基于L-M优化算法的BP神经网络的作物需水量预测模型

应用L-M优化算法BP神经网络，通过多维气象数据(太阳辐射、空气温度、湿度)与作物需水量的相关分析，来确定网络的拓扑结构，建立作物需水量的人工神经网络模型。用美国田纳西州大学高原实验室所测的100 d气象数据为输入、作物需水量为输出来训练建立好的BP神经网络，仿真表明该神经网络能很好地解决需水量多影响因素之间的不确定性和非线性，模型的预测精度较高，同时通过一组非样本天气环境参数和作物需水量来验证该神经网络，也得到了较好的预测结果，能够满足灌溉的精度要求。     

基于粒子群参数优化和BP神经网络的颗粒饲料质量预测模型

针对颗粒饲料产品受配方原料、加工参数变化而带来的质量波动问题,提出了一种以误差反向传播算法神经网络（back-propagation neural network,BPNN）为核心,平均影响值法（mean impact value,MIV）为数据预处理方法,粒子群算法（particle swarm optimization,PSO）为关键参数优化算法的颗粒饲料质量预测模型。基于面向实际建立的输入输出指标体系,使用实地采集的颗粒饲料生产数据对模型进行训练和测试,测试结果显示实际值与模型预测值呈显著正相关,决定系数R2均在0.94以上;平均绝对误差、平均绝对百分比误差及均方根误差显示预测精度达到较高水平,各误差平均值依次达到0.442、2.185%和0.5481。以多元线性回归模型及基本BPNN模型预测结果对比可以发现,MIV-PSO-BPNN预测模型预测性能有显著提升,各输出误差优化幅度从39.55%～91.80%不等,平均优化幅度分别达到84.99%和56.95%;同时相对误差变化趋势图显示MIV-PSO-BPNN预测模型具有更优的预测稳定性,相对误差极值差降幅均值达91.46%。该研究为颗粒饲料质量控制提出了一种新思路,可为饲料行业高效低耗生产提供理论依据。     

基于BP网络的高新技术产业用地适宜性评价

在分析目前用于土地适宜性评价主要方法及其存在主要问题的基础上,引入了人工神经网络理论来解决自动定权问题.根据构建的高新技术产业土地适宜性评价指标体系,应用GIS和BP神经网络的L-M优化算法对济南市高新技术产业用地适宜性进行了评价.结果表明:济南高新技术产业用地的土地适宜性可划分为5类,模拟结果比较理想.     

基于R-BP神经网络的温室小气候多步滚动预测模型

温室高效生产依赖于适宜的温室小气候环境,建立高精度的温室小气候多步预测模型对实现温室环境优化调控具有重要意义。本研究提出一种基于滚动的反向传播神经网络（Rolling Back Propagation Neural Network, R-BP）的温室小气候多步滚动预测模型。模型主要包括两个阶段：（1）建立初始的BP神经网络。采用自动编码器无监督学习方法获取初始网络参数,并利用改进的粒子群算法优化网络参数。（2）建立滚动的BP神经网络群。将前一个网络输出作为后一个网络的部分输入进行滚动训练和预测,实现温室小气候多步滚动预测。为验证R-BP模型的有效性,在阿拉伯联合酋长国阿布扎比市的自控温室和中国苏州市的非自控温室分别进行试验。验证试验表明,与传统BP神经网络相比,在阿布扎比温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低69.9%,预测相对湿度,其平均误差降低47%;在苏州温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低43.3%,预测相对湿度,其平均误差降低55.6%。说明R-BP模型能够较准确预测未来6h内温室小气候环境变化,可为制定温室小气候优化调控方案提供依据。     

基于RBF神经网络的土壤侵蚀预测模型研究

土壤侵蚀的物理机理十分复杂,用数学方式难以描述.针对土壤侵蚀过程的模糊性、随机性、非线性等特点,将RBF神经网络的理论与方法应用到土壤侵蚀预测中.以杏木小流域为研究对象,应用RBF神经网络方法构建土壤侵蚀预测模型,以汛期降雨量、径流系数、土壤容量、有机质含量及孔隙度土壤侵蚀因子作为模型的输入层变量,输出层变量为年土壤侵蚀模数.通过模拟训练和预测,RBF神经网络取得的结果较好,能够有效地预测土壤侵蚀,且与常见的BP神经网络土壤侵蚀预测模型相比,RBF神经网络得到的预测结果精度更高.RBF神经网络模型将土壤侵蚀预测问题转化为影响因子和年侵蚀模数的非线性问题,该模型的模拟与预测为复杂的土壤侵蚀规律研究提供了新途径.     

