基于改进BP神经网络与支持向量机的土壤墒情预测方法研究

为提高土壤墒情预测精度,提出了一种基于遗传算法（GA）、改进粒子群算法（IPSO）、误差反向传播（BP）神经网络和支持向量机（SVM）的土壤墒情组合预测模型（GA_IPSO_BP-SVM）。该模型首先在BP神经网络的权阈值选择中同时引入GA和IPSO构成GA_IPSO_BP模型,然后对GA_IPSO_BP和SVM模型分别进行训练和数据仿真,最后利用建立的加权模型对GA_IPSO_BP和SVM模型的土壤墒情预测结果进行组合。以安庆市8个监测站某时段内农田土壤墒情数据为例,分别按隔日、两日后和三日后三种时间跨度进行土壤墒情预测,并对照BP、GA-BP、PSO-BP、IPSO-BP、GA_IPSO_BP和SVM模型,验证和比较提出的GA_IPSO_BP-SVM模型的土壤墒情预测精度。结果表明,GA_IPSO_BP-SVM模型的土壤含水量预测相对误差平均值最小。GA_IPSO_BP与SVM模型组合的GA_IPSO_BP-SVM模型提高了土壤墒情的预测精度,更适合于土壤墒情的短期预测,该方法可为农业节水灌溉方案的制定提供技术支撑。     

基于遗传算法最小二乘支持向量机的耕地变化预测

针对耕地变化内部规律与模拟方法进行研究,提出最小二乘支持向量机耕地变化预测方法,有效构建耕地变化与耕地变化影响因子之间复杂的非线性关系模型。利用遗传算法全局寻优功能优化最小二乘支持向量机内部参数,提高最小二乘支持向量机耕地变化预测模型精度。利用该模型对江苏无锡市1987－2000年期间耕地变化进行预测,并与多元回归、GM(1,1)、BP网络、支持向量机（SVM）耕地预测模型和实际调查耕地变化数据进行比较分析。预测精度评价结果证实,该方法耕地预测精度远高于多元回归、GM(1,1),BP网络模型,略高于SVM模型,但算法复杂度和计算效率远优于SVM预测模型,是一种有效的耕地变化预测方法。     

基于支持向量机优化粒子群算法的活立木材积测算

材积模型是编制立木材积表的关键,通常用经验材积方程来预测材积量。由于树木生长具有不确定性,传统的材积方程很难有效地对模型的复杂性和多样性做出测算,导致目前活立木材积测算的准确率较低。为了提高活立木材积的测算准确率,将粒子群（particle swarm optimization,PSO）算法引入到活立木材积模型中,并用支持向量回归机（support vector machine,SVM）优化参数。PSO-SVM将活立木胸径和树高数据输入到SVM中学习,将SVM参数作为PSO中的粒子,把活立木实测材积值作为PSO的目标函数,然后通过粒子之间相互协作得到 SVM 最优参数,对活立木测算材积值进行模型测算并采用实测材积值验证。论文应用电子经纬仪与人工量测立木地径、胸径相结合的方法,通过软件计算求得400组树高、树干材积值;然后对300组数据集以活立木胸径和树高作为输入数据,材积为输出数据,采用粒子群耦合支持向量机（PSO-SVM）算法训练得到模型,并用100组数据进行预测;最后引用经典Spurr材积模型算法、BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率最高,预测值与实测值间复相关系数达0.91,平均误差率为0.58%。     

BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性

生物炭作为土壤改良剂对半干旱区土壤水分有良好的吸持作用,为确定施加生物炭对土壤水分预测模型适用性的影响,依托黄土高原半干旱区固原生态站开展了小区定位试验。向土壤中施加不同种类及比例的生物炭,定期监测土壤水分含量;考虑土壤含水量的非线性特征以及生物炭对土壤水分的影响,选取BP神经网络和SVM支持向量机两种模型,建立施加生物炭土壤水分预测模型。计算预测值,并与实测值对比,分析相对误差;利用RMSE、MRE、MAE和R2评估BP神经网络和SVM模型的精度。结果表明;BP神经网络预测值的平均相对误差为3.78%,最大误差为13.14%;SVM模型的平均相对误差为0.56%,最大误差为2.42%。SVM模型的RMSE、MRE、MAE值(分别为0.34~0.17,0.07,0.56~1.27)均小于BP神经网络的(分别为1.04~1.16,0.47~0.68,3.78~4.57),且决定系数R2值SVM模型(0.96~0.99)大于BP神经网络(0.56~0.64)。BP神经网络和SVM模型均能很好地预测施加生物炭的土壤水分,但SVM模型预测结果更加稳定,精度较高,更适于施加生物炭土壤水分的预测。该研究可为半干旱地区生物炭还田土壤水分的预测及管理提供理论依据。     

