灰色神经网络组合模型在庆安县年降雨量预测中的应用

采用灰色神经网络对黑龙江省庆安县年降雨量进行预测建模,利用灰色GM(1.1)模型"贫信息"和神经网络非线性函数映射能力优秀的特性,避免了灰色GM(1.1)模型对预测拟合精度低的问题。结果表明灰色神经网络组合模型的平均相对误差为0.012 2,高于灰色GM(1.1)模型的平均相对误差0.153 7,预测精度较高,并且算法简便,拓宽了灰色预测模型的应用范围。     

基于灰色系统的年降雨量预测模型探析

灰色预测是采用原始数据序列所生成的新的数据序列进行建模的一种方法.本文根据丹东地区5年的年降雨量系列数据,利用灰色GM(1,1)建立预报模型来预报预测未来降雨量.     

基于灰色模型的水质预测

依据“1995年－2004年长江流域水质报告”中的数据和水质污染的特性，建立了灰色预测模型，并对长江水质进行分析，最后对长江水质未来10年的发展趋势做出预测分析．     

基于BP神经网络的降雨量预测研究

使用2种方法,即用前5年降雨量来预测后1年的降雨量和用气象资料预测降雨量,应用BP神经网络对降雨量进行预测,试图找出应用BP神经网络预测降雨的最佳方法.通过对青海省10个气象站的降雨进行预测分析,得到结论如下:两种方法均适合于降雨预测,其被选择概率均等.     

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

基于灰色模型的农业机械总动力预测

农业机械总动力是评价一个国家农业现代化程度的重要指标.根据2003-2007年我国农业机械总动力的历史数据,采用基于灰预测的指数增长模型对农业机械总动力进行了预测.在模型建立前,进行了级比平滑检验,认为数据具有建立灰预测模型的基础;模型建立后,又进行了相对误差检验、后验差检验和残差检验.检验结果表明,模型具有较高的精度,适合中长期预测.最后,根据该模型给出了2010-2012年我国农业机械总动力的预测结果,认为我国农业机械总动力将于2012年达到103222亿kW.     

基于灰色预测的模糊神经网络孵化控制系统

提出一种基于灰色预测的模糊神经网络控制策略,并应用在孵化过程控制系统中.运用灰色预测技术对孵化参数进行预测,方便后续控制,而模糊神经网络则控制过程的动态特性,保证孵化参数的精确和稳定控制.仿真结果表明,该系统能在50 s内将被控对象稳定,具有良好的动态和静态特性.     

基于灰色支持向量机组合模型的农产品产量预测

鉴于灰色预测模型和支持向量机各自的优点,将灰色预测模型与支持向量机相结合,提出灰色支持向量机组合模型,并将该模型应用于花生产量预测中。结果表明,与单一支持向量机和灰色预测模型相比,灰色支持向量机组合模型的预测精度明显提高。     

基于灰色动态模型群的需水预测研究

依据灰色系统理论,构造了一个由5个GM(1,1)模型组成的灰色动态模型群,并运用该模型对福建省泉州市用水量变化趋势进行了预测分析。研究表明,灰色动态模型群能够充分利用近期用水量信息预测未来用水量变化趋势;以模型群统计平均值作为最终预测值,避免了单一灰色模型容易利用不稳定信息的缺陷,使得预测精度更加准确,预测结果更为可信。     

灌区降水量影响因子分析与集合降水预测

针对降水随机性较强、影响因素复杂、单一模型预测精度低的特点,采用集对分析法,研究降水量与气象影响因子的关系。将基于密度参数的径向基函数人工神经网络模型与灰色模型相结合,利用信息熵权重法计算2个单一模型的权重,构建基于信息熵的集合模型(Combing model based on information entropy,IE-CM),用于三江平原友谊农场的降水量预测。研究结果表明,与单一模型相比,IE-CM模型预测结果的决定系数、平均相对误差及均方根误差较单一模型均有所提高,分别为0.99、10.655%和3.03 mm,预测结果的合格率为83.3%,均满足水文预测要求。     

南方地区冬小麦白粉病预测模型的研究

由于南方地区冬小麦白粉病的预测是一项多因素的复杂工程,因而针对传统预测方法的不足,提出了一种基于灰色系统GM(1,1)理论和BP神经网络相结合的预测模型。灰色系统GM(1,1)模型理论建模方法简单,计算量小,而BP算法特别适合于对GM(1,1)模型进行残差修正,利用两者的结合可以建立较高精度的预测模型。利用该模型对南方某地区冬小麦白粉病进行了预测,结果表明,该模型准确有效,适用于该地区的冬小麦白粉病的预测。     

基于BP神经网络的模型铲刀推土阻力预测模型

将BP神经网络应用于典型的曲面推土板-模型铲刀推土阻力的预测.在模型铲刀推土试验研究结果的基础上,以模型铲刀的切削角、前翻角和切削速度为输入,以模型铲刀推土阻力的水平分力与垂直分力为输出,建立了BP神经网络数值模拟模型.研究结果表明,该BP神经网络有效地预测了模型铲刀的推土阻力,其准确率在94%以上.     

