基于NARX神经网络的年径流预测

针对传统BP模型在时间系列年径流预测中的适应性问题,本文构建了基于动态反馈性NARX神经网络的年径流预测模型,模型结构带有外部输入的非线性自回归网络,输入向量选取降雨及气温,输出向量为未来的年均流量。本文采用构皮滩站历史实测数据对模型进行训练及测试,对NARX模型与传统BP模型及逐步线性回归模型性能进行了对比分析。     

基于小波云模型的年径流预测

为研究年径流的变化规律,采用小波理论和云模型相结合的方式建立预测模型。先运用小波分析对径流时间序列进行消噪,获得主时间序列,在此基础上对时间序列进行云推理,得到相应的预测值。以岷江流域年径流为例进行研究,通过与直接预测的方法相比较,发现此方法有较高的预测精度和推广应用价值。     

基于相空间重构小波神经网络径流式水电站发电量预测

预测径流式水电站发量。针对径流式水电站发电量变化的随机性及水力发电系统的复杂非线性,提出一种基于相空间重构小波神经网络的径流式水电站发电量预测模型,并借助具有全局搜索能力的改进粒子群优化算法对小波神经网络特征参数进行优化,提高模型的精度和泛化能力。结果表明:相空间重构小波神经网络模型的预测平均相对误差约为8.7%,相关系数达到0.81,误差分析指标优于传统神经网络预测模型,在多步预测情形下模型的收敛性和稳定性得到较为明显增强,能够准确进行发电量预测。     

基于小波分析的年最大径流预测方

径流序列可以看成是各种不同成分线性叠加构成的时间序列。利用小波变换良好的局部化时频分析能力，将年最大径流序列进行分解，使其趋势项、周期项和随机项得以分离。各子序列分别代表不同的时间尺度，反映了各种物理因素对径流过程的影响。然后根据各子序列的特性分别建立幂函数、周期函数或ARMA模型并进行预测。最后将各子序列的预测值合成，得到年最大径流序列的预测值。对宜昌站1991年至2002年最大径流量的预测结果表明，该方法是切实可行的。并指出小波包变换在分析中、高频信息方面优于小波变换，有助于进一步提高预测的精度。     

基于BP神经网络的雨雪混合径流预

通过分析暴雨融雪混合径流的物理成因,确定其主要影响因子,然后分析雨雪混合径流主要影响因子对径流的影响,建立一个基于BP神经网络雨雪混合径流预报模型。并利用新疆喀浪古尔河流域暴雨融雪径流资料对模型进行仿真训练实验和验证,通过结果比较分析,在一定程度上提高了模型预报精度,取得了一定成效。     

基于BP神经网络的农业机械数量预测

为了提高农业机械化水平、农业生产效率和优化农业产业结构,保证在农业机械生产与实际需求的一致性,在制订农业机械化水平发展规划过程中需要对农业机械数量进行预测。为此,采用基于遗传算法的BP神经网络预测算法,对我国从1997-2013年期间以农机总动力、中大型拖拉机数量和小型拖拉机数量为内容的主要农业装备数量进行预测。预测结果表明,利用遗传算法与BP神经网络相结合的方法预测全国农业机械装备数量,农机总动力预测值与绝对值平均误差为1.080%、农用大中型拖拉机数量预测值与绝对值平均误差为1.352%、小型拖拉机数量预测值与绝对值平均误差为1.765%,预测精度稳定,该预测方法适用于本时间序列预测问题。     

基于BP神经网络的降雨量预测研究

使用2种方法,即用前5年降雨量来预测后1年的降雨量和用气象资料预测降雨量,应用BP神经网络对降雨量进行预测,试图找出应用BP神经网络预测降雨的最佳方法.通过对青海省10个气象站的降雨进行预测分析,得到结论如下:两种方法均适合于降雨预测,其被选择概率均等.     

基于BP神经网络的农田灌溉量预测

农田灌溉量预测对水资源合理规划和优化配置具有重要意义。为此,以农田水分平衡公式为基础,导出灌溉量I与前各时期的降雨量pt-1、pt-2、pt-3灌溉面积S之间存在非线性关系,由此建立了农田灌溉量的BP神经网络预测模型。检验结果表明,灌溉量BP神经网络预测法精度约为94.5%。因而,以灌溉面积、前各时期降雨量为输入变量,结合BP神经网络技术来预测农田灌溉量,具有很好的应用前景。     

基于BP神经网络的雨水径流污染负荷评估模型

针对当前非点源污染中雨水径流水质监测数据匮乏而难以评估其污染负荷的弊端,将BP神经网络模型引入评估雨水径流污染负荷问题。使用监测区域2014-2015年20场次降雨作为样本数据,以主成分影响因子作为输入量,污染物EMC(以SS计)作为输出量,构建三层BP神经网络模型,通过SPSS和MATLAB工具计算相应年份的雨水径流污染负荷,结合Schueler法构建年污染负荷模型并对计算结果进行应用验证。结果表明,其相对误差为2.7%,精度高,适应能力强,基于BP神经网络构建模型是评估雨水径流污染负荷的一种有效方法。     

