基于GA-BP神经网络的农业机械化综合水平预测模型

根据1986-2013年我国农业机械化综合水平的统计数据,建立了基于GA-BP神经网络的农业机械化综合水平预测模型。通过对1992-2011年农业机械化综合水平实际值与训练输出值的对比分析,表明该预测模型具有较好的拟合精度;采用该模型对2012年和2013年的农业机械化综合水平进行预测,进一步验证了模型的可靠性。运用该预测模型对2014-2018年的农业机械化综合水平进行预测,结果表明:在2014年我国农业机械化综合水平为61.97%,与我国农业部公布的2014年农业机械化综合水平将超过61%基本相符,2018年我国农业机械化综合水平将达到70%左右。     

基于BP神经网络的农业机械化作业水平预测

我国农业机械化作业水平的发展变化具有增长性和波动性,对预测的方法要求较高。鉴于单一预测模型的局限性,在确定我国农业机械化作业水平各单一预测模型的基础上,建立了基于BP神经网络的农业机械化作业水平非线性组合预测模型,并对我国农业机械化作业水平进行预测。误差分析表明,该模型可以有效地提高农业机械化作业水平的预测精度,用该模型对我国2012-2020年农业机械化耕、播、收作业水平进行了预测。预测结果表明,在未来几年我国农业机械化作业水平将保持快速增长趋势,到2020年机耕、机播和机收作业水平分别为91.37%、66.77%和71.93%。     

基于BP神经网络的农业机械化水平预测

从使用神经网络模型对农业机械化水平的模拟结果来看,模型具有较高的精度,使用该模型对农机化水平进行预测,预测值和实测值也具有较好的线性拟合关系。为此,利用该模型对未来或当前的农机化水平进行了预测。该模型具有较高的精度,预测值和实测值也具有较好的线性拟合关系;但模型的泛化能力会受到数据采集条件制约。     

甘肃省农业机械化发展水平测算与分析

农业机械化是农业现代化的重要标志之一,也是实现农业现代化的前提。新世纪以来,甘肃省农业机械化发展水平不断提高。基于对甘肃省农业机械化发展现状的描述,以2009年甘肃省及14个地市州的相关统计数据为依据,构建农业机械化发展水平测算指标体系,测算出2009年甘肃省及14个地市州农业机械化发展水平。结果表明,全省农业机械化发展水平中河西地区最高,中东部、中南部次之。而影响全省农业机械化发展水平的因素主要有自然、经济、交通、能源、社会服务体系等。据此,认为应通过优化农机区域布局、加大农机具补贴、加强农机教育培训、完善农机服务体系等提升甘肃省农业机械化发展水平。     

提高农业机械化水平的方法

农业的高度机械化,可以推动农业资源的科学连续发展。文章提出了几点意见:提升农机农艺的配合度,重视基础理论的研发探讨;加快关键技术的研发;提高机械与装备制造的创新能力;扩大推广应用的范围。     

提高农业机械化水平促进农业可持续发展

传统农业难以适应现代农业的发展需求,还需重视农业机械化水平的提升,促进农业可持续发展.基于此,文章对提高农业机械化水平对农业可持续发展的重要性进行了分析,并提出了具体的发展措施.     

提高农业机械化水平促进农业可持续发展

发展现代化农业是我国重要的发展战略,也是解决三农问题的关键举措.新中国成立以来就注重农业可持续发展,但是在发展中存在一些问题,距离农业强国还很远,这主要是我国农业机械化水平不高,农业主要靠人力.因此,要保证农业可持续化发展,必然要大幅度提高农业机械化水平.基于此,文章重点探讨了农业机械化对农业可持续发展的重要性,并...     

提高农业机械化发展水平的探讨

发展农业机械化,对于提高我国粮食综合生产能力,保障国家粮食供应,促进农业产业结构调整,加快农村劳动力的转移,发展农业规模经营,发展农村经济,增加农民收入,加快现代农业进程,提高农产品市场竞争力都具有重要的作用.推进农业现代化必须首先发展农业机械化,这是农业现代化建设的唯一出路.     

农业机械化发展水平的人工神经网络评价模型

根据农业机械化发展水平的评价标准，提出了生成足够多人工神经网络训练样本、检验样本和测试样本的新方法，给出了区分农业机械化发展水平不同程度的分界值，并提出了确定合理BP神经网络结构的原则。通过上述方法得到的神经网络模型具有更好的泛化能力，且不受网络初始权值的影响。运用训练后的神经网络评价模型对河南省1994年农业机械化发展水平的评价结果表明：与灰色-概率评估模型相比，本文建立的BP评价模型具有更好的客观性、通用性、实用性和容错性。     

基于GA-BP神经网络的甘蔗收获质量预测

甘蔗联合收割机收获质量对制糖工艺有极大影响,但测量难度大,难以直接获得.针对上述问题,以甘蔗联合收割机切割机构、行走机构、切段机构、风机机构的负载压力信号和转速信号为输入变量,以含杂率和损失率为输出变量,建立了一种GA-BP神经网络预测模型.GA-BP神经网络预测模型对甘蔗收获质量的预测结果平均MSE为0.0937,平...     

基于GA-BP神经网络的作物参考腾发量预测

采用黄金分割原理优化算法确定BP神经网络的隐含层节点数,进而确定BP神经网络的结构,并针对BP神经网络容易陷入局部极小值和全局搜索能力弱的缺点,引人遗传算法(GA)优化网络权值,建立GA-BP网络模型,预测作物参考腾发量ET0.以北京地区的相关资料为基础,选用6种输入因子组合方案,对该模型进行验证,结果表明该网络模型具有较好的预测能力;同时,对6种方案比较分析表明,方案4最优,该方案只需选用4项输入因子(日序数、平均气温、风速和日照时数),就能以较高的精度预测作物参考腾发量.     

基于粗糙集与神经网络的农机化发展水平评估方法

在分析现有农业机械化发展水平评价方法的基础上 ,提出了粗糙集理论与人工神经网络技术相结合的农业机械化发展水平评价指标简化体系和评价方法。实例表明 ,约简后的指标体系可以获得原有指标体系的分类结果 ,但比原有模型少了 6 0 %的指标 ,大大减少了信息的需求量 ,为农机化水平评价提供了一种新的途径。     

辽宁省农业机械化信息网络建设研究

在当今信息时代背景下,加快农业机械化信息网络建设,对于满足广大涉农单位及人员对农机化信息目益增长的需要具有重要意义.针对辽宁省农机化信息工作开展情况及存在的问题,提出加快辽宁省农业机械化信息网络建设的有效措施,以促进农机化信息网络平台更好地为农服务.     

农业机械化水平与贡献率的区别研究

农业机械化水平与贡献率是评价农业机械化在农业生产中地位和作用的两个关键性的定量指标。为此,从理论上对两者加以详细地阐明,并采用定性与定量分析相结合的方法对两者进行比较。从分析结果看,两者既有相似点又有不同点,且相互促进、相互补充。因此,在全面评价反映农机化在农业生产中的作用时,应综合考虑两者的共同影响,这对促进我国农机化事业的健康发展具有重要的意义。     

云南省农业机械化对农业产值影响的比较分析

使用相关分析、偏相关分析和牛产函数贡献率测算法等多种方法,考虑时间序列数据产生的共线性问题的克服,来评价云南省农业机械化对农业发展的影响,并把结果同全国的情况加以对照。最基本的结论是：在农业机械、化肥施用量、播种而积和劳动力4个投入要素中,农业机械已经超过化肥成为影响农业产值增长的首要投入要素。