基于蜣螂算法优化BP的冬夏生菜根区温度预测模型

为解决生菜应用营养液膜技术（nutrient film technique,NFT）在冬夏季根区温度控制的问题,该研究基于机器学习方法,结合温室内外历史环境数据,构建BP神经网络根区温度预测模型。为提高模型精度,采用蜣螂算法（dung beetle optimizer, DBO）优化BP神经网络模型的输入权重和阈值,构建了冬夏两个季节的基于DBO-BP神经网络的栽培槽内根区温度预测模型,并与GA-BP、BP神经网络模型进行对比。结果表明,根区温度预测值与真实值变化趋势较为一致,DBO-BP模型温度预测最大误差为2.21°C,决定系数为0.943,而GA-BP与BP模型决定系数分别为0.928、0.892;DBO-BP模型评价指标的均方根误差、平均绝对误差分别为0.707、0.549°C,均小于其他模型评价指标。DBO-BP神经网络可满足在NFT栽培中根区温度预测精度的需求,能够为生菜栽培根区快速控温提供有效方法。     

基于L-M优化算法的水稻螟虫预测模型及其初步应用

农村稻区水稻螟虫发生量与多种气候因素相关，各因素之间存在相互作用，是非线性系统。神经网络能有效地描述非线性模型多输入和不确定的特性。传统的BP网络在训练时易陷入局部极小点从而导致训练时间长、收敛速度慢，采用Levenberg-Marquardt优化算法(简称L-M算法)能克服其缺点。在MATLAB中应用L-M算法对辽宁盘锦田间稻区进行水稻螟虫发生量的仿真预测，试验结果表明L-M优化算法的预测精度和收敛速度明显提高，为稻区防控虫害和精确喷药提供参考，具有实用价值。     

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。     

基于数量化理论和BP神经网络的滑坡体积预测

[目的]探讨数量化理论Ⅲ和BP神经网络在滑坡中综合应用的效果,为滑坡体积的预测提供一种新的思路。[方法]采用数量化理论Ⅲ分析滑坡体积的影响因素及其耦合作用强度,并结合其分析结果,将次要因素和强耦合程度样本进行剔除,再依据其剔除的不同阶段构建3种滑坡体积的BP神经网络预测模型。[结果]滑坡体积的主要影响因素是坡角、坡向、植被覆盖率和坡高,次要影响因素是岩层倾角、斜坡高程和岩层倾向因素,且在不同样本中,体积影响因素之间的耦合程度具有一定的差异。[结论]该预测方法可行,对次要因素和强耦合程度样本的剔除,提高了预测精度。     

基于深度神经网络与热红外成像高光谱数据的黑土土壤全磷含量预测研究

土壤磷素含量是评价土壤养分的重要指标之一。利用热红外发射率数据对土壤全磷含量进行反演的研究较少且多使用常规线性回归方法,本文利用东北海伦地区采集的热红外航空成像光谱仪TASI（Thermal Airborne Hyperspectral Imager）数据,通过机器学习方法探究黑土土壤发射率与全磷含量关系,选出最优模型对研究区土壤全磷含量进行预测研究。结果表明:在8 ~ 11.5 μm范围内,土壤热红外发射率值随着全磷含量的增加而增加;除原始光谱10.792 μm这一波段外,发射率值及其数学变换与全磷含量相关系数均在0.5以下,相关性较弱;在DNN（Deep Neural Networks）训练集和测试集中,从模型精度和PSO（Particle Swarm Optimiazation）算法优化时间来看,弹性传播训练算法（RP）表现最佳,决定系数R2分别为0.51、0.7,均方根误差RMSE分别为0.0443、0.0301;激活函数对本次构建的网络精度影响非常有限,激活函数为Tansig和ReLU的深度神经网络模型训练集精度基本与偏最小二乘及逐步回归模型一致,测试集精度有所提高但稳定性较为欠缺;研究区土壤全磷含量整体较高,水田和旱田含量均大于0.8 g kg?1,城镇及建筑群密集程度与土壤全磷含量呈负相关,与偏最小二乘模型对土壤全磷含量预测结果相比,神经网络模型对研究区土壤全磷含量小于0.6 g kg?1和0.6 ~ 0.8 g kg?1两区间做了更多划分,将更多人为活动密集区附近像元划分到该含量区间内,从而使得预测含量更加符合真实情况分布;总体来看,全磷含量最高值集中分布于研究区西部、西北及西南部,但在东部及其北部区域则呈无规律性分散分布,中部地区及其余地区含量值大多为0.8 ~ 1.0 g kg?1。综上,合适调参的深度神经网络模型在反演土壤元素类问题中的表现与偏最小二乘及逐步回归等方法相比更加具有发展的潜力,在样本数据量足够的前提下,深度神经网络能够得到充分训练从而使得预测结果更加精确、稳定。     

