BP神经网络在渭干河流域土壤盐渍化预测中的应用

[目的]比较神经网络算法和传统统计建模方法对土壤盐渍化预测模型的效果.[方法]对渭干河流域多年土壤盐渍化和其影响因子进行分析的基础上,采用BP网络的3种算法,建立基于BP神经网络土壤盐渍化预测模型.将预测结果与多元线性回归模型预测结果进行对比分析,讨论线性和非线性方法用于土壤盐渍化预测模型.[结果]与传统的统计建模方法相比BP神经网络结构简单、快捷,预测精度高,很好地再现了土壤盐渍化与其影响因素之间复杂的非线性函数关系;三种BP算法中,基于trainlm算法建立的壤盐渍化预测模型具有较好的推广能力.[结论]BP神经网络的土壤盐渍化预测性能良好,用来可以预测土壤盐渍化情况.     

基于BP神经网络的粮食产量预测模型

提高我国粮食产量的预测精度与效率是人们关注的一个重要问题.BP模型是目前最为广泛应用的神经网络模型之一,它是一种简单又非常有效的算法.将BP神经网络模型应用到粮食产量预测中,并建立了粮食产量的神经网络预测模型,结果表明BP神经网络应用于粮食产量预测是可行的.     

残差修正模型在森林火灾预测中的应用

基于1990-2013年福建省森林火灾发生次数建立残差修正模型,并与BP神经网络模型、马尔科夫链模型、赋权组合预测模型进行比较.结果表明:残差修正预测模型的预测精度达到95.33%,而BP神经网络模型预测精度是87.77%,马尔科夫链模型预测精度为74.85%,赋权组合预测模型预测精度为88.3%,残差修正模型预测效果优于其他3个模型,说明使用其对离散的森林火灾数据进行短期预测是有效可行的.     

基于灰色神经网络与马尔科夫链的城市需水量组合预测

【目的】针对城市需水量预测系统具有非线性和随机波动性的特点,建立基于马尔科夫链修正的组合灰色神经网络预测模型,以提高模型的预测精度。【方法】比较分析灰色GM(1,1)模型、BP神经网络模型以及二者线性组合的灰色神经网络预测模型的预测效果,建立基于马尔科夫链修正的组合灰色神经网络预测模型,并以榆林市2000-2009年的用水量实际数据为研究对象,通过实例比较分析模型的检验预测精度。【结果】经马尔科夫链修正处理后,建立的基于马尔科夫链修正的灰色神经网络组合模型的预测精度更高,预测误差的绝对值均小于4%,且均方差σ为1.00,小于组合灰色神经网络模型与GM(1,1)模型、BP神经网络模型预测误差值的均方差。【结论】基于马尔科夫链修正的组合灰色神经网络需水量预测模型,对城市需水量的预测优于灰色神经网络及各单项预测模型,不仅预测精度高,而且能同时反映出数据序列发展变化的总体趋势和系统各状态之间的内在规律,适合描述随机波动性较大的预测问题。     

基于GA-BP算法的土壤墒情预测

利用遗传算法的全局寻优能力优化BP神经网络连接权值,建立基于GA-BP算法的土壤墒情预测模型具有绝对误差小和收敛速度快的优点,且避免了BP算法易陷入局部极小值的缺点,该模型预测的平均绝对误差为1.11%,具有较好的预测精度。     

基于EMD的BP神经网络在凌河流域旱灾预测中的应用

为提高旱灾预测模型预测精度,利用EMD(经验模态分解法)处理非平稳信号的优势,将其应用到BP神经网络预测模型中,建立基于EMD的BP神经网络旱灾预测模型,对凌河流域44个观测站(小凌河流域11站、大凌河流域33站)共51年(1960~2010)的降水资料进行旱灾预测应用,同时将基于EMD的BP神经网络旱灾预测模型结果与BP神经网络预测模型结果进行对比。结果表明:小凌河流域基于EMD的BP神经网络预测模型、BP神经网络预测模型的年均降水量预测值均方误差(MSE)分别为0.0011和0.0076,决定系数(R2)分别为0.95和0.83;大凌河流域基于EMD的BP神经网络预测模型、BP神经网络模型的年均降水量预测值均方误差(MSE)分别为0.0032和0.0092,决定系数(R2)分别为0.93和0.79。基于EMD的BP神经网络预测值均方误差(MSE)较小且决定系数(R2)较高,均优于BP神经网络预测值,提高了BP神经网络旱灾预测模型预测精度,具有一定的可行性。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

