基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

BP神经网络在农业水资源评价中的应用

通过选定与农业用水量关系紧密的影响因素,作物产量、降雨量、非耕地耗水量和土地利用系数4个主要参数,建立了BP神经网络模型,并用模型预测了北方干旱地区一定农业生产水平下所需要的农业用水量值.此方法可以用来评价某地区农业水资源的富余程度,指导合理分配区域水资源.     

基于灰色理论与BP神经网络组合模型的中长期负荷预测

灰色系统预测模型是中长期负荷预测的一种有效方法,但是,此模型存在未考虑经济因素对负荷发展的影响及难以满足高精度要求的缺陷,构建了考虑经济因素影响的灰色BP神经网络组合预测模型,通过灰色关联分析方法确定影响负荷的主要经济因子.主要经济因子的引入,使预测模型更符合实际、更合理.应用此组合模型对某省全社会用电量进行了中长期预测,结果表明,该模型具有更高的精度和更好的实用性.     

基于用水量驱动因子的水量预测模型

采用主成分分析法筛选出显著的驱动因子,结合灰色关联分析将筛选出的驱动因子进行灰色聚类和优势分析.以用水量驱动因子为基础,利用SPSS建立多层感知器网络,利用矩阵实验室建立GRNN神经网络和BP神经网络.将诱导有序加权平均算子(IOWA)应用到水量预测模型中,构建基于IOWA算子的MLP-GRNN-BP组合用水量预测模型,最后建立由平方和误差(SSE)、均方误差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方百分比误差(MSPE)和Theil系数(μ)组成的预测效果评价体系,评价预测模型的预测效果,最后以重庆市的用水量预测为例,验证以上方法的可行性.结果表明:经过主成分分析及灰色关联分析,可将用水量驱动因子由31个降为12个, 12个驱动因子可综合为4个聚类,可确定4种用水量的各自驱动因子的重要性排序;BP, MLP, GRNN和MLP-GRNN-BP组合模型预测结果的MAPE,MSPE和Theil系数均在5%以内.     

基于灰色理论与BP神经网络组合模

灰色系统预测模型是中长期负荷预测的一种有效方法,但是,此模型存在未考虑经济因素对负荷发展的影响及难以满足高精度要求的缺陷,构建了考虑经济因素影响的灰色BP神经网络组合预测模型,通过灰色关联分析方法确定影响负荷的主要经济因子。主要经济因子的引入,使预测模型更符合实际、更合理。应用此组合模型对某省全社会用电量进行了中长期预测,结果表明,该模型具有更高的精度和更好的实用性。     

基于人工神经网络模型的关中地区用水量的预测

未来用水量的预测对制定区域宏观经济发展规划、水资源规划以及水资源合理配置等具有重要的指导意义,为区域经济的可持续发展提供重要保障.在1986-2005年的用水量演变分析基础上,选取出城镇人口、灌溉面积、GDP、耕地面积、降水量和ET06个驱动力因素,建立了基于驱动力因子的用水量预测的人工神经网络BP模型,并对关中地区2006-2020年的用水量进行预测.     

灰色系统理论在农业需水量预测中

应用灰色理论建立了GM(1，1)模型，对华北地区某典型区农业用水量进行了预测。所建模型经残差检验证明其模型具有可行性和适应性，在此基础上，通过对典型区农业需水量的预测，为研究区域的水资源综合规划提供了依据。该方法可供相关县级小区域水资源评价与规划中作为参考。     

灰色神经网络组合模型在庆安县年降雨量预测中的应用

采用灰色神经网络对黑龙江省庆安县年降雨量进行预测建模,利用灰色GM(1.1)模型"贫信息"和神经网络非线性函数映射能力优秀的特性,避免了灰色GM(1.1)模型对预测拟合精度低的问题。结果表明灰色神经网络组合模型的平均相对误差为0.012 2,高于灰色GM(1.1)模型的平均相对误差0.153 7,预测精度较高,并且算法简便,拓宽了灰色预测模型的应用范围。     

灰色补偿BP神经网络预测农机总动力—以吉林省为例

农机总动力的预测研究对于农业机械的“供给侧”改革有着重要意义和研究价值,科学合理的预测结果对于职能部门的规划制定有着重要的指导意义。农机总动力数据具有时间序列性质,本研究应用灰色GM(1,1)模型对其进行有效的预测分析。为了提高预测的准确性,应用BP神经网络对灰色残差数据进行处理,补偿灰色预测结果,建立了相应的预测模型。实验表明:该模型对于吉林省农机总动力的预测科学有效,并对吉林省未来5年的农机总动力进行了预测,为相关政策制定提供了科学依据。     

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％.     

