基于串联型灰色神经网络新疆兵团农机总动力预测

为了准确了解兵团农机总动力的发展趋势,该文以兵团1989-2008年和2009-2011的农机总动力分别作为训练样本和检测样本,采用串联型灰色神经网络（SGNN）预测兵团农机总动力,并与灰色GM（1,1）模型法和BP神经网络法的预测结果进行比较分析。研究结果表明,SGNN模型对兵团农机总动力的预测精度明显高于灰色GM（1,1）模型法和BP神经网络法,可以作为兵团未来农机总动力发展预测及政策制定的有效方法和工具。     

新陈代谢GM(1,1)模型在兵团农机总动力预测中的应用

借助灰色系统理论,利用兵团农机总动力的历史数据,建立并对比分析了GM(1,1)模型和新陈代谢GM(1,1),对兵团农业机械总动力进行预测,为以后兵团农业机械化的发展提供一定的参考。     

基于包容性检验的新疆兵团农机总动力组合预测

为提高新疆兵团农机总动力预测的精度,以1989-2014年新疆兵团农机总动力为数据源,采用6种单项模型对其进行预测并根据预测性能指标的高低进行排序,再通过包容性逐步检验各单项模型,利用通过检验的单项模型构建组合模型,并使用所建组合模型对兵团2015-2016年农机总动力进行预测。结果表明:利用以上过程所建立的组合模型对兵团农机总动力预测结果的描述更加准确、可靠。     

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。     

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%。     

新疆兵团农机总动力预测模型的研究

为了提高新疆兵团农机总动力预测模型的精度,获得更加可靠的预测结果,针对回归模型的多重共线性问题及灰色模型仅含有指数增长趋势的问题,基于2007-2014年农机动力的相关数据,建立了主成分回归和灰色回归两种预测模型。对两种模型的预测精度进行比较分析,结果表明:主成分回归模型和灰色回归模型预测值的平均相对误差分别为0.57%、0.46%,灰色回归预测模型的精度较高,可以较真实地反映新疆兵团农机总动力的变化趋势。应用该模型进行预测,得到了新疆兵团农机总动力未来5年的预测值。     

黑龙江省农机总动力灰色预测与分析

借助灰色系统理论，利用黑龙江省农机总动力历史数据，建立子灰色预测GM(1，1)模型，对其农业机械总动力进行了预测，这对黑龙江省农业机械发展现划有着重型意义。     

基于GM(1,1)模型的浙江省农机总动力预测分析

农机总动力是反映和评价农业机械化水平的一个重要指标。农机总动力的变化受自然、经济、技术和社会等多种灰色因素影响。为此,借助灰色系统理论,利用浙江省农机总动力的历史数据,建立了GM（1,1）模型预测模型,并据此对浙江省农机总动力进行预测分析,为制定农机动力发展规划提供了依据。     

基于灰色理论的陕西农业机械总动力预测

农业机械总动力预测是农业机械化科学管理的重要内容。为此,运用灰色系统理论GM(1,1)模型,对1998-2008年陕西省农业机械总动力进行了相关检验,模拟了陕西省农机总动力发展情况,相对误差均小于3%,平均误差为1.01%,模型可用于农机总动力预测。预测结果表明:2011-2015年陕西农业机械总动力分别为19 570,21 687,2 3932,26 315,28 843kW,呈直线上升趋势,年平均递增率为9.48%。     

基于离散灰色模型的中国农机总动力预测

农机总动力预测对于国家制定相关农机发展政策具有重要意义。为此,运用离散灰色模型,对2004-2011年间的我国农机总动力的数据进行了分析建模、相关检验。其平均相对误差为0.307%,小误差概率为1,后验差比为0.026,关联度为0.999 1,各指标都达到一级判别标准,表明该模型可以用于农机总动力的预测。在此基础上,对其2012-2020年间的发展趋势进行了预测,预测结果显示农机总动力呈逐年递增趋势,平均年增长率为6.204%,发展态势良好。     

基于混沌时间序列局域模型对农机总动力的预测

农业机械总动力是评价一个国家农业现代化程度的重要指标.本文采用混沌时间序列的一阶局域模型对新疆农业机械总动力进行了预测.误差分析表明,该一阶局域预测模型拟合值的平均绝对误差为0.64％,低于灰色理论GM(1,1)模型的0.90％,得到了较好的预测效果.     

