基于GA、BP神经网络和多元回归的集成算法研究

建立了一个考虑税收腐败和公共支出腐败的经济增长模型,从理论上探讨财政腐败行为及其影响.主要结论归纳：第一, 财政腐败降低私人资本的回报率,使厂商的生产力下降,就整体而言阻碍了经济增长.第二,最优税率可能大于或小于Barro的最优税率,取决于征税效率和寻租引发的行政成本.第三,两种类型的公共支出隐含着不同程度的腐败机会,以及对官员行为产生的不同“激励”作用,从而扭曲公共支出结构效率.第四,增强制度约束力对遏制财政腐败至关重要.     

基于IGA-GP的BP网络黄河流域需水预测研究

针对遗传算法和BP网络在寻优过程中的不足,将改进的遗传算法(IGA)与遗传编程(GP)相结合,建立了有广泛搜索能力和很强局部精化能力的IGA-GP自动编程算法,将该算法应用于BP神经网络的优化,克服了BP网络寻优过程中收敛速度慢、易陷入局部最优的不足,解决了新训练样本加入对网络稳定的影响。在此基础上,建立了黄河流域需水预测模型;拟合结果表明,该模型具有较高的预测精度。     

一种基于BPNN的智能巡检异常预测模型的研究

在传统网络巡检方法中,网络异常发现主要基于单一参数进行阈值触发,误报率较高,效率低.为了高效准确地发现网络异常,提出了一种基于BPNN的网络异常预测模型.首先对采集系统采集的数据进行特征提取和初始化处理;然后,将初始化后的数据作为神经网络样本进行训练,根据误差阈值调整网络参数,确定网络结构;最后,在Matlab环境下进行仿真实验,将提出的BP神经网络模型用于网络异常预测,结果表明本文提出的方法对网络异常预测有较高的预测率.     

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。     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性，基于BP神经网络建立烧结配料的预测模型，并采用粒子群算法对预测模型参数进行优化。为了克服粒子群算法的局部收敛性，在迭代过程中，根据迭代次数对惯性权重进行动态非线性调整，从而提高算法的搜索能力。仿真结果表明，所提出的改进粒子群算法与传统的粒子群算法比较，收敛速度快、迭代次数少、具有较强的全局寻优能力。     

基于PSO–BP算法的油菜籽干燥工艺参数的优化

结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化:采用BP神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型,利用试验样本数据计算并确定预测模型的网络权值及阈值,再采用PSO算法进行参数优化。试验验证结果表明,对比BP网络模型和PSO–BP模型,发现BP网络仿真值相对误差最大值为4.5%,而PSO–BP仿真值最大相对误差小于2.93%。     

基于遗传算法的BP网络在小流域侵蚀量预测中的应用

人工神经网络可用于流域水土流失的预测.针对BP神经网络收敛速度慢及容易陷入局部最优解的缺点,设计了基于遗传算法(GA)的优化BP神经网络.利用遗传算法特有优势,为BP网络的初始权值和阈值搜索全局最优解空间,经过BP算法迭代训练,进行预测.依据黄土高原沟壑区杨家沟小流域多年径流与泥沙的实测数据,对创建的侵蚀量模型进行训练和预测,取得了较高的预测精度和较快的收敛速度.     

基于相空间遗传BP神经网络的径流预测研究

基于混沌时间序列的重构相空间、遗传算法的良好全局搜索和神经网络精确的局部搜索特性,以重构相空间中的饱和嵌入维数作为神经网络输入层节点数,通过采用遗传算法优化神经网络初始权重,将重构相空间、遗传算法、神经网络三者有机地结合,提出并建立了相空间遗传BP神经网络预测模型。将该模型用于黄河上游月径流预测,结果表明,该模型应用在水文时间序列的预测中是合理、可行的,并具有较高的精度。     

基于贝叶斯正则化BP神经网络的森林资源资产批量评估研究

将BP神经网络与批量评估方法结合应用于森林资源资产评估中,通过对森林资源资产评估价值主要影响因子进行数据处理,确定不同龄组的BP网络结构,结合TM算法,通过贝叶斯正则化修正BP神经网络的训练性能函数,建立基于BP神经网络的不同龄组森林资源资产批量评估模型。结果表明,贝叶斯正则化BP神经网络能够实现批量预估森林资源资产价值,其评估结果精度可靠,泛化能力很好,可为森林资源资产评估提供一种新的思路与方法。     

基于模糊神经网络的大米品种识别算法研究

基于机器视觉技术,针对实际大米图像中不可避免的存在籽粒连接的情况,采用模糊BP神经网络进行大米品种识别。应用形态学中腐蚀、膨胀算法提取单粒大米籽粒,去除碎米后,对单粒整精大米籽粒进行外观特征提取,采用模糊BP神经网络进行大米品种识别,仿真结果表明,其可达到较高的检测精度。     

基于灰色理论的BP神经网络入侵预测模型

提出一种基于灰色理论BP神经网络的网络入侵预测方法。针对传统的预测方法难以高效预测大规模网络的复杂攻击行为,利用基于灰色理论的BP神经网络算法,对网络传输中的数据包建立模型、分析和检测识别,结果表明了改进后的入侵预测模型具有更好的预测精确度和效率。     

