基于优化算法的新安江模型参数的估计

【目的】解决传统优化算法在新安江模型参数估计中存在的早熟、收敛速度慢和易陷入局部最优等问题。【方法】在标准PSO算法的基础上,引入小生境和交叉选择算子,对寻优过程中粒子的个体历史最好位置进行多样化处理,提出基于小生境和交叉选择算子的粒子群算法(NCSPSO),建立基于NCSPSO算法的新安江模型参数估计数学模型,并给出具体求解步骤。最后将该方法在具体流域的洪水预报中进行应用。【结果】NCSPSO算法计算时间短,参数估计精度大大提高,且预报结果均达到了规范要求。【结论】NCSPSO算法为新安江模型参数估计提供了一条新途径。     

Sacramento模型的多步骤参数估计方法及应用

为了解决传统优化算法在Sacramento模型参数估计中存在早熟、收敛速度慢、容易陷入局部最优和传统求解过程出现模型模拟吻合度较差等问题。对于人工生成的理想水文资料,分别采用SCE-UA算法、并行遗传算法(PGA)、改进粒子群算法(SMSE-PSO)和提出的免疫克隆选择算法(ICSA)进行参数率定,比较结果选出最优算法,同时,将最优算法与多步骤参数估计方法结合进行实测资料的洪水预报,并比较单步骤与多步骤方法的预报效果。结果表明:ICSA收敛结果更好,效率和精度更高,将其与多步骤参数估计结合提高了洪水预报精度。ICSA算法和多步骤参数估计方法结合为Sacramento模型参数估计提供了一条新途径。     

复杂经济运行背景下省域经济风险评价——基于安徽省1995~2009年的经验证据

针对Probit分位回归在参数随机化条件下的建模问题,提出基于Metropolis-Hastings算法的贝叶斯Probit分位回归模型.通过分析Probit分位回归模型结构,选择模型的先验分布,运用M-H算法进行参数估计.利用Monte Carlo仿真技术,得到不同分位点模型参数后验分布,同时用贝叶斯probit分位回归与分位回归方法和光滑分位回归方法对模型参数估计进行比较分析.研究结果表明：贝叶斯Probit分位回归模型可以更全面描述离散选择变量的影响,能够得到更加准确有效的参数估计.     

基于贝叶斯面板平滑转换模型的房价阈值效应研究

针对经济变量之间普遍存在的非线性关系,导致线性模型拟合失效的问题,构建面板数据平滑转换模型,刻画变量之间关系的非对称性。采用贝叶斯方法进行模型的参数估计,避免非线性最小二乘算法难以收敛,参数估计不确定。通过分析模型结构,选择参数先验分布,设计相应的Metropolis-Hasting-Gibbs混合抽样算法,据此估计模型参数;在此基础上,利用省域面板数据分析房价阈值效应问题。研究结果表明：参数的动态迭代轨迹收敛,MH-Gibbs混合抽样算法能够准确地估计模型各参数,解决了非线性最小二乘无法收敛的问题,证明了贝叶斯面板数据平滑转换模型的有效性;同时也验证了房价波动的阈值效应以及房价与城市化、城乡收入差距之间的非线性关系。     

自主迁移的并行遗传算法用于马斯京根模型参数估计

遗传算法是一种随机性的全局优化算法,但简单遗传算法易陷入局部最优。将并行技术与遗传算法相结合,且针对影响并行遗传算法性能的迁移时机进行研究,提出自主迁移的并行遗传算法用于马斯京根模型参数估计。实验结果表明,该算法为估计马斯京根模型参数提供了一种有效的方法。     

天敌胁迫下食饵种群动态数量模型参数的灰色估计

【目的】建立天敌胁迫下食饵种群动态模型的参数估计方法。【方法】利用灰色系统理论和灰色建模思想及差分等数学方法,对动态模型中的参数进行了估计。【结果】通过数学方法建立了动态模型参数的灰色估计法公式,解决了天敌肋迫下食饵种群动态模型的参数估计问题。【结论】通过对4个小麦品种蚜虫资料实例的参数估计,表明所建议的灰色参数估计法是有效的。     

基于网络开放式可定制CAI模型的构建及探索

对CAI开发中的技术局限性进行分析,阐述了基于网络开放式可定制CAI模型的构建过程,同时对CAI模型中的智能组卷算法和自动评分算法进行探索,确定确实可行的方案,实现CAI模型的构建。     