基于TVF-EMD与LSTM神经网络耦合的月径流预测研究

为了有效提高非平稳非线性径流序列的预测精度,采用具有自适应序列特征的时变滤波经验模态分解(TVF-EMD)与长短期记忆神经网络(LSTM)耦合,构成TVF-EMD-LSTM预测模型.首先利用TVF-EMD方法自适应地将径流序列分解为高频序列和低频序列;进而,利用LSTM神经网络对分解后的序列分别预测;最终,将预测结果加...     

递归神经网络在降雨量预测中的应用研究

递归神经网络(RNN)模型近年来在许多任务上表现出了优良的性能。运用具有长短期记忆(LSTM)单元的递归神经网络构建模型和通过时间反向传播(BPTT)算法更新网络权重解决长期降雨量的预测问题,较好地解决了高维数、非线性和局部极小问题。选取了前馈神经网络模型(FNN)、小波神经网络(WNN)模型和整合移动平均自回归(ARIMA)模型3种模型进行验证比较。仿真结果表明,递归神经网络模型优于其他模型,训练结果与实际值接近,预测精度较高。预测结果为农业用水管理、合理制定灌溉制度提供了重要的科学依据。     

基于BP神经网络的农田灌溉量预测

农田灌溉量预测对水资源合理规划和优化配置具有重要意义。为此,以农田水分平衡公式为基础,导出灌溉量I与前各时期的降雨量pt-1、pt-2、pt-3灌溉面积S之间存在非线性关系,由此建立了农田灌溉量的BP神经网络预测模型。检验结果表明,灌溉量BP神经网络预测法精度约为94.5%。因而,以灌溉面积、前各时期降雨量为输入变量,结合BP神经网络技术来预测农田灌溉量,具有很好的应用前景。     

基于BiLSTM-GRU融合网络的稻虾养殖溶解氧含量预测

在稻虾养殖模式中溶解氧含量(浓度)是养殖水体的重要指标之一,其直接影响小龙虾的摄食量和新陈代谢,因此在养殖过程中精准预测溶解氧含量至关重要。针对稻虾养殖中溶解氧含量变化复杂,难以快速准确预测的问题,提出了BiLSTM-GRU融合神经网络预测模型。为了保证精准预测,首先对传感器进行了清洗校准,并根据偏移量对历史数据进行了修正。在此基础上构建了基于BiLSTM和GRU的融合神经网络训练模型,BiLSTM提取更多特征因子,GRU实现快速预测,快速准确预测溶解氧含量变化。为了使监测预测性能更优,对不同采样周期下的资源损耗及预测模型性能进行综合对比分析,确定了传感器数据最优采样周期为30 min。进一步与LSTM、GRU、BiLSTM以及BiGRU模型对比,表明本文提出的BiLSTM-GRU融合神经网络模型的预测效果更好,其平均绝对误差、均方根误差和决定系数分别为0.275 9 mg/L、0.616 0 mg/L和0.954 7,比传统的LSTM神经网络模型分别高25.14%、13.25%和2.22%。     

基于改进FCM算法的加权马尔可夫链的年降水预测

应用改进的FCM(Fuzzy C-Means,模糊C均值聚类)算法对承德市1951—2015年的年降水序列进行模糊聚类,获得10个聚类中心和隶属度矩阵。根据最大隶属原则确定每年的降水状态,采用规范化的各阶自相关系数为权重,建立了加权马尔可夫链模型。以隶属度向量作为预测时的初始状态向量,通过该模型逐年预测了承德市2004—2015年的降水状态,结果与实际情况一致。引入模糊集中的级别特征值公式,并对该公式做出修正。基于马尔可夫链的预测结果,应用修正后的级别特征值公式预测了2004—2015年的降水量,所有预测结果的相对误差都在7%以内,初步表明基于模糊聚类和加权马尔可夫链的降水预测模型是合理可行的。     

变量喷药自适应神经模糊控制器设计与仿真

为了减少除草剂用量,采用变量喷施除草剂方式进行除草.根据分别建立的杂草面积、喷药机械行驶速度与喷药量关系模型,得知杂草面积和喷药机械行驶速度是影响变量喷施效果的主要因素.为了获取喷药量与车速及杂草面积关系试验数据,设计了室内变量喷药试验台,使用DSP处理器及编码器分别得到杂草面积及喷药机械前进速度信息.结合所获试验数据,设计了一种基于自适应神经模糊推理（ANFIS）的双输入、单输出控制器.对控制器设计过程中输入输出变量的选取、隶属函数的选择及控制器的训练等进行了研究,数据经过30次训练后误差为1.47×10^-5.对控制器的速度采集、串行通信、电磁阀驱动等硬件电路及模糊控制软件流程,进行了设计.在Matlab中建立了自适应神经模糊控制仿真模型,仿真结果表明：在喷头打开时间为0.2 s,喷药机械速度为0～1 m/s,杂草面积在0～100 cm^2时,控制器可自动调节喷药量在0～4 mL变化.与采用传统模糊控制方式相比,该控制器自适应性强,具有较好的应用前景.