马尾松人工林经营密度模型研究

采用人工神经网络的建模技术建立了林分蓄积与立木密度、林分年龄和地位指数间的全林分生长模型,并以所建全林分生长模型为基础构造目标函数,采用改进单纯形法对建立的目标函数进行搜索寻优,以找到最佳的经营密度及对应的间伐时间。结果表明,拟合结果符合林分生长规律,可以用BP神经网络建模技术建立相应的全林分生长模型;用改进单纯形法对目标函数进行优化,不仅可以求得最优的保留密度,而且可以求得对应的间伐时间。     

基于神经网络PID的无人机自适应变量喷雾系统的设计与试验

【目的】针对传统植保无人机在定量喷施作业时由于飞行速度的变化造成施药不均匀以及传统控制算法无法满足无人机变量喷雾系统所需的实时性和稳定性等问题,设计一种基于神经网络PID的自适应无人机变量喷雾系统。【方法】采用风压变送器测出无人机的飞行速度,根据速度采用脉宽调制(PWM)方法进行自适应变量喷雾,同步用流量传感器测出实际喷雾流量,融合BP神经网络PID控制算法调节喷雾流量。由MATLAB构建BP神经网络PID控制算法,并与PID、模糊PID和神经元PID对比及分析;田间试验过程中,对比分析无人机定量喷雾与随飞行速度改变的变量喷雾效果,采用水敏纸获取雾滴沉积量分布,分别从整体区域、飞行方向和喷杆方向评价沉积量分布的均匀性。【结果】算法仿真对比试验结果表明,与PID、模糊PID和神经元PID相比,BP神经网络PID阶跃响应上升时间分别少28.57%、84.73%和31.03%,正弦跟踪平均误差分别小63.01%、87.03%和0.58%,方波跟踪平均误差分别小74.00%、79.53%和6.80%,鲁棒性强,无静差,超调量为1.20%;喷雾对比试验结果表明,本系统能够根据飞行速度自适应调节喷雾流量,实际流量与目标流量的平均偏差为8.43%,水敏纸扫描结果表明总体区域雾滴沉积量的变异系数对比定量喷雾平均降低26.25%,喷杆方向平均降低18.79%。【结论】该研究结果可为农业航空变量喷雾技术的应用提供理论基础。     

混凝土强度预测的混沌优化神经网络模型

BP神经网络方法由于综合考虑了高强度、高性能混凝土强度的各种影响因素，能够实现非线性关系，可以用于混凝土强度预测上。为克服传统BP网络收敛速度慢、易出现麻痹现象等不足，本文采用自适应变步长(ABPM)算法来改进的BP神经网络，提出了基于混沌优化的自适应变步长(ABPM)神经网络模型，并将其预测结果和训练效率进行了分析。该方法主要利用混沌运动的遍历性为梯度算法创造一个良好的搜索界面。仿真结果表明，混沌优化的ABPM神经网络用于混凝土强度的预测，方法简单可行，搜索速度快，预测结果可靠、精度高。     

基于BP神经网络对苹果呼吸强度的预测

应用BP神经网络,通过苹果贮藏期间多维数据与呼吸强度的相关分析确定网络的拓扑结构,建立苹果呼吸强度的人工神经网络模型.仿真结果表明,该神经网络能很好地拟合不同贮藏条件下的呼吸强度,模型预测精度达到90%以上.同时,通过遗传算法优化BP神经网络的初始权值和阈值矩阵,使神经网络的预测精度进一步提高.     

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。     

基于逐步回归法和BP神经网络模型的苹果产量预测

本文通过逐步回归法挑选出4个影响苹果产量的关键气象因子,并运用逐步回归法和BP神经网络建立苹果产量预测模型。通过检验,2种预测模型拟合效果均较好,均能够较好地预测今后苹果的产量趋势。其中BP神经网络模型预测有较高精度,但存在局限性。     

基于BP神经网络的华北落叶松小班蓄积预估模型研究与应用

林分蓄积是衡量小班林分生产力的重要指标。选择华北落叶松人工林小班数据,对以年龄、公顷株数和立地指数为自变量,小班公顷蓄积为因变量的BP (back propagation)神经网络模型和多元回归模型进行研究。研究结果表明:①BP神经网络参数最优组合:三层网络结构包括输入层3个神经元,隐含层10个神经元和1个神经元,输出层1个神经元,R语言算法选用含有动量的自适应梯度下降法,MATLAB软件算法选择Levevberg-Marquardt法;②多元回归模型中,生长理论方程为基础修正函数"Logistic+幂函数"组合的修正模型V=SI~(0.977 2)N~(0.510 3)0.500 1/[1+44.226 1exp(-0.146 6t)]表现最优,其决定系数R~2为0.721 8;③BP模型预测精度最高,其次是多元回归模型和材积表法。基于以上研究,为了提高BP模型的实用性,通过JAVA和R语言编程方式,将构建BP神经网络小班蓄积预估模型存储到收获预估模型的模型库中,在人工林收获预估中实现BP模型的调用,实现从经典的数学模型形式向智能化软件方向发展,提高BP模型在实际生产中的可操作性,为森林经营作业提供决策支持。     

基于遗传算法改进 BP 神经网络的遥感影像分类研究

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。     

基于BP神经网络的材料腐蚀预测模型

通常使用灰色系统理论的方法对材料腐蚀数据进行拟合预测,为了深入研究材料的腐蚀特性和使用寿命,提出了材料腐蚀数据预测的神经网络模型。并将预测结果与灰色系统理论、回归模型等方法的预测结果对比,表明利用神经网络模型方法对材料腐蚀数据进行拟合预测具有一定的合理性,指出了进一步的研究方向。