基于改进遗传算法的河流水质模型多参数识别

结合多种群遗传算法和自适应遗传算法,提出基于多种群-自适应遗传算法(MPAGA)水质模型多参数识别方法,实现对河流水质模型参数断面平均流速u、河流离散系数D和污染物降解系数K识别和估计。利用河流示踪剂实验监测数据,分别对美国特拉基河3个不同流量河段作水质模型多参数识别和估计。结果表明,与传统遗传算法(TGA)相比,MPAGA算法对3种不同流量河段水质模型参数估计结果准确和可靠。基于MPAGA水质模型多参数识别方法和分河段水质模型参数估计结果可提高河流水污染预测精度,判定河流水污染危险区域,为保障工农业用水安全提供重要科学依据和技术支撑。     

度量误差对材积模型的影响及参数估计研究

为提高带度量误差的材积模型估计精度,该文以落叶松一元材积模型V=aDb为例,使用分析单一变量的度量误差对参数估计影响的方法,分别分析了因变量和自变量的度量误差对模型参数估计的影响;使用普通非线性回归方法和度量误差模型方法分别对模型进行估计,并对比分析了普通非线性回归方法和度量误差模型方法的估计结果。研究结果表明:因变量和自变量的度量误差对模型都有影响,度量误差模型估计方法优于普通非线性回归估计方法;对于带有度量误差的材积模型,使用度量误差模型方法进行估计效果更好。      

两种生物量模型的比较

CAR模型和VAR模型是生物量模型研究与应用中最常用的形式．用再抽样的方法，从模型参数的稳定性、模型的预估能力分析、比较了两类模型，结果得出：CAR模型不仅参数估计值稳定,而且预估能力强。     

基于个体优势遗传算法的水稻生育期模型参数优化

【目的】快速并准确估算作物生育期模型参数。【方法】本文提出了一种新的改进型遗传算法——个体优势遗传算法（individual advantages genetic algorithm,IAGA）,并应用于水稻生育期模型参数估算。在遗传算法的基础上引入个体优势算子,并改进了变异算子及种群更新策略。以完全嵌入方式耦合RiceGrow和ORYZA2000水稻生育期模型,实现了模型参数的自动率定。利用汕优63等5个水稻品种在徐州、高要等地的多年田间试验资料,对IAGA算法的有效性进行对比试验。【结果】（1）试验验证结果的RMSE<3.05 d,NRMSE<3.19%,MDA<2.41 d,R2>0.9885,表明利用IAGA获得的模型参数准确性较高。（2）调参的实测数据量大小对调参结果影响不大。由3年数据增加到6年数据,试验拟合结果最大NRMSE值由2.58%增大到3.08%,增加了0.5%。选择隔年并包含全生育期天数最大值与最小值的调参数据,可以获得较准确的模型参数值。（3）IAGA与复合形混合演化算法、遗传模拟退火算法以及标准粒子群算法相比,可获得更准确的模型参数值。【结论】IAGA算法可以实现水稻生育期模型参数的自动率定,为作物生长模型参数的快速准确估算提供了一种有效新方法。     

Neural network modelling of flat-plate solar collectors

In this study, different approaches to the modelling of flat-plate solar collectors are introduced and analysed. Among the physically based models, the heat network model and Hottel–Vhillier (H–V) models are discussed. The parameters of the latter model are identified for three different types of these solar collectors. The identification exhibited good agreement with the measured values. Finally, modelling simulations with an artificial neural network (ANN) technique were carried out. A sensitivity study was performed on the parameters of the neural network. The possible ANN structures, the size of training data set, the number of hidden neurons, and the type of training algorithm were analysed in order to identify the most appropriate model. The same ANN structures were trained and validated for the three solar collectors, using data generated from the H–V model and long-term (17 days) measurements.     

Method of approximation and calibration of the Mitscherlich-Spillman-Baule-von Boguslawski model

The type of mathematical model of the production function is very important for an adequate prediction of optimal fertilizer rates and their effect on yield. In this case, easily calibrated regression models can’t be used for extrapolation, and the models proposed by Mitscherlich, Spillman, Baule, and von Boguslawski are difficult to calibrate even in the one-dimensional case. An explanation of the good approximating capacity of logarithmic transformation of the argument of the linearizing ascending branch of the production function is found on the basis of model investigations. An algorithm for simplified calibration of the von Boguslawski mathematical model is developed: (1) transform fertilizer rates into a logarithmic form after introducing a correction for the initial content of the nutrient element in soil; (2) estimate the maximum yield under experimental conditions; convert the yield data into a relative form; (3) discriminate the data based on the interval permissible for approximation; (4) find the parameters of the linear model by the least-squares method and on their basis calculate the parameters of the von Boguslawski model, thereby correcting the form of the approximation and obtaining the possibility of its extrapolation.     

