基于时间序列GA-SVR的水产品价格预测模型及验证

水产品价格的准确预测有助于合理规划水产养殖,正确引导水产行业的发展。根据水产品价格序列的非线性、非平稳和周期性特点,提出了一种基于时间序列遗传优化(genetic algorithm,GA)支持向量回归(support vector regression,SVR)的水产品价格预测模型。该模型首先通过时间序列分析方法对价格序列进行平稳性检验和确定相关阶数,得到训练数据集;再利用遗传算法对支持向量回归模型的参数组合进行寻优,使用优化后的参数建立支持向量回归模型,然后使用模型进行预测。分别选取桂鱼、基围虾、梭子蟹的价格数据对模型进行验证,选取2011-2014年的数据作为训练集,对2015年价格进行预测,结果表明:桂鱼、基围虾、梭子蟹的平均绝对误差分别为6.70%、7.82%、14.76%,均方根误差分别为5.853 1、23.701 1、13.858 0,且优于基于时间序列的SVR模型及BPANN模型的预测结果,可以为水产品价格的预测提供依据。     

省域农村发展可持续性评价的BP法

可持续发展是当今研究的一个热点问题,与此密切关联的对可持续性状态进行评价的方法也层出不穷;然而,迄今为止,可持续发展方面的研究中,还没有一种评价体系和预测方法,能得到普遍应用和认可。拟运用BP算法的良好的预测功能,以27个省区的反映各省农村可持续性发展状况的16项指标作为输入变量,以赋值量化的可持续性状况作为训练目标,进行网络训练;之后,根据训练好的网络,对未参与训练的其它4个省区的农村发展可持续性状况进行预测;最后,将预测的结果与该4省区已知的农村可持续发展状况进行比较和评价。本方法尝试的结果表明,BP法能较好地用在对省域农村发展可持续性进行预测和评价上。     

基于BP神经网络的城市边缘带土壤重金属污染预测——以成都平原土壤Cd为例

随着成都平原城市化快速发展,城市边缘带土壤重金属污染风险逐渐增大。而关于社会经济对土壤重金属污染定量影响的研究方法还较为欠缺。本文利用BP人工神经网络方法,建立了12输入、1输出、1个隐含层的三层BP神经网络,定量研究成都平原城市发展中社会经济影响因素与土壤重金属Cd含量间的内在联系。网络拟合精度达97.02%,模型拟合程度高。运用该BP网络模型对城市化影响下城市边缘带土壤重金属Cd含量进行预测,其预测精度为84.19%,明显高于传统回归模型71.55%的预测精度,体现出神经网络预测模型的优越性。利用2005年和2010年各影响因素的预测值,将这两组值分别作为网络的输入,并和以前的样本合并再重新训练更新网络权值,得到2005年和2010年各区/县土壤重金属Cd预测值。     

基于监测数据和BP神经网络的食品安全预警模型

以中国实际食品安全监测数据为样本,研究基于BP神经网络的食品安全预警方法。首先对食品安全日常监测数据进行筛选简化,选择其中与食品安全最为密切的167种检测项目,以此检测项目为指标按月度划分建立数据样本。然后建立以167种检测项为输入层,包含2个隐层,以化学污染、农药残留、兽药残留、重金属、微生物致病菌5大类为输出层的食品安全预警神经网络模型,最后用所得数据样本进行训练和验证。结果表明,基于BP神经网络的食品安全预警方法能有效识别、记忆食品危险特征,能够对输入样本进行有效的预测,研究有助于丰富食品安全数据的处理方法,有助于完善相关预警技术手段。     

应用自适应神经模糊推理系统(ANFIS)的ET0预测

参照作物腾发量是计算作物需水量和进行灌溉预报的基础要素。该文利用自适应神经模糊推理系统(ANFIS)所具有的直接通过模糊推理实现输入层与输出层之间非线性映射能力，和神经网络的信息存储和学习能力，将其应用于参照作物腾发量预测中。根据相关分析，输入变量选择日照时数和日最高气温；用5年共1827个数据组对系统进行训练，建立了参照作物腾发量预测系统。利用该系统对近年213个数据组进行了实际预测，与Penman-Monteith方法计算结果进行比较，结果相关性良好。     