基于改进的BP神经网络的水面蒸发预测

以往水面蒸发预测模型存在针对性不强、结构复杂的问题,同时指标筛选的过程存在很大的主观性,针对这些问题提出改进的BP神经网络模型。使用灰色关联法计算出各个预测因子与被预测因子的关联度,使用指标信息评价法根据算得的关联度确定最优预测因子组合,根据筛选出的预测因子,定出BP神经网络结构并以筛选出的预测因子为输入进行演算。预测结果合格率为70%。说明改进的BP神经网络模型适用性强。     

基于改进BP神经网络的离心泵性能预测

采用改进神经网络(贝叶斯正则化算法)对IB型单级离心泵水力模型的性能进行了预测,通过工程实践中得到的100组离心泵最优几何尺寸来训练网络,并用训练好的网络对需生产的水泵进行工况预测。结果显示,用改进神经网络来预测单级离心泵的性能,预测误差不超过6%。     

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神经网络的乳制品质量预测研究

在乳制品加工生产中,产品生产质量是生产过程中的关键因素。为了实现产品生产质量的管理,引入了基于人工神经网络的预测方法,以实际生产过程中实验室检测数据以及仪表观测数据作为网络学习样本,通过训练网络模型并将训练后预测模型应用于乳制品企业实际生产,为产品质量分析提供了可靠的依据。     

基于BP神经网络的农机总动力预测

分析了BP神经网络用于预测时存在的不足,进而对基于BP神经网络的时间序列的预测问题进行了探讨.根据BP神经网络结构的特点,依据Z变换理论,提出了这一类预测问题可选用y=x作为传递函数,并分析指出了在BP神经网络中,以y=x作为传递函数与y=a+bx作为传递函数等价的结论,同时指出了网络结构应为两层网络.在此基础上,推导...     

基于BP神经网络的Gardner模型参数预测

为了准确推求包气带土壤的持水性能和水分运动参数,以黄土高原区田间耕作层土壤水分特征曲线的试验资料为数据样本,建立了以易于通过试验手段获取的土壤基本理化参数为输入变量,以土壤水分特征曲线Gardner模型参数为输出变量的BP预测模型。所建立的预测模型对两参数预测值的平均相对误差在6%以下,在可接受的范围。研究结果表明:选取土壤体积质量、有机质量、黏粒量、粉粒量以及无机盐量等基本理化参数作为预报模型的输入因子是合理的,所建立的土壤水分特征曲线Gardner模型参数BP预报模型可靠。研究结果可为黄土高原区包气带土壤持水性能和水分运动参数的准确获取提供借鉴。     

基于BP神经网络的农业机械化水平预测

从使用神经网络模型对农业机械化水平的模拟结果来看,模型具有较高的精度,使用该模型对农机化水平进行预测,预测值和实测值也具有较好的线性拟合关系。为此,利用该模型对未来或当前的农机化水平进行了预测。该模型具有较高的精度,预测值和实测值也具有较好的线性拟合关系;但模型的泛化能力会受到数据采集条件制约。     

基于BP神经网络的陈皮干燥含水率预测

为探索陈皮的热泵干燥特性，并实现热泵干燥过程中陈皮的含水率预测，研究了不同干燥温度(50、55、60℃)、干燥风速(1.0、2.0、3.0m/s)、堆叠厚度(20、30、40mm)对陈皮干燥时间和干燥速率的影响。将干燥温度、干燥风速、堆叠厚度和干燥时间作为输入层，隐藏层个数为10,陈皮的干燥含水率为输出层，搭建一个BP神经网络预测模型。研究结果表明：干燥温度、干燥风速和堆叠厚度都是影响陈皮干燥含水率的重要因素，提高干燥温度、增加干燥风速和减少堆叠厚度能够提高陈皮的干燥速率，缩短干燥时间。基于陈皮热泵干燥特性构建结构为“4-10-1”的BP神经网络模型，含水率预测值与实测值之间的均方误差MSE为0.004 21,决定系数R²=0.997,模型运行稳定，含水率预测结果准确且快速，能够为陈皮干燥过程中的含水率在线预测提供科学依据。     

基于BP神经网络的农机拥有量预测技术

应用BP神经网络技术预测农业机械的社会拥有量，证实了农机拥有量系统的非线性混沌特征，提出了预测的“窗口”最优化方法和预测操作技术。并对今后5年的农机拥有量进行了预测。     

基于小波分析和BP神经网络的滚动轴承的故障诊断

提出了一种基于小波分析和BP神经网络的滚动轴承故障诊断方法,首先采用小波包对滚动轴承振动信号进行分解与重构,然后提取重构后振动信号的峭度值,将峭度值作为特征参数输入神经网络,进行故障模式识别。通过对实验数据的分析信号表明,能有效地识别滚动轴承工作状态与故障类型。     

基于小波变换和BP神经网络的蛋壳破损检测

提出了一种基于多层小波变换和纹理分析的蛋壳破损检测方法.该方法对获取的鸡蛋透射图像G分量在不同水平上进行小波分解,计算和分析各水平高频细节子图像的纹理特征参数,实验确定最有效的8个特征参数作为BP网络输入,建立结构为8202的BP神经网络蛋壳破损分类模型.实验表明,该方法对无破损蛋、线状破损蛋、网状破损蛋和点状破损蛋的判别正确率分别为95%、90%、95%、80%,平均识别率为90%.