共查询到19条相似文献,搜索用时 62 毫秒
1.
基于BP神经网络的鲜鸡蛋货架期预测模型 总被引:3,自引:0,他引:3
为研究不同温度范围内鸡蛋的品质变化及货架期,通过实验室模拟,检测了鲜鸡蛋在5、25、35℃条件下的哈夫单位值、蛋黄系数等理化指标,分别构建了同等实验条件下的鲜鸡蛋货架期动力学预测模型和BP神经网络预测模型,并选取5、25、35℃温度下共6组数据进行模型验证。结果表明,基于BP神经网络的鲜鸡蛋货架期模型预测精度达到95.93%,动力学模型预测精度为90.79%,BP神经网络能更精确地预测鲜鸡蛋在5~35℃贮藏温度范围内的货架期。 相似文献
2.
基于灰色理论与BP神经网络组合模 总被引:1,自引:0,他引:1
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。 相似文献
3.
基于灰色理论与BP神经网络组合模型的中长期负荷预测 总被引:3,自引:0,他引:3
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. 相似文献
4.
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%。 相似文献
5.
6.
8.
基于灰色理论和BP神经网络的农业用水量预测 总被引:1,自引:0,他引:1
运用灰色GM(1,1)模型和BP神经网络模型相结合的灰色BP神经网络模型,对农业用水量进行预测.此组合模型兼有灰色预测和BP神经网络预测的优点,既克服了数据波动性大对预测精度的影响,也增强了预测的自适应性.为此,以辽河流域某典型区为例进行预测,结果证明了该组合模型的优势,为农业用水量预测研究提供参考依据. 相似文献
9.
10.
路思恒尹红 《农业装备与车辆工程》2023,(1):39-43
基于BP神经网络建立云南省粮食产量预测模型,分析有关文献,最终选择农业机械总动力、有效灌溉面积、农用化肥施用折纯量、农村用电量、农药使用量、粮食作物播种面积、农用柴油使用量和受灾面积等8个指标作为输入变量,粮食产量为输出变量。首先以云南省1993—2016年的粮食产量及8个粮食产量影响因素等数据,搭建BP神经网络预测模型,预测2017年、2018年和2019年的粮食产量。试验结果表明,基于BP神经网络预测模型在训练阶段,相对误差绝对值基本小于1%;在验证阶段,预测2017年、2018年和2019年的相对误差分别为1.84%、3.25%和2.86%,误差率均控制在5%以为,说明该模型具有很好的预测效果,能够有效地对粮食产量进行预测,并为粮食产量的预测提供了一种新的方法。 相似文献
11.
土壤水分的精准测量对节水灌溉、墒情监测、水肥一体化等领域具有重要意义,土壤氮含量会影响水分传感器的测量。为了消除这种影响,设计了不同尿素质量对不同水分含量土壤样本的监测实验,采用高灵敏度水分传感器并对尿素干扰下的输出电压进行监测,通过称重法监测土壤样本的含水率,使用LCR电桥测试仪监测土壤样本的电容和电阻。为了研究氮含量影响水分测量的机理,根据实验数据建立了三元三次多项式、BP神经网络、深度学习3种预测模型,并对预测结果进行误差分析。结果表明,相同土壤含水率条件下,尿素质量与土壤水分传感器输出值呈周期性的振荡关系。3种预测模型的平均绝对误差分别为0.77%、0.64%、0.75%,BP神经网络模型有98%误差集中在0~2%区间,误差峰值仅为2.07%,确立BP神经网络模型为最佳抗尿素干扰水分预测模型。 相似文献
12.
13.
14.
基于BP网络的膜下滴灌加工番茄墒情预报研究 总被引:2,自引:0,他引:2
针对加工蕃茄自动化滴灌系统下土壤墒情预报的问题,2011年在新疆生产建设兵团农八师国家农业科技园区,开展了土壤墒情预报的田间试验研究。通过观测得到的4个深度的土壤体积含水率以及日平均气温作为输入量,提出了一个基于BP网络的、可以对加工番茄在生育期内的墒情作出短期预报的模型。该模型分别以2d、7d为时间间隔,对自动化滴灌系统下的加工蕃茄墒情进行了预报,仿真结果显示预报效果较好。该模型用于加工番茄的土壤墒情预报是可行的,并且是一种简单、易于推广的墒情预报方法。 相似文献
15.
16.
人工神经网络在预报土壤墒情中的应用 总被引:3,自引:0,他引:3
依据从2005年1~12月所采集的365组试验数据,建立了一个能够反映土壤墒情变化与气候因素之间关系的人工神经网络模型.模型共分输入层、隐含层和输出层3层.输入层的输入变量包括数据采集当天的10 cm、20 cm和40 cm深度的土壤含水量以及当天的日照时数,空气湿度,平均气温和降雨量.输出层的输出变量包括1天后的10 cm、20 cm和40 cm深度的土壤含水量.模型的学习因子为0.1,动量因子为0.05.模型经过25 000次训练后收敛,收敛误差为8×10 -4 ,这说明该模型能够很好的反映出输出量与输入量的关系,并能够准确预报出土壤水分信息. 相似文献
17.
18.