河北省农机总动力人工神经网络预测

目的提出一种新的BP神经网络非线性组合预测模型,对河北省2016-2023年农机总动力进行预测。方法基于一元非线性回归以及BP神经网络(BP-ANN),建立一种新的BP神经网络非线性组合预测模型,处理1978-2009年河北省农机总动力数据,建立预测模型并进行比较。结果误差分析表明,该非线性组合预测模型的拟合平均绝对误差为1.286%,低于一元非线性回归和传统BP神经网络。利用此模型对2010-2015年河北省农机总动力进行检验预测,预测结果与实际结果有很好的一致性,为农机总动力的预测提供了一条新的途径。结论此模型有较高的预测精度,并用此模型预测了河北省2016-2023年农机总动力数值,预测结果表明,在未来几年河北省农机总动力将保持高速增长,2023年将达13 610.69万kW。     

基于改进BP网络模型的洪水预报研究

针对目前神经网络应用于洪水预报时存在的不足,引入遗传算法、模糊神经网络对BP网络模型进行了改进,建立了基于改进BP网络模型的洪水预报模型,并将改进的BP网络模型应用于文峪河洪水过程的预报。预测结果表明,过程预报合格率达93．54%。达到了水文预报规范的要求;与传统BP网络相比,改进算法可提高洪峰的预报精度。     

基于主成分分析和粒子群优化神经网络的粮食产量预测

粮食产量的预测研究在粮食安全方面具有重要意义,神经网络可以较好地反映粮食产量这一复杂的非线性动态系统。但是传统的BP神经网络预测模型存在学习收敛速度慢、易陷入局部极小值等缺陷,为了改善这一缺陷,提出了一种基于主成分分析(PCA)和粒子群(PSO)优化神经网络的预测模型。首先计算各影响因素与粮食产量之间的相关系数,利用主成分分析方法降低影响因子的维度,将降维后的因子作为神经网络的输入,然后采用BP神经网络建立粮食产量预测模型,其中引入PSO算法对BP神经网络的权值和阈值进行优化,最后使用训练过的BP神经网络预测粮食产量值。预测结果表明,该模型可有效提高预测精度,且收敛速度快,全局收敛性好,为粮食产量预测提供了一种新的途径。     

云南省水稻白叶枯病BP神经网络测报技术研究

 人工神经网络对复杂非线性问题映射能力强,能提高预测的准确度,为水稻白叶枯病害的防治工作提供指导。因此,本研究基于水稻白叶枯病害发生、危害与温度、湿度、降雨等气象因素相关的特点,利用人工神经网络建立云南省勐海县和石屏县水稻白叶枯病害BP神经网络预测模型,预测病害的发生程度。经实例验证,BP神经网络预测模型预测准确度达到80%以上,较逐步回归模型高。研究表明在勐海、石屏建立水稻白叶枯BP网络预测模型是可行的,并具有较高预测准确度,对防治工作有较高应用价值。     

基于因子分析的BP神经网络在需水预测中的应用

需水预测涉及农业、工业、生活和环境等多种因素,是典型的多指标评价问题,需对多因素进行综合评估.以广东省珠海市为例,利用1986～2000年的需水量数据,采用因子分析法对影响需水量的8个变量进行因子分析,根据确定的主要影响因子构造BP神经网络的输入样本,从而进行不同水平的需水量预测.结果表明:前4个公因子,即综合实力因子、畜牧影响因子、环境影响因子和补充分析因子,累计贡献率达99%以上,为影响研究区需水量的主要因子,以此作为输入样本建立的BP神经网络需水预测模型既能合理地构造神经网络的拓扑结构,又可加快网络的收敛速度,精度较高.因子分析与BP神经网络结合是多因素需水预测的一个有益尝试.     