柿子可溶性固形物含量的可见-近红外光谱检测

为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。     

基于高斯过程混合模型的大气温湿度预测

温湿度预测在国民经济各领域有重要作用,实现温湿度精准预测可有效提高农业生产及保障行人安全,室内温湿度预测有助于植物健康生长,减少经济损失;室外温湿度预测对行人安全及航空等科研起保障作用。针对现有温湿度预测效果不佳且不能实现多模态预测,该文采用高斯过程混合(gaussian process mixture,GPM)模型进行大气温湿度多模态预测。另外为了提升模型学习效率,给GPM模型提出了的一种隐变量后验硬划分迭代学习算法。该算法采用一种新的近似策略,利用最大后验估计不断矫正样本划分,借助迭代学习实现样本最优分组。在用自相关函数和最大Lyapunov指数等解析评价温湿度序列基础上,将GPM模型与核回归(kernel-regression,K-R)、最小最大概率机回归(minimax probability machine regression,MPMR)、线性回归(linear-regression,L-R)、高斯过程(gaussian process,GP)等传统预测模型进行比较。结果表明GPM不仅能够实现多模态预测,而且预测准确率要明显优于其它传统模型。最终湿度预测最优结果RMSE=0.062 0、R~2=0.936 2,训练耗时为113.417 5 s;温度预测最优结果 RMSE=0.042 6、R~2=0.966 6,训练耗时为90.0049 s。由于GPM为无环境因子输入模型,因此该文的研究不仅对大气温湿度预测有促进作用,同时对室内及固体表面温湿度预测具有一定借鉴价值。     

基于时延神经网络的多深度土壤含水率预测

为精准预测大田土壤含水率,并掌握不同深度土壤含水率分布规律,针对大田土壤含水率时序数据的非线性特点及相邻深度土壤含水率间具有较强关联关系,该文建立3层时延神经网络大田多深度土壤含水率预测模型,用以实现对6个不同深度(10、20、30、40、50和70 cm)土壤含水率预测。利用试验法确定预测模型的隐含层节点个数、训练学习算法和训练集样本量。试验结果表明:隐含层使用10个节点,采用L-M(Levenberg-Marquardt)训练算法,采用45%样本集数据作为训练样本,55%作为测试样本集,对所建预测模型进行预测,10和20 cm的预测相对误差小于7%,而30、40、50和70 cm的预测相对误差小于4.5%。因此利用基于时延神经网络的多深度土壤含水率预测模型,可为掌握土壤含水率分布动态变化规律提出一种解决方案。     

流场分析与智能建模在机油泵CAD中的联合应用

针对发动机机油泵新产品设计过程中性能预测难和试验成本高的问题,提出一种将流场数值模拟和神经网络智能建模预测技术联合应用于机油泵产品设计过程的新方法。结合机油泵初始设计结构尺寸,建立其内部流场的CFD（computathonal fluid dynamics）仿真模型;通过流场数值模拟分析,获取一定量的机油泵转速、供油压力、供油温度和供油流量数据;构建描述机油泵供油特性的BP神经网络模型,利用流场数值模拟结果数据作为样本训练该网络模型;最后利用训练好的BP神经网络智能模型对各种工况下机油泵的供油特性进行预测分析。实例验证结果表明,采用文中方法取得很好的仿真分析效果,可以用于在设计阶段对发动机机油泵产品的结构进行优化并调控产品的工作特性。     