基于原型观测的梯级泵站管道振源特性分析

以景电二期3泵站2号输水管道为对象,结合原型试验观测数据,研究该类型泵站结构的振源组成及其对管道的影响。首先,对连接2号管道的4号、5号机组正常运行和开关机过程中引起的管道结构振动频率进行识别统计,确定其动荷载来源;然后,分析统计不同工况下管道结构主要部位达到峰值时各分频所占比例,计算不同工况下各频带能量对总能量的贡献率。计算结果表明:机组稳定运行时,叶频和转频倍频引起的振动比例达73.4%,是管道振动的主振源低频所占比例为12%左右;机组开机过程中,低频水流脉动所占比例增加到33.7%,叶频所占比例保持40%左右,叶频和低频是主要振源;机组关机过程中,低频水流脉动引起的振动比例达73.3%,水体-管道耦合引起的高频振动达21.7%左右,低频水流和高频是主要振源,且低频对管道顺水流方向振动影响较大。研究结果有助于从量级上评价管道振动的原因及引起振动的各分频贡献率,以期为管道结构主动控制和安全运行提供依据。     

基于SCADA数据的风电机组关键载荷预测

风电机组关键位置载荷预测对风电机组安全、经济运行具有重要意义。通过建立SCADA数据与载荷间的近似关系对风电机组关键位置载荷进行预测。采用BP神经网络建立SCADA数据和载荷的关系模型,利用SCADA数据与载荷间的相关性来筛选模型输入参量,采用试错法确定BP神经网络的层数与神经元数量。针对某2.5 MW风电机组的7处关键位置进行了载荷实测。研究表明,在不采用风速作为输入参量的情况下,模型的预测结果与实测结果具有良好的一致性,相对误差的均值在1.28%到15.6%之间,决定系数R2在0.951到0.882之间;与试错法选择输入参量相比,基于相关性计算的输入参量选择方法能够更高效地筛选出更多恰当的SCADA参量,从而进一步提高预测准确度。因此,基于BP神经网络建立SCADA数据与载荷的近似关系可作为风电机组关键位置载荷预测评估的有效手段。     

穿堤管道主被动混合振动控制与分析

针对泵站机组运行引起的供排水穿堤管道振动问题,该研究提出一种磁流变阻尼器(magnetorheological damper,MRD)-谐调质量阻尼器(tune mass damper,TMD)有机融合(magnetorheological-tune mass damper,MRTMD)的主被动混合控制体系。利用基于线性二次型(linear quadratic regulator,LQR)最优控制算法,以结构响应加速度取最小为目标函数,优化得到主被动混合振动控制体系相关参数,以提高减振效率和稳定性。通过模拟泵站运行荷载与冲击荷载激励下的结构动力响应控制效果分析,探讨混合控制装置输出阻尼力的鲁棒性和减振效果。将MRTMD应用于穿堤管道工程,从时频域角度分析了所提出的主被动混合控制体系减振效率与有效减振频带范围,结果表明：MRTMD对结构振动耗能能力强,减振频带范围广,效果优于单一的TMD和MRD控制;针对穿堤管道结构振动响应的控制效果良好,加速度响应减振效率达到37.56%～38.07 %,位移响应减振效率达到40.23%～41.38 %;对机组主轴转动引起的转频、倍频等机械振动均可有效减弱,特别是对水流冲击、叶轮内形成的轴向漩涡造成的中低振动频率减振效果显著。该方法可为穿堤管道结构减振控制提供参考,保障穿堤管道结构安全运行。     