基于灰色理论及BP神经网络的尿素水解预测模型研究

研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。     

南方地区冬小麦白粉病预测模型的研究

由于南方地区冬小麦白粉病的预测是一项多因素的复杂工程,因而针对传统预测方法的不足,提出了一种基于灰色系统GM(1,1)理论和BP神经网络相结合的预测模型。灰色系统GM(1,1)模型理论建模方法简单,计算量小,而BP算法特别适合于对GM(1,1)模型进行残差修正,利用两者的结合可以建立较高精度的预测模型。利用该模型对南方某地区冬小麦白粉病进行了预测,结果表明,该模型准确有效,适用于该地区的冬小麦白粉病的预测。     

基于BP神经网络的河北省耕地生产力预测

鉴于BP网络在处理非线性复杂系统的优势,以河北省为研究对象,构建一个9-5-1结构的BP神经网络预测模型,将1987-2005年的相关数据作为模型的训练样本,以2006年的粮价政策、农资投入量和农民收入等数据作为网络的预测输入,对该年的河北省粮食单产进行预测。结果表明,BP神经网络预测结果与实际粮食单产的相对误差为0.86%,预测精度优于传统的多元回归统计模型。     

基于BP神经网络数据挖掘方法的政府投资项目投资估算方法

政府项目投资失控问题业已引起社会广泛关注,而造价估算不准是其中主要原因之一。许多不确定因素影响着项目造价,并且这些影响因素与造价之间呈高度非线性关系,传统统计方法难以对新建项目造价进行准确估算。本文利用BP神经网络在已完工程资料中“提取”“规则”,实现了对项目造价的准确估算。本文对BP网络基本理论作了简介,并用举例说明BP网络预测工程造价的准确性。从例子可以看到,预测值与实际值的相对误差很小,足以满足造价估算的要求。     

基于神经网络的农用运输车可靠性问题研究

农用运输车是我国现阶段特有的产物,其使用和推广受产品可靠性的影响很大。为此,针对农用运输车可靠性模型,应用数学方法和人工神经网络系统理论,提出了基于自适应线性神经网络的可靠性模型参数估计方法,并给出了基于该方法的农用运输车相关参数的可靠度函数表达式,为农用运输车的设计制造和管理使用提供了重要的理论参考。     

神经网络在铲式成穴器穴孔长度试验中的应用

在对铲式成穴器穴孔长度进行二次通用旋转组合试验设计的基础上,引入基于人工神经网络的数据处理方法。分析结果表明,BP神经网络对试验结果拟合模型的相对剩余误差比回归模型拟合的相对剩余误差小,拟合精度高于回归模型,为铲式成穴器成穴质量的试验研究提供了新的数据分析方法。     

农业机器人轨迹优化自动控制研究——基于BP神经网络与计算力矩

以农业机器人精密轨迹优化自动控制为目标,在优化算法中引入BP神经网络与计算力矩法结合的自动控制器,旨在减少作业过程中的运动误差,提高其工作效率。首先,建立农业机器人数学模型,分析其运动学和动力学原理;然后,设计了农业机器人运动控制系统,引入BP神经网络对不确定动力学因素进行判断,并提出解决该因素的自适应学习法;最后,对该系统运用Mat Lab进行了仿真。试验表明:以BP神经网络与计算力矩法结合的自动控制器可以有效优化机器人运动路径,提高机器人整体作业效率,系统运行稳定、可靠性强,且对外部环境的干扰因素具有较强的自适应学习能力。     

基于神经网络的传感器非线性校正方法

BP神经网络是基于数值计算的知识处理系统，具备高度非线性映射的能力。为此，通过BP神经网络对样本数据进行训练，得到非线性校正模型及精度值，然后与传统的曲线拟合方法进行比较分析。结果显示，基于神经网络模型的传感器非线性校正方法具有良好的测试精度和实用性。