基于多值神经元复数神经网络的土壤墒情预测

为指导节水灌溉策略的制定,利用基于多值神经元的复数神经网络(multilayer neural network with multi-valued neurons,MLMVN)方法,建立了土壤墒情多步预测模型。首先,利用均值法替换样本中的异常值并对缺失值进行补充,并由数据分析知土壤墒情数据为非平稳的非线性时间序列。然后,根据土壤墒情与环境因素(降雨量、气温和风速)的相关性分析结果选择降雨量为关键环境因素。最后将土壤墒情、降雨量及目标土壤墒情复数化,作为网络输入和期望输出建立MLMVN预测模型。结果表明,网络结构为240-15-1200-1时单步预测精度为0.883,采用循环预测法进行步长为72的多步预测,平均预测精度为0.853,比实数域误差反向传播神经网络BP提高了9.1%。研究表明,MLMVN模型多步预测误差累计小,预测结果可作为该地区节水灌溉策略制定的理论依据。     

基于云计算平台的智能预测模型研究

本文针对不同用户对鲜切花价格预测数据的需求,提出了一个基于云计算平台的智能预测模型。通过对BP神经网络算法进行改进,建立鲜切花智能预测模型,利用云服务创建服务接口,在云服务中实现数据信息共享。分析结果显示：该平台具有实用性,在云计算平台上获取了低成本、高质量的数据。     

基于人工神经网络的坡面土壤侵蚀研究

 基于坡面土壤侵蚀产沙的复杂非线性特性,引用3层前馈型BP网络建模方法,对不同耕作措施坡面土壤侵蚀产沙进行模拟,模型输入层变量数为5个,分别代表降雨强度、坡度、坡长、土壤前期含水率和土壤容重,输出层变量为次降雨土壤侵蚀产沙量,并利用野外人工模拟降雨试验所得到的不同耕作措施(等高耕作、人工掏挖、人工锄耕和直线坡)坡面土壤侵蚀产沙实测资料,对网络进行模拟训练和预测,取得了较好的结果。该模型的建立与求解,为复杂坡面土壤侵蚀规律的研究提供了一条新途径。     

基于支持向量机模型和图像处理技术的甜椒叶面积测定

叶片是作物进行光合作用的重要器官,是研究作物对光能吸收的一个主要的生物学指标。应用支持向量机理论,建立了支持向量机叶面积模型,输入参数为叶片长度、叶片最大宽度,输出参数为叶面积。通过对应用计算机图像处理技术测量所得到的样本数据进行训练,以叶片的长度、宽度作为输入参数对叶面积进行模拟及检验,并将模拟结果与线性回归和人工神经网络模型进行了对比。结果表明,支持向量机叶面积模型的最大误差为6.09%,平均误差为2.73%,模拟精度达到0.996。该方法能较真实地反映甜椒叶面积的实际大小,具有较好的实用价值和应用前景。     

基于PCA-RBF神经网络的烟田土壤水分预测

为建立烟田土壤水分预测模型以利于烟区种植的规划和管理,该文提出了基于主元分析（PCA）与径向基函数（RBF）神经网络模型的烟田土壤水分预测方法。首先,利用PCA消除原始输入层数据的相关性,以解决神经网络建模时输入变量过多、网络规模过大导致效率下降的问题;然后,以主元模型结果为输入建立土壤水分RBF神经网络预测模型。实例研究表明,烟田土壤水分PCA-RBF神经网络预测模型具有较好的预测效果,平均预测精度达到96.02%,与全要素误差反向传播（BP）神经网络和RBF神经网络相比,平均预测精度分别提高5.20%和6.06%,完全符合实际烟区种植规划的需求,为研究其他类型的土壤水分预测提供了参考。     

基于深度置信网络的农用地基准地价评估模型

该文针对现有基准地价评估模型主观性较强及精度不够等问题,提出了一种基于深度学习思想的农用地基准地价评估方法,构建了样本特征集合与地价标签集合的深层网络结构映射关系,并以广东省普宁市农用地基准地价评估为实例,验证了模型的可行性和有效性。结果如下：1）与神经网络、支持向量机这类浅层学习模型相比,深度置信网络模型其对地价的拟合精度要高出3.61%,3.12%;2）在训练样本只有300时,深度置信网络模型对地价的拟合误差为16.43%,比神经网络、支持向量机模型的拟合精度最少要高出6.76个百分点;3）深度置信网络模型对单个样本的运算时间及内存占用比神经网络、支持向量机模型都要高,但在评估精度都达到95%左右的情况下,深度置信网络模型所需训练样本较少,支持向量机训练时间为193 s,而深度置信网络模型耗时187 s,两者耗时基本持平;4）基于DBN模型对耕地评估单元的地价测算结果,将将普宁市耕地评估单元划分为5级,然后利用面积加权法求取对应的级别基准地价范围为21.34～26.23元/m2。上述试验结果表明该方法在对样本点地价的评估精度上要优于传统的浅层方法,并且该模型计算所得普宁市耕地基准地价与耕地质量在空间分布规律上保持一致。     