基于BP神经网络和概率神经网络的水稻图像氮素营养诊断

【目的】实现图像氮素营养诊断需要关键指标的确定和建立快速处理海量图像数据的模型。本研究筛选了水稻氮素营养诊断的敏感时期和部位,优化了图像处理技术参数,并比较了BP神经网络和概率神经网络两种建模方法对养分诊断的可靠性,为利用计算机视觉虚拟技术快速精准判断作物生长营养状况、反演生长过程提供思路和方法。【方法】本研究以超级杂交稻‘两优培九’为试验对象进行了田间试验。设置4个施氮(N)水平:0、210、300、390 kg/hm^2。在水稻幼穗分化期及齐穗期,扫描获取水稻顶一叶、顶二叶、顶三叶叶片、叶鞘图像数据,共1920组。通过图像处理技术,获取19项水稻特征指标。分别应用BP神经网络和概率神经网络对19项水稻特征指标进行水稻氮素营养诊断识别,并对诊断指标进行了优化和标准化。比较了两个建模方法的灵敏性。【结果】1)幼穗分化期水稻的整体识别准确率均高于齐穗期水稻的整体识别准确率;三个部位叶片的图像数据,以顶三叶最为可靠;2) BP神经网络对幼穗分化期及齐穗期水稻19项特征指标进行氮素营养诊断的整体识别准确率均高于概率神经网络。其中BP神经网络对幼穗分化期顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达90%。概率神经网络对幼穗分化期顶二叶、顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达82%。【结论】幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断识别,可作为氮素营养诊断的有效时期和部位。叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。识别效果以BP神经网络好于概率神经网络方法,其整体识别准确率达90%。     

基于BP神经网络自动提取沟谷研究

 提出将提取沟谷的过程转化为根据地形因子综合判定地貌类型的思路。以陕西绥德黄土丘陵沟壑区域1∶1万地形图制作的分辨率为5 m的DEM为研究对象,运用BP神经网络分析6种地形因子与沟谷地形的相互关联关系,认为降水累积量是判定沟谷地形的最重要因子。在试验样区建立BP神经网络,利用4种地形因子自动提取沟谷,并在检验样区通过了检验。     

水稻需水量预测的小波BP网络模型

结合BP网络和小波分析的优势，建立一种水稻需水量预测的小波BP网络模型，旨在准确预测水稻需水量，为制定合理的灌溉制度与提高水分利用效率提供重要依据。该文以小波函数代替传统BP网络中的S型激活函数，对三江平原富锦灌区16年的水稻需水量实测序列进行分析，网络结构为6-10-1，训练355次时，精度达到0.01。结果均优于BP算法、RAGASABP模型，表明该模型收敛速度快，预测精度高，为该领域研究提供了新的思路。     

基于4种不变矩和BP神经网络的稻飞虱分类

针对稻飞虱远程实时识别采集图像质量不高的问题,研究了基于不变矩提取形状特征值对稻飞虱进行分类。采用自行设计的拍摄装置采集稻飞虱图像,进行灰度化后用大津法二值化,再用数学形态学滤波;对二值图像采用Hu矩、改进Hu矩、Zernike矩和Krawtchouk矩4种不变矩分别提取特征值,再用BP神经网络进行训练和测试,以此检测4种矩的提取效果。试验用Matlab2008验证算法,对白背飞虱、褐飞虱和灰飞虱共300个样本进行了训练和测试,结果表明Krawtchouk矩提取稻飞虱图像形状特征值的识别率最高,总体达到了91.7%。该文可为大田中现场识别稻飞虱提供参考。     

