基于Matlab的人工神经网络用水量预测模型

寻找一种适当的方法来科学地预测城市生活需水量,对城市的发展具有十分重要的意义。鉴于城市生活用水量受众多因素影响,并具有复杂的非线性的特点,建立了基于Matlab技术的LM-BP网络的城市用水量预测模型,并利用某市的家庭生活用水量的实测数据对该模型进行网络的训练学习和预测验证。结果表明,采用Matlab技术建模具有方便快捷、不会陷入复杂的编程运算的困扰中的优点,同时该模型具有收敛速度快、预测精度高的特性,为城市生活用水量预测提供了一种行之有效的方法。     

南京市溧水区万元GDP用水量影响因子研究

本文研究了溧水区万元GDP用水量的影响因子,通过理论分析及专家咨询确定了14个影响因子,并构建评价指标体系.在收集溧水区2005—2015年各指标数据基础上,运用主成分分析和逐步回归的方法,建立溧水区万元GDP用水量与其影响因子的数学模型,找出5个最重要影响因子并进行分析总结.     

基于趋势面模拟的城市用水量分析及预测

以山西省某市1999-2009年城市用水量为因变量,该市城镇化水平和GDP为自变量,建立了城市用水量变化趋势面模型,比较了不同阶次趋势面模型的拟合程度,并绘制了趋势面和残差等值线图.经分析得出,该市城市用水量与城镇化水平、经济状况等因素密切相关,并可通过预测将来某年的城镇化水平和GDP,进而预测所研究年份的城市用水量.     

水稻作物产量预测模型的研究——基于多源数据回归模型

水稻是我国重要的粮食作物之一,在我国不同农业生产区域都有种植,实现水稻产量的精准预测对于稳定我国粮食安全具有重要意义。为了改良传统产量预测方法,实现水稻产量高效预测,基于主成分分析法提取主成分,再将主成分作为BP神经网络模型的输入,对水稻种植面积较大的黑龙江省、江苏省、湖南省和湖北省2011-2020年的数据进行预测分析。研究结果表明：水稻产量与月最高土壤温度、月最低土壤温度、月土壤平均温度、月大气最高温度、月大气平均温度、月平均大气湿度为极显著相关,与月降雨量显著相关,与月大气最低温度相关性较弱。主成分分析与BP神经网络组合模型下,水稻产量的预测精度明显高于传统BP神经网络模型,R²达到0.86,MAPE仅为0.97%,RMSE为0.93,预测值与试验值之间拟合程度较高,模型验证结果表明模型预测结果准确稳定。研究结果对于更加科学、合理地预测水稻产量具有重要的指导意义。     

改进灰色预测模型在灌溉用水量建模中的应用

灌溉用水量系统受诸多不确定性因素的影响,采用灰色预测方法对甘肃省灌溉用水量进行建模分析.通过对灰色GM(1,1)模型的预测精度的分析表明,GM(1,1)预测公式系数的选取存在缺陷.因此基于残差和为零准则,就预测公式系数C的选取问题提出新的计算方法,并对系数修正前后的模型分别建模.结果表明;改进灰色模型预测灌溉用水量与实际用水量更接近、精度更高.     

基于人工神经网络模型的关中地区用水量的预测

未来用水量的预测对制定区域宏观经济发展规划、水资源规划以及水资源合理配置等具有重要的指导意义,为区域经济的可持续发展提供重要保障.在1986-2005年的用水量演变分析基础上,选取出城镇人口、灌溉面积、GDP、耕地面积、降水量和ET06个驱动力因素,建立了基于驱动力因子的用水量预测的人工神经网络BP模型,并对关中地区2006-2020年的用水量进行预测.     

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。     

基于改进GM-LSSVR模型的郑州市用水量预测

准确的用水量预测是响应国家高质量发展的重要抓手,也是城市水资源优化配置的基础.针对用水量序列存在波动性、灰色模型与所需因素存在线性关系等问题,提出了一种基于HP滤波分解的GM-LSSVR预测模型,即先采用灰色关联分析法筛选合适的用水量影响因素,再利用HP滤波分解法将筛选的用水量及影响因素分解为长期趋势序列和短期波动序列...     

基于神经网络的灌溉用水量预测

采用改进的BP网络对灌溉用水量进行了预测,针对BP网络的不足,采用遗传算法对网络初始权重进行了优化,并采用LM(Levenberg-Marquardt)算法进行了误差逆传播校正。通过引入遗传算法和LM算法,网络比传统的BP网络无论从精度和训练时间上都有了较大的改进。最后对湖北省宜昌市东风渠灌区进行实例分析,证明了该方法的有效性。     

陕西省农业现代化发展的影响因素测定

农业现代化发展受诸多因素影响。本文在学者们研究的基础上，重点分析陕西省农业现代化发展的影响因素，结合2001-2020年陕西省农业现代化发展实际构建指标体系。研究发现，陕西省农业现代化发展主要受农业投入产出及农村发展（FAC1）和农业治理（FAC2）两大主成分影响，且对农业现代化发展的关联指标农民人均纯收入（Y1）和农村居民家庭恩格尔系数（Y2）影响显著，FAC1对Y1和Y2的边际效应恒定不变，FAC2对Y1和Y2的边际效应先增后减。并结合实际提出促进陕西省农业现代化发展的建议。     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。     

基于GA-BP神经网络的果园需水量预测

为解决果园需水量预测精度低、鲁棒性差等问题,提出了遗传算法(GA)优化BP神经网络的果园需水量预测模型.选取空气温度、土壤含水率、光照强度3个主要环境因子作为BP神经网络的输入量,利用遗传算法的全局搜索能力优化神经网络权值和阈值,建立GA-BP神经网络模型预测果园需水量.仿真结果表明:GA-BP预测模型的预测值比BP模型更加趋近期望需水量,模型评价指标平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE),均优于单一BP神经网络模型.与传统的BP神经网络算法相比,GA-BP神经网络模型能较好的表达果园需水量与主要环境因子的非线性关系,具有较高的预测精度和适应性.     

