基于NARX 神经网络的日光温室湿度预测模型研究

在日光温室湿度预测模型建模中,由于输入因子间存在复杂耦合关系以及冗余的条件属性,导致网络训练难以收敛且精度不高.选用影响日光温室湿度的环境因子组成数据样本,采用主成分分析方法对样本集进行解耦降维处理,以采用主成分分析后的数据样本作为输入,以日光温室内湿度作为输出,采用贝叶斯正则化算法构建NARX神经网络模型,对日光温室湿度进行预测.仿真结果表明,基于NARX神经网络建立的预测模型具有很强的非线性动态描述能力,能够对室内湿度值做出准确的预测.     

基于因子分析的BP神经网络在需水预测中的应用

需水预测涉及农业、工业、生活和环境等多种因素,是典型的多指标评价问题,需对多因素进行综合评估.以广东省珠海市为例,利用1986～2000年的需水量数据,采用因子分析法对影响需水量的8个变量进行因子分析,根据确定的主要影响因子构造BP神经网络的输入样本,从而进行不同水平的需水量预测.结果表明:前4个公因子,即综合实力因子、畜牧影响因子、环境影响因子和补充分析因子,累计贡献率达99%以上,为影响研究区需水量的主要因子,以此作为输入样本建立的BP神经网络需水预测模型既能合理地构造神经网络的拓扑结构,又可加快网络的收敛速度,精度较高.因子分析与BP神经网络结合是多因素需水预测的一个有益尝试.     

基于主成分分析和粒子群优化神经网络的粮食产量预测

粮食产量的预测研究在粮食安全方面具有重要意义,神经网络可以较好地反映粮食产量这一复杂的非线性动态系统。但是传统的BP神经网络预测模型存在学习收敛速度慢、易陷入局部极小值等缺陷,为了改善这一缺陷,提出了一种基于主成分分析(PCA)和粒子群(PSO)优化神经网络的预测模型。首先计算各影响因素与粮食产量之间的相关系数,利用主成分分析方法降低影响因子的维度,将降维后的因子作为神经网络的输入,然后采用BP神经网络建立粮食产量预测模型,其中引入PSO算法对BP神经网络的权值和阈值进行优化,最后使用训练过的BP神经网络预测粮食产量值。预测结果表明,该模型可有效提高预测精度,且收敛速度快,全局收敛性好,为粮食产量预测提供了一种新的途径。     

基于农业生产条件的河南粮食产量组合模型研究

通过对1990～2007年河南粮食产量的分析,在影响粮食产量的诸多因素中选出农业生产条件等8个主要影响因素。基于粮食生产系统的复杂性,建立偏最小二乘回归与BP神经网络耦合模型。偏最小二乘法通过对自变量中的信息进行组合和提取,有效克服变量之间的多重相关性问题,实现了对高维数据的降维处理,同时降低了神经网络的输入维数,提高了网络的学习效率和稳健性,从而充分利用了2类现代建模方法的优点。结果表明,偏最小二乘神经网络耦合模型研究河南粮食产量的拟合精度和预测精度都比较理想。     

基于PLS_GA_Elman算法的病虫害预测

针对农业中虫害受多种复杂因素的影响及发生量预测问题非线性、样本少、特征变量多的特点,结合偏最小二乘回归（PLS）、遗传算法（GA）与Elman神经网络,建立了虫害发生量的PLS_GA_Elman预测模型。通过PLS回归算法对影响因素进行特征提取后,将降维变量输入Elman模型,并运用GA对Elman建模中的权值和阀值进行优化。通过实例分析表明该模型预测准确性高,能有效地预测虫害的发生量。同时为验证算法的有效性,与PLS算法、Elman神经网络算法、基于GA的Elman神经网络算法（GA_Elman）、基于GA的BP神经网络算法(GA_BP)进行比较。     