BP神经网络在道路土壤分离速率模拟中的应用

 土壤分离是土壤侵蚀的重要过程,为坡面径流的搬运过程提供了物质基础,因而对土壤分离速率的准确模拟具有重要的理论和实践意义。采用变坡水槽实验,利用在较大的坡度(8.8%～46.6%)及较大的流量范围(1～5L/s)内测得的黄土高原道路土壤分离速率数据,分别使用BP神经网络模型及回归模型对土壤分离速率进行模拟,并对比上述2种模型的模拟效果。结果表明:BP神经网络模型可以利用实验中较容易测定的坡度、流量等数据对土壤分离速率进行较为准确的模拟(模型效率系数0.952);相对传统回归模型,BP神经网络模型对不同类型道路的土壤分离速率的模拟精度均有所提高;BP神经网络模型可以将道路类型、坡度、流量与土壤分离速率的关系统一为一个模型,可为道路土壤分离的模拟提供新的方法。     

基于粗糙集和BP神经网络的棉花病害识别

为了提高棉花病害的识别率,提出了一种在自然环境条件下基于粗糙集和BP神经网络的棉花病害识别方法。该方法以轮纹病、角斑病、褐斑病和盲椿象为研究对象,将病害棉花图像从RGB颜色空间转换到HSI和L*a*b*颜色空间,应用Otsu算法对H分量、a*分量和b*分量进行阈值分割,通过H+a*+b*分量与原始图像的交集提取棉花病斑区域,利用颜色矩和灰度共生矩阵分别提取病斑的颜色和纹理特征,并结合粗糙集理论和BP神经网络,实现特征向量的优选,和棉花病害的识别。通过比较试验发现,粗糙集理论能有效减少特征维数,使提取的全部特征向量16个减少到5个,使BP神经网络的训练时间缩短到原来的1/4,且棉花病害平均识别正确率达到92.72%。研究结果表明,该方法准确识别了4种棉花病害,为棉花病害的防治提供了有效的技术支持。     

基于BP神经网络模型的荔枝树叶面积测定方法

为了准确、快速地测定荔枝树叶面积，设计了一个BP神经网络模型，输入参数为叶片长度和叶片最大宽度，输出参数为叶面积。用LI-3000A型叶面积仪测量所得到的样本数据对网络进行训练，测试样本的网络输出与网络目标的相关系数达0.99609，网络模型是有效的。用训练后的网络模型对10组未参加建模的样本数据进行叶面积测定，误差平方和为1.2929，优于回归方程法的2.511。训练好的BP神经网络模型可以在不破坏叶片的情况下，简单、快速、经济地测定大量的荔枝树叶片面积。     

采用BP神经网络和Burgers模型的细观参数标定

PFC软件作为一款成熟的离散元分析软件,由于在处理连续与非连续介质方面的出色表现,得到了广泛的应用。但是PFC软件所需要的细观参数均需要采用室内试验数据通过试错法反复调试才能获得,效率低、盲目性高,严重影响后续试验数据,因此急需一种新的细观参数校准方法。本文以玉米秸秆颗粒的单轴蠕变试验为基础,结合离散元软件PFC 2D,通过正交试验多因素方差分析方法分析了Burgers模型宏细观参数之间的影响关系,从而证明宏细观参数之间存在着复杂关系,不宜采用通过回归分析获得宏细观参数之间的关系式的方式标定细观参数,适合利用BP神经网络进行参数标定,利用创建的BP神经网络对细观参数进行标定,根据测试组的标定结果分析得出Burgers模型各细观参数的标定精度均在92%以上,且误差较为稳定,而且训练好的神经网络相关系数R>0.96,从而证明BP神经网络的细观参数标定性能较为可靠。将玉米秸秆单轴蠕变试验的宏观参数带入训练好的BP神经网络中进行细观参数标定,比对模拟蠕变试验与物理蠕变试验发现,两者的蠕变曲线基本一致,应变量的最大误差为2%,证明了BP神经网络具有良好的参数标定能力,可为PFC参数标定提供一定的参考价值。     

应用LM算法的神经网络模型研究灌区退水问题

在一些引黄灌区中,灌溉引水的相当大部分要转化为退水回归黄河,灌区退水研究对这部分水量的重新利用有着重要的意义。该文采用相关分析的方法确定了灌区退水的主要影响因素,应用LM算法的神经网络模型对灌区退水的量化分析方法进行了探讨。实例研究表明,模型能够较准确的对灌区退水量进行模拟和预测,对灌区退水问题研究具有较好的应用价值。