扬程-水位逐次逼近策略优化梯级泵站群级间河道水位

级间输水河道水位优化对降低梯级调水系统运行能耗,提高系统整体优化运行效益意义重大。该文针对各级并联泵站群初始扬程及提水负荷已定条件下的梯级调水系统优化运行数学模型,考虑级间输水河道特点,采用大系统二级分解-动态规划聚合与河网非恒定流模拟相结合的逐次逼近选优策略,开展梯级泵站群整体优化运行下的级间输水河道水位优化研究,获得满足河道防洪除涝、通航、生态等水位要求的各泵站优化运行方案。该方法既可较快确定各级泵站群给定提水扬程及提水负荷下的优化运行费用,又能较好地降低系统输水过程中输水河道水位变化对泵站既定提水扬程的影响,对进一步开展复杂边界条件下梯级输水系统优化运行研究具有一定理论价值。以南水北调东线江苏境内淮安一、二、四站~淮阴一、三站梯级输水系统为典型实例,在淮安站群初始扬程4.13 m、100%负荷,淮阴站群初始扬程2.7 m、100%负荷条件下,4次数模和2次数模相比站上(下)最大水位差最小,平均为6.51 cm,即3次并联站群优化运行下扬程匹配度最高;确定了对应的各级泵站群机组各时段优化运行叶片安放角或机组转速,获得较泵机组定角恒速运行下7.56%的运行效益;且4次数模下各河道水位变幅最小,平均水位变幅14.9 cm;对应的各河道高低水位值及其出现间隔可满足通航及生态水位要求。     

采用改进长短时记忆神经网络的水产养殖溶解氧预测模型

为了精确预测水产养殖溶解氧变化趋势,该研究提出了基于K-means聚类和改进粒子群优化(Improved Particle Swarm Optimization,IPSO)的长短时记忆(Long Short-term Memory,LSTM)神经网络预测模型。根据环境因子间的相似度,应用改进的K-means聚类算法将环境数据划分为若干类。在此基础上,基于LSTM神经网络算法构建改进的水产养殖溶解氧预测模型,并引入改进粒子群优化算法对模型参数进行优化,以减少经验选取参数的盲目性。在不同天气状况下利用该模型对溶解氧进行预测。试验结果表明,在良好天气情况下,该模型预测误差曲线波动较小,预测精度更高。当天气发生突变时,溶解氧预测模型评价指标平均绝对百分误差、均方根误差、平均绝对误差和纳什系数分别为0.129 5、0.645 3、0.461 3和0.902 2。该模型一定程度改善了天气突变状况下的数据缺失、鲁棒性差等问题。     

基于神经网络优化算法的云南土壤有机质含量数字制图——以景洪市为例

  目的  利用自然成土作用变量,预测并制作栅格化的土壤有机质分布图,对发展热带数字化精细农业具有重要意义。  方法  使用2006年云南省景洪市测土配方样点数据,应用BP神经网络（BPNN）、基于强分类器算法的BP神经网络模型（BPNN-Ada）、基于粒子群算法优化的BP神经网络（PSO-BPNN）、基于遗传算法优化的BP神经网络（GA-BPNN）和多元线性回归（MLR）对土壤有机质的含量预测并进行空间化制图。  结果  ① 土壤样点X、Y坐标值能够有效提高算法精度且充分表现环境因子与土壤有机质空间分布上的协同关系。② 4种神经网络算法预测结果土壤有机质空间分布基本类似,均呈现南高北低的趋势。③ 研究区域内4种神经网络模型的在建模集拟合程度从高至低依此次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN,在建模集中PSO-BPNN和GA-BPNN与BPNN拟合精度一致,BPNN-Ada的拟合精度R2最高为0.98。在验证集的预测能力由高至低依次为:BPNN-Ada > GA-BPNN > PSO-BPNN > BPNN。BPNN-Ada有着最高的预测精度和算法稳定性:RMSE = 4.47、MAE = 3.3、MRE = 0.05、R2 = 0.976。  结论  在景洪地区进行土壤有机质神经网络建模时加入地理坐标能够有效提高模型精度,且基于学习规则的神经网络优化算法效果要优于优化初始权重和阈值的神经网络算法及传统的BPNN算法。     

基于PSO-BP的甘蔗施肥监控系统设计与试验

针对甘蔗横向种植机的施肥机构由于肥料潮湿结块易堵塞等问题,该研究对施肥机构进行电液传动与控制改造,构建了一套基于粒子群（Particle swarm optimization,PSO）-前反馈（Back Propagation,BP）神经网络预测的施肥监控系统。以施肥马达的压力、转速及肥料箱中肥料量为输入参数,将施肥机构的工作状态（空载状态、正常状态、重载状态、堵塞状态）作为输出,通过BP算法建立输入与输出之间的映射关系,并用PSO算法优化BP算法的权值与阈值,相比未优化BP算法,优化后的工作状态预测准确率由97%提高到99%。以识别施肥机构工作状态响应准确率以及重载状态下堵塞预防概率为试验指标进行车间试验,结果表明：工作状态响应识别准确率为89%;重载状态下,控制系统控制施肥马达正反转并消除堵塞的概率为87.5%。在田间试验中,监控系统能准确预测施肥机构的重载状态并自动执行防堵控制指令,没有出现堵塞故障。该施肥防堵塞监控系统无需上位机,能够满足复杂多变工况下施肥机构的工况预测及防堵控制要求,可为其他施肥机构的自动化改造提供参考。     