基于径向基函数神经网络的地下水数值模拟模型的替代模型研究

近年来提出的替代模型方法是一种连接数值模拟模型与优化模型的有效途径,替代模型质量的好坏取决于采样方法和替代模型种类。以金泉工业园区地下水水源地为研究区,基于拉丁超立方抽样方法,结合研究区地下水数值模拟模型,获取输入(抽水量)输出(水位降深)数据集,运用人工神经网络方法,建立径向基函数神经网络模型,作为地下水数值模拟模型的近似替代模型。经验证,径向基函数神经网络模型输出得到的水位降深均值与模拟模型计算结果的拟合平均相对误差为0.038;水位降深剩余标准差的拟合平均相对误差为0.042。拟合平均相对误差较小,表明径向基函数神经网络模型能够有效地替代地下水数值模拟模型,为日后替代模型的深入研究提供了科学依据。     

基于信号分解和深度学习的农产品价格预测

农产品价格的稳定对社会经济与农业发展有重要意义,但农产品价格的波动具有非平稳、非线性、波动性大的特性,较难精确预测。该研究基于信号分解和深度学习,提出一种分解-重构-提取-关联-输出的农产品价格预测模型(CT-BiSeq2seq),并且加入平均气温、养殖成本(大猪配合饲料与尿素价格)、群众关注度等多维度数据来提高模型的预测精度。首先,采用互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)方法把复杂的原始价格序列分解为简单序列。其次,分析皮尔逊相关系数及分解后的子序列,把原始价格序列重构为高频项、低频项、残差项。再经过时间卷积网络(Temporal Convolutional Network,TCN)提取重构序列的数据特征。随后,构建Biseq2seq模型,解码器引入双向长短期记忆网络(Bi-directionalLongShort-TermMemory,Bi-LSTM)加强序列数据间的全局关联。最后,通过解码器的LSTM网络输出预测值。以北京丰台区批发市场的白条猪肉价格进行实证分析,该研究提出的CT...     

黄土区不同土地经营方式径流量神经网络模拟

基于黄土坡面降雨—径流关系的复杂性和非线性,引用3层前馈型BP网络模型,对不同土地经营方式(草灌地、刈割地、翻耕地)径流量进行模拟,以植被盖度、降雨强度、坡度、土壤前期含水率和土壤容重5个因子作为输入层变量,次降雨下径流量作为输出层变量。利用野外人工模拟降雨试验所得到的不同降雨强度下各类土地经营径流小区的径流量实测资料,对网络进行模拟训练并预测,径流量平均误差不超过10%,且径流量较大的翻耕地训练精度及预测结果较草灌地、刈割准确性更高些。与传统回归统计方法进行了误差比较,结果表明,该模型能更好地预测次降雨的径流量。     

基于数据包络分析和人工神经网络的变量施肥决策方法研究

采用数据包络分析(DEA)方法评价玉米施肥单元的投入产出技术效率，把非DEA有效的单元进行投影，使之DEA有效，所获得的投影数据供神经网络训练使用。建立3层BP神经网络模型，以土壤养分和产量为输入，以施肥量为输出，并结合输入输出的价格因素扩展模型，实现利润最大化决策。该模型既为充分使用所有试验数据引入了可行方法，又弥补了传统施肥决策方法中非线性关系描述的不足。应用表明，该模型可以揭示施肥单元的需肥特性和提供最佳施肥方案，目标产量不超过9750 kg/hm²时，预测结果较合理。