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。     

神经网络方法在土壤墒情预测中的应用

在对比分析现有土壤墒情预测模型的基础上，采用改进的神经网络方法建立了土壤墒情预测模型，并结合实测数据进行误差分析，结果表明神经网络模型可成功应用于土壤墒情分析和预测，对于不同条件的地区具有广泛的适应性和推广应用前景。     

含水率对土壤热物性参数影响的试验研究

土壤的导热系数、比热容和热扩散系数是表征其传热和蓄热的最重要热物性参数,是土壤热性质研究的重要内容。基于准稳态导热理论的平板仪法,对常用沙土的上述3种热物性参数进行了实验研究。结果表明:在土样未到达饱和状态时,导热系数、比热容、热扩散系数均随含水率的增加而增加,从含水率为0%增加到5%时的增幅最大。导热系数和热扩散系数随土壤质地类别和含水率的变化而变化,比热容的大小主要随含水率的变化而变化。平板仪测出的导热系数较热探针测出的值略微偏大,但两种方法测出的误差小于5%的数据占总数的97%,两种方法对土壤的应用等效。     

玉米覆膜滴灌对土壤含水率的影响

通过田间试验,探讨玉米各生育期覆膜滴灌与非覆膜滴灌条件下土壤含水率变化情况。结果表明:不同滴灌方式下土壤含水率会发生明显变化;在玉米全生育期内,覆膜滴灌方式下0~60 cm土壤含水率变化趋势要好于非覆膜滴灌方式,适合在辽宁地区推广。     

深层入渗对土壤含水率和苹果产量的影响

选取15年生开心形富士苹果,设计7个不同入渗方式处理,测定了不同处理的苹果产量和不同生育期土壤含水率。结果表明,苹果成熟前不同处理土壤含水率之间差异不明显,进入雨季以后,深层入渗技术能够将雨季降雨有效收集,并入渗到深层储存,在60～200cm,土壤含水率高出对照1%～5.22%;各处理之间苹果单株产量差异极显著,其中深层入渗技术都有增产效果,平均增产13.46%。深层入渗技术能够有效的使降雨入渗到更深层次并储存,为苹果需水临界期提供土壤水分保证,提高产量。     

基于IBAS-BP算法的冬小麦根系土壤含水率预测模型

为在节水灌溉系统中精确测量和预测根系土壤含水率,将传统天牛须算法每次迭代过程中的一只天牛改进为一个天牛种群,建立了基于改进天牛须搜索算法优化的IBAS-BP预测模型,并利用实测浅层土壤含水率数据,对深度50 cm冬小麦根系土壤含水率进行预测.结果 表明,与PSO-BP预测模型、GA-BP预测模型以及原始BAS-BP模型...     

不同耕作方式对土壤酶活性、含水率和紫花苜蓿生长的影响

【目的】了解土壤环境、肥力变化,为改善土壤质量、提高作物产量提供一定的依据。【方法】以紫花苜蓿为试验材料,设置了4种不同的耕作方式,分别为平作不覆膜(TW)、平作覆膜(TM)、垄作不覆膜(RW)、垄作覆膜(RM),分析了4种耕作方式下土壤酶活性、含水率的变化情况及其对紫花苜蓿生长状况和产量的影响。【结果】与TW耕作方式相比,TM、RW、RM耕作方式均能显著提高土壤表层脲酶及碱性磷酸酶活性,并且对0～20 cm土壤酶活性影响最为明显。4种耕作方式对土壤表层0～10 cm范围内的含水率影响显著,与9月相比,7月4种耕作方式下的土壤含水率变化情况更大。4种耕作方式中垄作覆膜处理条件下紫花苜蓿平均株高最高,产量最大(7.42 kg/m2)。【结论】4种耕作方式中,RM耕作方式下,土壤酶活性平均值最高,土壤肥力状况最好,而在深度为0～60 cm范围内,0～20 cm深度处土壤酶活性变化最为明显;与耕作方式相比,季节性因素对土壤含水率的影响更大;RM处理条件下紫花苜蓿生长的更好。     

神经网络和线性回归在苹果含水率预测中的应用

现阶段可用于农产品无损检测的模型很多,其中应用最广的是线性模型和神经网络模型.本文以山东产富士苹果为试验对象,使用CT技术对富士苹果的含水率进行了预测.为了比较线性模型和神经网络模型在预测富士苹果含水率应用中的效果,分别通过线性回归和神经网络进行了建模.研究发现,线性回归模型设计过程较神经网络模型简单.但神经网络模型的精确度较高,可拓展性较强.     

神经网络在土壤养分流失预测中的应用

以BP网络（Back Propagation Network)为基础，建立了小流域土壤养分（包括N，P，K3种成分）为输出层，流域出口处的洪量，输沙量及流域的年降雨量为输入层的包含一个中间层的BP网络，经检验，模型输出与多元线性回归模型计算结果一致。模型的建立及求解为水土保持中土壤养分的流失预测研究提供了一种新方法。     

基于PCCs-DEMATEL指标筛选的BP神经网络用水量预测

以面向决策支持的用水量趋势预测为研究目标,采用从定性到定量的综合集成方法,将各指标变化率作为处理单元,运用PCCs-DEMATEL(皮尔逊相关系数-决策试验评估)方法对统计指标筛选,以BP神经网络构建预测模型,与赋权指数平滑法预测模型进行比较分析。模型在广州市的运用实例表明,基于PCCs-DEMATEL指标筛选的BP神经网络用水量预测模型可以更好地预测以年为单位的地区用水量,为水资源决策分析提供可靠的数据支撑。     