多分类支持向量机在泥石流危险性区划中的应用

以凉山州安宁河流域129个乡镇的泥石流危险性区划资料为依据,随机选取总样本数的2/3和1/2作为训练样本,建立不同数量训练样本下安宁河流域泥石流危险性区划的多分类SVM模型,进行以乡镇为单元的区域泥石流危险性评价研究。评价结果表明,SVM模型的预测精度随着训练样本数量的增加而提高;2个SVM模型对测试样本的预测准确率均高于相应的BP神经网络模型,对训练样本的回判准确率高于或接近于BP神经网络模型。因此,支持向量机方法是一种比神经网络方法具有更优精度和更强泛化性能的新机器学习方法,在泥石流危险性评价实践中具有十分广阔的应用前景和推广应用价值。     

采用LWD-QPSO-SOMBP神经网络的拖拉机柴油机故障诊断

针对目前拖拉机柴油机故障诊断中单BP（Back Propagation）神经网络模型的局限性,该研究提出一种LWD-QPSO-SOMBP（Linear Weight Decrease-Quantum Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络的拖拉机柴油机故障诊断模型。首先,将SOM（Self Organizing Maps）神经网络和BP神经网络结合,重置网络结构并利用LWD-QPSO（Linear Weight Decrease-Quantum Particle Swarm Optimization）算法对网络的权值和阈值进行优化;然后,分析拖拉机柴油机的故障机理,确定反映故障发生的数据信号;最后,确定LWD-QPSO-SOMBP神经网络模型的结构参数,基于CAN（Controller Area Network）总线技术采集潍柴WP6型拖拉机柴油机传感器信号数据对LWD-QPSO-SOMBP神经网络的性能进行测试,并将测试结果与BP神经网络、SOMBP（Self Organizing Maps Back Propagation）神经网络、PSO-SOMBP（Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络、LWD-PSO-SOMBP（Linear Weight Decrease-Particle Swarm Optimization-Self Organizing Maps Back Propagation）神经网络及改进量子粒子群（Improved Quantum Particle Swarm Optimization,IQPSO）算法优化后的SOMBP神经网络的测试结果进行对比。试验结果表明, LWD-QPSO-SOMBP神经网络输出总误差为0.111 8、平均相对误差为0.005 8、均方误差为0.000 3,相比于其他5种神经网络均为最低。LWD-QPSO-SOMBP神经网络充分发挥并有效综合了SOM神经网络在数据预处理及PSO算法在优化BP神经网络初始权值阈值方面的优势,实现了拖拉机柴油机的高精度故障诊断。LWD-QPSO-SOMBP神经网络由于使用SOM神经网络结构对输入数据进行预处理,网络收敛速度大幅度提升,相比单BP神经网络,迭代次数由2 431次降为63次,下降了97.40%;同时采取LWD-QPSO算法对BP神经网络的初始权值阈值进行优化,降低了传统PSO算法的粒子适应度,进一步提高了网络的收敛精度和收敛速度,相比传统PSO算法,粒子适应度从0.15降为0.11,下降了26.67%,网络训练误差由0.004降为0.000 6,下降了85.00%;LWD-QPSO-SOMBP神经网络的故障诊断准确率大幅度提升,相比于单BP神经网络,输出总准确率由85.00%上升至99.44%。研究结果可为高精度拖拉机柴油机故障诊断提供参考。     

淮阴三站变频变速优化运行的分解-动态规划聚合法

以泵站多机组变频变速运行日耗电费用最小为目标,构造泵站多机组变频变速日优化运行数学模型。考虑变频装置效率随机组转速变化情况,采用大系统分解-动态规划聚合方法求解。先以泵站日提水耗电费用最小为目标,机组提水量为协调变量,将该模型分解为若干个单机组变频变速日优化运行子模型;再以各机组提水量为决策变量,泵站提水量的离散值为状态变量,构造聚合模型,二者均采用动态规划方法求解。该方法对求解不同型号泵机组或各机组同型号但性能存在差异的泵站变频变速最优化运行问题同样适用。以南水北调东线第三梯级泵站淮阴三站运行为例,获得了一系列优化成果。