基于灰色关联下神经网络在南果梨始花期预报中的应用

为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明：（1）与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;（2）与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;（3）BP和RBF方法建立的模型拟合精度总体上较接近;（4）基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;（5）基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R²为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R²为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。     

基于人工神经网络的杉木可变密度蓄积量收获预估模型

采用人工神经网络方法拟合杉木林分蓄积量与立地质量、林龄、林分密度之间的非线性关系,建立了杉木可变密度蓄积量收获预估BP网络模型,并对所建立的模型进行精度检验.检验表明,所建模型预测精度高,可应用于森林经理调查、数据更新与经营决策优化以及编制可变密度收获表.     

基于高光谱图像技术的沙梨无损检测

为探讨基于高光谱图像技术对沙梨糖度无损检测的可行性,采集80个沙梨样本在400～1 000 nm内的高光谱图像数据及其对应的糖度,采用变量标准化、多元散射校正(MSC)、平滑滤波、基线校正等方法对原始光谱数据进行预处理,发现MSC预处理效果最佳,再通过无信息变量消除法对MSC预处理后的光谱数据进行压缩,最后分别建立BP神经网络和PLS沙梨糖度预测模型.结果表明:无信息变量消除法将光谱变量压缩到234个,有效减少了建模的输入变量,建立的PLS预测模型和BP神经网络的预测相关系数均在0.85以上,而PLS预测模型的相关系数为0.9508,均方根误差为0.268,优于BP神经网络模型.     

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BP神经网络的柑橘农药残留预测

基于BP神经网络算法,采用主成分分析法得到农药相对分子质量、气温、降水量、pH、CEC、有机质、施药浓度、采收间隔期是影响农药残留量的主要因素,并将其作为输入变量,初步构建柑橘农药残留预测模型。结果表明：经160组样本数据模型训练和测试,预测相对误差为0.92%～18.93%,平均为7.42%,绝对误差为0.001～0.153 mg/kg;BP神经网络预测模型的决定系数为0.962 05。可见,面对复杂的自然环境及柑橘种质性状,基于BP神经网络的柑橘农药残留预测系统对柑橘上多种农药的残留显示出较高的预测精度,说明将机器学习算法用于柑橘的农药残留检测是可行的。     

浦江县褐飞虱预测预报模型选择与优化

[目的]探讨更适用于现阶段的褐飞虱预测预报模型。[方法]利用浦江县2001—2016年褐飞虱的观测数据和气象数据,采用传统的逐步回归方法和BP神经网络方法,分别建立了褐飞虱发生高峰期预测预报模型。[结果]逐步回归预测模型选用的建模因子为5月上旬最高温、9月上旬湿度和6月下旬雨量,模型的预测准确率不高;BP神经网络预测模型的建模因子为始见日后40 d的平均温、最高温、最低温、雨量、湿度,模型的预测准确率达99.22%。[结论]该研究结果为今后褐飞虱预测预报模型的选择提供了参考。     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015 年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明：通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab 平台上训练精度设为0.005、学习率0.01 的BP神经网络方法可以很好地逼近非线性函数。用大于1/3 样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

模糊推理与神经网络、遗传算法在系统预测中的应用

近年来，原来并没有什么必然联系的模糊理论和人工神经网络有了较多的结合．这是由于在模糊系统设计涉及到的3个问题：第一，模糊规则的选取}第二，模糊概率函数（隶属函数）的确定；第三，模糊决策算法的决定．这在有些系统中并不是十分明确的，而人工神经网络却不需要人为干预，而只需通过实际输入、输出数据的学习即可得到其决策．但是人工神经网络也有其缺点，它不够稳定，单独使用确定度不是很高，而且神经网络中所使用的BP算法有其限制性，只能得到局部最优解． 因此，我们将模糊理论与神经网络相结合，根据其预测值与实际值的误差选取适当的权重，建立二者对预测结果的影响关系的模型，用于系统预测．在神经网络中，把BP算法和遗传算法结合起来，得到全局最优解．