基于主成分BP人工神经网络的参考作物腾发量预测

影响参考作物腾发量的气象因素众多,且相关程度较高。基于主成分分析原理,将影响ET0的7个主要气象因素以及旬序数进行特征提取,形成3个综合影响因子,既可保证气象信息的完整性,又可避免气象信息的交叉重叠。以江苏省无锡市某区作物腾发量预测为例,经主成分分析并简化的参考作物腾发量BP神经网络模型具有结构简单、收敛快、精度高的特点,可用于ET0预测。     

基于田间实际耗水的作物生产水足迹

为了衡量田间尺度粮食生产对资源的真实利用,基于水足迹及作物耗水理论,提出基于作物实际耗水的农作物生产水足迹计算方法,并以陕西关中的小麦、玉米为研究对象,对1998,2005及2010年的生产水足迹进行了计算.结果显示：同一年份同一作物不同地区间耗水量具有较大差异,同时,关中地区3个代表年份平均小麦、玉米耗水量分别比需水量小16.2%和12.4%;小麦、玉米生产水足迹有减小趋势,代表年平均值分别为0.96,0.77 m^3/kg;各地区小麦虚拟水中蓝水比例在10%-40%,玉米则在20%-50%范围内变化,且年际、地区间的蓝水占有比例均无明显变化趋势;3个代表年小麦、玉米的总水足迹之和分别为70.1,59.8及60.7亿m3,均大于当地的水资源总量,其中蓝水所占比例均值为29.1%.基于作物实际耗水的作物生产水足迹的计算对基于水足迹和虚拟水贸易的科学研究及政策制定均有重要意义.     

基于机器视觉的槟榔分级方法研究

针对槟榔人工分级劳动生产率低、准确率低的问题,开展基于遗传神经网络的机器视觉槟榔分级研究。以4种类别的槟榔图像为研究对象,首先设计一个6层结构的遗传神经网络对槟榔进行分级,虽然分级准确率较高但是网络结构复杂。然后对运用主成分分析法降低图像特征的维数并将遗传神经网络简化为3层结构的方法进行研究。最后用400幅和100幅槟榔图像对这个3层神经网络进行训练和验证,经过调整网络的学习率等参数,训练和验证的准确率达到95%以上。通过神经网络模型测试试验,槟榔正确分级的准确率为90%。数据降维后的三层遗传神经网络能够实现对槟榔的实时分级,为机器分级提供了技术支持。     

基于人工神经网络的 雅鲁藏布江流域NDVI预测模型

雅鲁藏布江流域既是生态资源的宝库,又是全球气候变化的敏感区.研究基于2000-2015年的MODIS数据和30个地面站点气象数据资料,在分析雅鲁藏布江流域的NDVI归一化植被指数时空变化特征的基础上,分别采用偏相关分析和主成分分析法,辨识了影响各子流域NDVI变化的主导气候因素,并此基础上构建了基于人工神经网络的雅鲁藏...     

基于主成分分析法的洞庭湖水质评价研究

水质问题日益成为影响人类社会发展的重大问题,因而对水质评价研究至关重要;根据对洞庭湖的监测断面的评价指标体系进行主成分分析,得出各个断面的主成分得分以及综合得分,对各断面的污染程度进行排名。结果表明,污染较严重的断面有:万子湖、东洞庭湖、坡头、目平湖、洞庭湖出口以及樟树港;污染一般的断面有:岳阳楼、横岭湖、沙河口、漉角以及南嘴;污染较轻的断面有:虞公庙、小河嘴以及万家嘴。     

基于改进主成分分析的区域水资源承载力评价研究

水资源承载力评价,对推行最严格的水资源管理制度具有重要意义.本文在构建评价指标体系的基础上,尝试将Copula函数应用于水资源承载力评价.针对多元变量导致Copula函数参数求解困难的问题,采用主成分分析法(principal component analysis,PCA)提取主成分因子,形成新的指标体系,从而建立PCA-Copula评价方法,并以新疆和田地区为例,对区域水资源承载力(water resources carrying capacity, WRCC)进行综合评价.结果表明:PCA-Copula评价方法的评价结果与熵值法以及突变理论评价方法的结果排序完全一致,评价结果具有一致性,能够客观反映研究区水资源承载力水平.同时,PCA-Copula评价方法的评价值在0~1之间分布均匀,最大差值为0.818,明显高于另外两种方法,且相邻排序的综合评价值梯度明显,有利于更直观地区别水资源承载力的高低.     

基于主成分分析的支持向量机需水预测模型及其应用

需水预测是水资源优化配置、水资源规划和水资源管理的重要依据,其预测精度受到众多因素的影响,且实际用水量数据时间系列较短,制约了传统预测方法的应用。利用支持向量机在对小样本学习的基础上对其他样本进行快速、准确的拟合预测的特点,采用主成分分析与支持向量机相结合的方法,首先利用主成分分析法筛选需水量的主要影响因子,然后将其作为输入样本,对支持向量机模型进行训练和检验,寻找最优模型,并将该方法应用于洛阳市需水预测。结果表明,该模型预测结果平均相对误差为-0.83%,预测精度较高,可作为训练样本较少情况下的一种需水预测方法。