表明采用基于人工神经网络的数据融合方法可有效地消除环境温度对电容传感器所产生的影响,从而得到精确、稳定的输出值。     

基于BP神经网络的油松人工林树高模型研究

通过分析比较不同算法以及不同输入层因子,构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源,通过对6种BP神经网络的训练方法进行训练,经过反复筛选找出最优模型并与传统胸径-树高模型作比较;最后将BP神经网络中的输入因子从2个增加到6个后,经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳,R²和MSE分别为0.963 0和1.168;2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响,BP神经网络模型的决定系数（R²）随着隐含层节点数的增加呈现先上升后下降的趋势;均方误差（MSE）呈现先下降后上升的趋势,两者都在节点数为10时有极值,此时的模型为最优模型;3）当输入因子为胸径和优势树高时,油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1）,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.761 0和1.984 7;当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时,最优模型结构为6∶10∶1,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出,在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法;BP神经网络模型与传统模型相比,BP神经网络模型不需要目标方程结构,并且模拟和预测的精度均要优于传统模型;在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。     

基于灰色理论和BP神经网络预测观光农业旅游人数的研究

运用灰色GM(1,1)预测模型与BP神经网络预测模型相结合而成的灰色神经网络模型,对山东枣庄市旅游人数进行预测。基本思路是运用灰色GM(1,1)模型所得到的预测值按前2年来预测下一年的组合规律分别作为BP神经网络的输入输出,并用旅游人数数据对模型进行学习验证。为山东枣庄市沿运区域旅游资源的合理利用及管理提供了科学依据,并以科学预测为依据提供一些观光农业旅游资源合理开发对策。