基于人工神经网络算法对水稻需水量的预测

水稻需水量预测是节水灌溉规划的基础,由于BP神经网络在解决多参数非线性问题表现出极强的自适应能力,从而可以科学准确预测需水量。本研究从多个影响因子分析出发,得到了BP神经网络模型,并结合实际数据进行了检验。试验结果表明,该模型能够较好地反映气象因子与水稻需水量之间的关系,预测精度高。     

基于BP和Adaboost-BP神经网络的 羊肉新鲜度高光谱定性分析

【目的】 实现对羊肉新鲜度的快速准确鉴别。【方法】 研究通过对460~1 000 nm的羊肉高光谱图像纯肌肉部分提取光谱数据,以挥发性盐基氮(TVB-N)值对新鲜度等级进行划分,对预处理后的光谱数据分别采用连续投影算法(SPA)、主成分分析(PCA)两种压缩降维方法和反向传播(BP)神经网络、自适应提升BP(Adaboost-BP)神经网络两种建模方法开展羊肉新鲜度的分类比较。【结果】 其中采用SPA、PCA建立的BP模型校正集与预测集准确率均为100%、83.33%,建立的Adaboost-BP模型校正集与预测集准确率均为100%、94.44%,两种压缩降维方法下Adaboost-BP模型效果均优于BP模型。【结论】 利用高光谱图像技术结合Adaboost-BP方法对羊肉新鲜度等级进行分类判别是可行的。     

基于混沌理论的害虫发生量非线性建模与预测

为了提高害虫发生量预测的精度,提出一种基于混沌理论的害虫发生量非线性预测模型(PSR–LSSVM)。通过相空间重构对害虫发生量时间序列进行重构,将重构后的害虫发生量序列输入到最小二乘支持向量机进行学习,建立害虫发生量预测模型,采用云南省普洱市思茅区和浙江省仙居县的松毛虫发生面积数据对模型性能进行检验。结果表明,松毛虫发生面积预测值与实际发生值十分接近,2个地区松毛虫发生面积预测结果的平均绝对百分误差分别为0.90%和2.44%,预测结果要优于BP神经网络、线性预测模型。     

基于自组织特征映射神经网络的储粮害虫分类方法研究

提出了基于自组织特征映射（SOM）神经网络的害虫分类方法：该方法能将任意维输入模式在输出层映射成一维或二维离散图形,并保持其拓扑结构不变,而且无需监督,可实现对输入模式自动分类。分析了SOM网络基本工作原理,并将之用于害虫分类模型的建立中。结果表明,该方法能有效地对害虫进行分类,比BP神经网络分类精确度高、分类结果的可解释性更好。     

病虫害的时空动态模拟

<正>病虫害是制约农业生产的重要因素,每年因病虫害造成的损失巨大。据FAO估计,世界粮食产量常年因病害损失高达14%,因虫害损失达10%。有效掌握病虫害的发生规律。可对病虫害的发生发展进行预测,为实际生产提供帮助。病害流行的定量研究是制订预测预报方法和病害可持续控制策略的基础。模型与模拟是病害流行学研究的一种重要方法,目前主要有数学模型、空间插值及系统建模等模拟方法。Logistic模型利用logistic方程对害虫发生的数量和面积进行预测。从害虫发生的系统资料中,概括出环境因子与害虫发生之间的内在联系,通过建立统计模型,来预测害虫种群未来发展     

利用神经网络分析注水管道内腐蚀影响因素

对注水管道内两种腐蚀影响因素进行了排序，采用灰色关联分析法和二层BP神经网络法对主要影响因素进行了考察。示例分析表明，采用改进二层BP神经网络得到的连接权值排序，比灰色关联法更能准确反映注水管道内腐蚀实际情况。根据某注水试验区注水管道水质分析数据及计算结果，得出其主要影响因素的高低排序为，溶解氧（0．877），pH值（0．856），硫酸盐还原菌（0．84），温度（0．811），压力（0．78），CO2（0．76），流速（0．736）。     