Predictions of apple bruise volume using artificial neural network

Bruise damage is a major cause of fruit quality loss. Bruises occur under dynamic and static loading when stress induced in the fruit exceeds the failure stress of the fruit tissue. In this article the potential of an artificial neural network (ANN) technique has evaluated as an alternative method for the prediction of apple bruise volume. Neural bruise estimation models were constructed to calculate Golden Delicious apple bruise volume with respect to fruit properties. The neural models were built based upon impact force and impact energy as the main input parameters including fruit curvature radius, temperature and acoustical stiffness. Optimal parameters for the network were selected via a trial and error procedure on the available data. In this paper, the performance of Basic Backpropagation (BB) training algorithm was also compared with Backpropagation with Declining Learning Rate Factor algorithm (BDLRF). It was found that BDLRF has a better performance for the prediction of apple bruise volume. It is concluded that ANN represents a promising tool for predicting apple bruise volume in comparison to regression model.     

基于遗传算法的自然灾害预测方法研究

本文提出了采用遗传算法建立自然灾害预测模型的方法和步骤，根据1959—2000年山东省农业受灾面积统计数据．分别建立了含有一个周期分量和两个周期分量的长期预测模型。研究表明，遗传算法可以用于自然灾害变动的复杂预测模型的参数估计，理论上可以任意逼近参数的最优值。     

基于ENVISAT ASAR数据的水稻遥感监测

以江苏省兴化市水稻试验区为例,利用单时相多极化ENVISAT ASAR(Advanced Synthetic Aperture Ra-dar)数据进行水稻识别和生长参数反演。通过分析水稻和其他地物在该时相上的VV极化和HH极化后向散射特征,选择合适的阈值和条件,利用阈值分类算法从影像中提取水稻分布。另外,利用实测水稻生长参数和获取的植被指数(NDVI)数据与水稻后向散射系数进行相关性分析。分析结果表明,水稻VV极化后向散射强度与水稻形态结构、叶面积指数和生物量具有较好的相关性,而水稻HH极化后向散射强度对水稻冠层含水量的变化更敏感。基于上述分析,建立反演水稻株高、叶面积指数和NDVI等参数的关系模型。经过验证,水稻识别精度为84.36%,反演的水稻生长参数的空间变化和实际情形相符合。     

模糊数据分析的可能性线性系统

H.Tanaka等提出的可能性线性系统是模糊数据分析的重要分支,本文把求解模糊参数的均值和展作先后处理,提出4种可能性线性系统模型,这些模型对模糊效据的拟合,均较Tanaka模型为优,本文论证新模型解的存在性、解法以及数据分析的性质,并与Tanaka的3种模型作比较。     

基于神经网络系统的附着系数计算模型

对几种附着系数计算模型进行了深入研究,在全面分析了主要影响附着系数因素的基础上,采用神经网络优化算法,分别建立了以路面状况、胎压及车速为输入,以附着系数为输出的3种轮胎花纹的神经网络附着系数计算模型,并验证了模型的有效性。该模型能够计算汽车在不同的行驶工况下的轮胎/路面间的附着系数,从而为附着系数实时监控提供理论依据,为行车安全提供保障。     

Forecasting agricultural output with an improved grey forecasting model based on the genetic algorithm

Agriculture is the foundation of the national economy. Thus, an appropriate tool for forecasting agricultural output is very important for policy making. In this study, both modified background value calculation and use of a genetic algorithm to find the optimal parameters were adopted simultaneously to construct an improved GM(1,1) model (GAIGM(1,1)). The sample period of the forecasting models includes the annual values for the data of Taiwan’s agricultural output from 1998 to 2010. The mean absolute percentage error and the root mean square percentage error are two criteria with which to compare the various forecasting models results. Both in-sample and out-of-sample forecast performance results show that the GAIGM(1,1) model has highly accurate forecasting. Therefore, the GAIGM(1,1) model can raise the forecast accuracy of the GM(1,1) model, and it is suitable for use in modeling and forecasting of agricultural output.