农田耕作土壤田间持水率的BP预测模型

为了合理确定疏松黄土的灌溉制度,基于黄土高原区农田耕作层土壤田间持水率的测试资料,建立了以土壤理化参数包括土壤体积质量、黏粒量、粉粒量、有机质量为输入变量,田间持水率为输出变量的BP预测模型。结果表明,预测值和实测值的相对误差控制在7%以内,在可接受的范围,表明利用土壤基本理化参数预报农田耕作土壤的田间持水率是可行的。研究结果可为黄土高原区耕作农田土壤水分调控和灌溉管理提供支撑。     

基于遗传算法和BP神经网络的用水

为避免BP算法易陷入局部极小的缺陷，根据遗传算法具有全局寻优的特点，将二者结合起来形成GA-BP混合算法。以GA优化BP网络的初始权值和阈值，按负梯度方向修正网络权值及阈值，对网络进行训练。最后，用matlab编写GA-BP计算程序，以多组数据进行测试，并与纯BP算法进行分析比较，结果表明该方法可以有效、准确的应用于城市用水量预测。     

基于BP神经网络与GIS可视化的作物需水量预测

作物需水量是农田水利工程规划、设计与灌溉用水管理的重要参数。基于BP神经网络与GIS可视化作物需水量预测,以河南省冬小麦的作物需水量为例,利用实测站点的地理坐标以及高程,通过BP神经网络对分析数据进行加密插值,并采用GIS里的协克里金法结合高程作为一个协变量进行作物需水量的空间插值,实现GIS可视化,从而得到准确度较高的作物需水量空间分布图。结果表明,该方法对于河南省冬小麦作物需水量预测具有较好的预测精度,方法有一定的参考价值。     

基于BP神经网络的牡丹花热风干燥含水率预测模型

针对热风干燥制作牡丹压花时含水率不便实时测定的问题,探讨了干燥过程中热风温度、风速、压花板孔密度和牡丹花初始质量对干燥速率的影响.利用BP神经网络建立了干燥时间、热风温度、风速、牡丹花初始质量、压花板孔密度与牡丹花干燥过程中含水率之间的关系模型,采用Matlab神经网络工具箱对模型参数进行训练和模拟.结果表明,利用神经网络建立的模型仿真结果与实测值接近,预测性较好.     

基于改进的BP神经网络对蓄水坑灌冬季果园土壤温度预测

为准确预测冬季果园土壤温度,建立了蓄水坑灌条件下BP神经网络土壤温度预测模型(BP-WSPI-T)、遗传算法优化的BP神经网络土壤温度预测模型(GA-WSPI-T)和增量逆传播学习算法优化的BP神经网络土壤温度预测模型(IBP-WSPI-T),采用坑内平均气温、地表温度、沿相邻两蓄水坑中心连线距坑壁的距离和距坑壁5cm处分层土壤最低温度为模型输入,对距坑壁15、25和35cm处分层土壤最低温度进行预测,并通过与田间实测数据的统计学分析来判定预测效果。结果表明:BP-WSPI-T、GA-WSPI-T和IBP-WSPI-T模型的平均相对误差分别为8.19%、4.41%和7.57%,GA-WSPI-T模型的预测效果最好,较BP神经网络预测精度得到了很大的提高,建议采用GA-WSPI-T模型对蓄水坑灌冬季果园土壤温度进行预测。     

基于EMD-IGA-SELM的池塘养殖水温预测方法

为了有效指导工厂化水产养殖,提高水产养殖过程中水体温度预测的精度和稳定性,在分析水体温度影响因素的基础上,提出基于经验模态分解（EMD）、改进遗传算法（IGA）和改进极限学习机（SELM）相结合的水温预测模型（EMD-IGA-SELM）。首先,通过综合天气指数的计算完成异常和缺失数据的校正;利用皮尔森相关分析计算各影响因子与水温之间的相关度,从而确定预测模型的输入输出量;选择Softplus函数代替Sigmoid函数组成SELM,并引入混沌序列改进标准遗传算法,获得SELM的最佳初始权值和阈值;最后,采用EMD方法将原始水温时序数据进行多尺度分解,在各分量中对IGA-SELM训练建模,并叠加求和各分量预测值,从而完成水温序列的预测。将EMD-ELM和GA-BP模型的预测结果与EMD-IGA-SELM进行对比,结果表明,EMD-IGA-SELM取得了较好的预测精度,评价指标平均绝对误差、平均绝对百分比误差和均方根误差分别为0.1233℃、0.0043和0.1478℃,能够满足水产养殖的生产需要,可为池塘水质管理和调控提供决策支持。     

人工神经网络在预报土壤墒情中的应用

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.     

应用神经网络对玉米干燥含水量预报的研究

玉米干燥过程具有不确定性、时变性和非线性等特点,针对这些特点提出了玉米干燥过程含水量的新型实时多步预测方法.基于Jordan神经网络构造了具有多作用因素输入和玉米含水量动态时间序列反馈的实时动态建模预测模型,提出了BP算法和TD法相结合的网络学习新算法.该方法比传统预测方法具有更好的收敛性和适应性.应用结果表明,预测命中率和预测精度较高.     

基于BP神经网络的排种器充种性能预测

在分析丸粒化玉米种子精密排种器工作原理的基础上,运用Matlab神经网络工具箱建立了排种合格指数A的BP神经网络预测模型,选取排种轴转速n、型孔直径D和排种盘的锥角Ф作为试验因素进行排种性能试验,得到81组合格指数的试验结果。选取其中的60组进行样本训练,并对剩下的21组结果对训练好的网络进行预测,n,D,Ф为输入层,A为输出层,网络结构为3-11-1的3层网络。预测结果表明,预测值与试验值误差较小,为排种器的优化设计及参数的选择提供了依据。