基于BP人工神经网络的土壤含水量预测模型的研究

土壤含水量是制约植物生长的主要因子之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义。提出了基于BP人工神经网络的土壤含水量预测模型,BP人工神经网络采用收敛速度较快和误差精度较高的动量-自适应学习速率调整算法。并通过基于这种模型的土壤含水量预测实验,结果表明BP人工神经网络预测模型提高了收敛速度和减少陷入局部最小的可能,并且提高了预测精度。     

基于BP神经网络的油松人工林树高模型研究

通过分析比较不同算法以及不同输入层因子,构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源,通过对6种BP神经网络的训练方法进行训练,经过反复筛选找出最优模型并与传统胸径-树高模型作比较;最后将BP神经网络中的输入因子从2个增加到6个后,经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳,R²和MSE分别为0.963 0和1.168;2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响,BP神经网络模型的决定系数（R²）随着隐含层节点数的增加呈现先上升后下降的趋势;均方误差（MSE）呈现先下降后上升的趋势,两者都在节点数为10时有极值,此时的模型为最优模型;3）当输入因子为胸径和优势树高时,油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1）,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.761 0和1.984 7;当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时,最优模型结构为6∶10∶1,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出,在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法;BP神经网络模型与传统模型相比,BP神经网络模型不需要目标方程结构,并且模拟和预测的精度均要优于传统模型;在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。     

一种基于深度卷积神经网络的油菜虫害检测方法

针对目前油菜虫害识别在背景、角度、姿态、光照等方面的鲁棒性问题,提出一种基于深度卷积神经网络的油菜虫害检测方法:首先在卷积神经网络和区域候选网络的基础上,构建油菜虫害检测模型,再在深度学习tensorflow框架上实现模型的检测,最后对比分析结果。油菜虫害检测模型利用VGG16网络提取油菜虫害图像的特征,区域候选网络生成油菜害虫的初步位置候选框,Fast R–CNN实现候选框的分类和定位。结果表明,该方法可实现对蚜虫、菜青虫(幼虫)、菜蝽、跳甲、猿叶甲5种油菜害虫的快速准确检测,平均准确率达94.12%,与RCNN、Fast R–CNN、多特征融合方法、颜色特征提取方法相比,准确率分别提高了28%、23%、12%、2%。     

LM-BP神经网络在农业总产值预测的应用

农业生产总值是衡量一个地区农业发展水平的重要指标,农业生产总值受多方因素的影响,具有非线性的特征,为此,提出了LM-BP神经网络预测农业生产总值的模型及方法.以农作物播种面积、粮食产量、甘蔗产量、木薯产量、茶叶产量、肉类产量、水产品产量、松脂产量及油茶籽产量等与农业生产总值相关指标作为网络输入,通过广西2000 ～2012年农业生产总值数据仿真试验分析表明,LM-BP神经网络预测结果与实际值有较好的拟合度.     

水土保持效能影响因子数学模型的初探

水土流失是当今世界人类最为普遍关注的问题之一,探讨水土流失与其影响因子之间的关系是水土保持研究中的重要课题．本文通过两个应用实例证明：运用人工神经网络方法建立的水土流失模拟预测模型效果好、精度高,从而为水土保持的研究提供了一个新的方法     

基于灰色关联下神经网络在南果梨始花期预报中的应用

为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明：（1）与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;（2）与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;（3）BP和RBF方法建立的模型拟合精度总体上较接近;（4）基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;（5）基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R²为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R²为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。     

基于江苏省河蟹主产区气象因子的产量BP神经网络预测

为提高江苏河蟹主产区产量预测能力,以此为基础制定科学合理的河蟹养殖发展规划,本研究对河蟹主产区附近设立的7个观测台站2013—2017年的气象数据和该区产量数据进行了采集,利用插值法补足少量缺失值,通过主成分分析选取了最能代表江苏省河蟹主产区特点的5个主成分作为研究对象建立BP神经网络,探索其用于江苏省河蟹主产区产量随气象因子变化的规律。结果表明,通过PCA主成分分析降维处理后数据的大部分特点能被BP神经网络学习到,预测值与真实之间的相关系数为0.82267,具备一定的模拟气象因子数据与产量之间的关系的能力。