基于BP神经网络的农机总动力组合预测方法

鉴于单一预测模型和线性组合预测模型的局限性,在确定黑龙江省农机总动力单一预测模型的基础上,建立了基于BP神经网络的非线性农机总动力组合预测模型。误差分析表明,该非线性组合预测模型的拟合平均绝对百分误差为3.03%,低于一元线性回归模型、指数函数模型、灰色GM（1,1）模型和三次指数平滑模型的6.26%、4.65%、4.88%和3.72%;稍高于以误差平方和最小为原则构建的线性组合预测模型的2.86%。用2006～2008年黑龙江省农机总动力进行检验预测,结果表明该模型可以有效地提高农机总动力的预测精度,用该模型预测了黑龙江省2009～2015年农机总动力。预测结果表明,在未来几年黑龙江省农机总动力将保持快速增长趋势,到     

兵团农机节能的重要性及可行性

<正>1农机节能的现状农业是新疆生产建设兵团的主要产业之一。经过50余年的开拓与发展,兵团拥有耕地面积105.02hm~2。2008年末,兵团农业机械总动力319.07万kW,其中柴油动力239.52万kW,占总动力的     

基于灰色-马尔柯夫模型的中国农业机械总动力预测

灰色一马尔柯夫预测方法能够较好地解决既有趋势性又有较大波动性的数据序列的预测问题,且具有计算简便、精度高的特点.为此,利用该方法对我国农机总动力需求进行了预测分析,为农业机械化发展提供了依据.     

运用GM（191）模型对新疆农机总动力发展状况预测

农业机械总动力是国民经济发展水平的重要指标之一。运用灰色系统理论，基于GM（1，1）模型，对新疆农机总动力统计结果进行建模、求解、分析。模型检验结果为C=0．08〈0．35，P=1．00〉0．95，-a=0．084058〈0．3。说明建立的GM（1，1）模型精度高，预测性能好，适合作中长期及短期预测等。2011-2015年的农机总动力发展状况预测结果表明，到2015年新疆农机总动力可达到1926．17×10。kW。     

基于灰色关联分析的辽宁省粮食产量预测模型

利用辽宁省1985-2008年粮食生产相关影响因子指标统计数据,采用灰色关联分析与人工神经网络相结合的方法进行粮食产量预测.通过灰色关联度分析对8个指标进行定量分析,依据关联度的大小确定了机耕面积、有效灌溉面积、农业机械总动力、化肥施用量、粮食作物占总播种面积比重和农林牧渔业从业人员为影响辽宁省粮食生产的主要影响因素....     

考虑自变及因变影响的农机总动力组合预测模型

为能获得精确预测农机总动力的方法,以灰色模型和多元线性回归模型为子模型,应用Shapley值法计算子模型权重系数,构建农机总动力组合预测模型。应用我国2000-2010年农机总动力数据,分别标定上述模型相关参数,并计算各模型年度相对误差和平均相对误差。其中,GM模型和多元线性回归模型的平均相对误差分别为0.68%和0.91%,组合预测模型的平均相对误差为0.59%,精度较高。同时,组合模型既能够反映数据自身变化规律的特征,又能定量反映农机总动力与其相关影响因数间的数理关系,具有较强的适用性。     

开拓创新 推动兵团农机化又好又快发展

<正>12008年兵团农机化工作(1)农机装备的数量、质量以及结构有了新的变化。兵团农机总动力达到312万kW,比上年增长4.34%,大中型拖拉机2.81万台,大中型配套农具     

农机总动力影响因素的灰色关联分析——基于G-P算法

应用混沌理论中的饱和关联维数法(G-P)与灰色关联分析法,对黑龙江省农机总动力的影响因素进行量化分析;以黑龙江省农机总动力作为灰色关联的模型输出因子及饱和关联维数法计算的对象,从农业劳动力、土地生产规模、购买农机的经济环境及农机具的装备数量等4个不同的角度出发,选择14个不同的农机总动力影响因素作为灰色关联的输入因子。最终,由饱和关联维数法计算农机总动力的嵌入维数,并与灰色关联法对影响因素进行对比分析,得出了影响黑龙江省农机发展的8个主要影响因素,对主要影响因素进行了深入分析,并根据分析结果提出了促进农业机械化发展的建议。     

农业机械化发展水平关键影响因素辨识及权重研究——基于模糊GRA-DANP

针对农业机械化发展水平各影响因素之间存的在相互影响关系，构建了一种基于指标关联度的模糊GRA-DANP模型，辨识并量化农业机械化发展水平的关键影响因素。基于对现有文献的研究，构建农业机械化发展水平评价指标体系，通过灰色关联分析计算影响因素间的灰色关联度进而构建直接影响矩阵，并运用DEMATEL方法分析影响因素之间的因果关系，计算各影响因素的中心度、原因度并构建因果关系图，引入模糊DANP方法确定各影响因素的全局权重。在此基础上，运用模糊GRA-DANP模型和新疆生产建设兵团客观数据进行实证研究，得知兵团农业机械化发展水平各影响因素之间的因果关系和全局权重，辨识出农业劳均播种面积、第一产业劳动力占总劳动力比重、农业劳动生产率、百元农机原值纯收入及单位播种面积农机动力是兵团农业机械化发展水平的关键影响因素。