基于人工神经网络的粮食产量预测模型

研究了人工神经网络在经济预测中的应用问题,探讨利用人工神经网络进行农业粮食产量预测的方法。提出一种基于多层前馈BP神经网络的农业粮食产量预测模型,可以得到影响粮食产量的主要因子和粮食产量之间的非线性映射关系。并通过实例验证了神经网络模型的预测精度明显高于线性回归模型的预测精度。     

基于小波变换的GM(1,1)-ARIMA组合模型对粮食产量的预测

为提高粮食产量的预测精度,针对粮食产量的数据特点,提出了在小波变换的基础上,结合GM(1,1)模型与ARIMA模型的优点,建立GM(1,1)-ARIMA组合预测模型。首先,通过小波变换对非平稳序列进行分解,得到近似分量和细节分量;针对各分量序列的不同特征,采用灰色GM(1,1)模型对近似分量进行趋势预测,为进一步提高趋势信号的预测精度,使用灰色GM(1,1)模型对预测序列进行残差修正;然后,采用ARIMA预测模型对分离出的细节分量进行预测;最后,通过小波重构得到粮食产量的预测值。预测结果表明,基于小波变换的GM(1,1)-ARIMA模型的拟合平均误差为0. 69%,通过对2011—2014年粮食产量的预测,其预测平均误差低于1%,为粮食产量预测提供了一种新的技术途径。     

基于小波广义回归神经网络的粮食产量预测模型

将小波分析与广义回归神经网络(GRNN)相融合,构建了一种小波广义回归神经网络(WGRNN)模型。该模型应用于我国粮食总产量预测,其预测结果在精度上均优于单一的GRNN预测模型和GM(1,1)灰色预测模型,既具有神经网络非线性逼近能力和自学习能力的特性,又具有小波在时、频两域表征局部特征的功能,可为粮食产量预测的定量化和智能化提供一条新途径。     

基于人工神经网络的辽宁省粮食产量模型预测研究

利用辽宁省1983～2008年粮食产量数据,建立了粮食产量预测的3层BP网络模型,网络拓扑结构为6-6-1。用此模型对作物产量进行预测,并与多元线性回归预测结果进行比较。结果表明,人工神经网络预测的最大误差为1.57%,平均误差为0.79%,网络预测精度为0.97,说明人工神经网络模型具有较高的预测精度和较强的泛化能力,为粮食产量预测提供了一条新途径。     

基于小波变换的烟台市粮食产量变化特征研究

采用Morlet小波变换分析法,分析了烟台市1949～2003年粮食产量变化特征,结果表明:建国以来,烟台市粮食产量总体上呈不断上升趋势,大致经历了4个发展阶段;烟台市粮食年产量变化具有明显的3～9、10～25和18～32年3类特征时间尺度和相应的周期变化特征;烟台市粮食年产量变化具有6和21年的主周期,并以21年周期最为明显;在未来一段时间内,烟台市粮食年产量将会进入相对增产时期。     

毕节试验区粮食产量组合预测模型研究

以贵州毕节试验区1987～2007年的粮食产量为基础,在建立单项预测模型的基础上,采用主成分回归建立了毕节试验区粮食产量组合预测模型,并利用模型对毕节试验区2010～2015年的粮食产量进行了预测,以期为毕节试验区"十二五"的农业发展规划提供参考。     

基于灰度极限学习机的粮食产量预测

为提高粮食产量预测的准确性,针对我国粮食产量的数据特点,采用灰度和极限学习机相结合的组合预测模型对我国粮食产量进行短期精准预测。首先从原粮食序列中选取适量距离待预测年份较近的产量数据构成子序列,对该序列建立灰度预测模型,并计算模型预测误差。然后对原序列进行归一化处理,进而建立序列的极限学习机预测模型并计算模型的预测误差,以反映序列的长期变化规律。最后,根据2个模型的预测误差得到模型的权重系数,进而由2个模型的预测值组合得到最终的粮食产量。通过应用1949—2013年我国粮食产量数据对该模型进行验证表明,该组合方法能够准确预测3年的粮食产量,预测平均误差约为1.19%,预测精度明显好于灰度模型和极限学习机模型。     

基于平稳小波变换的灰度图像去噪算法的应用研究

与正交小波相比较,平稳小波变换的四个分量的每个分量与上一级分量具有相同的维数,因此使用平稳小波变换能够增加数字图像的细节,对于正交小波的图像边缘的震荡现象具有很好的改善。     

基于机器学习的粮食产量预测模型研究

科学统计粮食产量数据并合理预测其发展趋势有助于稳定粮食生产、保障粮食安全。本文基于差分整合移动平均自回归(ARIMA)模型、广义回归神经网络(GRNN)模型以及长短期记忆人工神经网络(LSTM)模型,运用皮尔逊相关性分析方法选出影响粮食产量的主要因素并进行预测。以河北省保定市在1996—2014年粮食产量及16个粮食产量影响因素等历史数据为例,预测2015、2016和2017年粮食产量。试验结果表明,基于ARIMA模型预测的平均相对误差为0.96%,基于LSTM模型预测的平均相对误差为2.20%,基于ARIMAGRNN组合模型预测的的平均相对误差为0.47%。相比于其他预测模型,ARIMA-GRNN组合模型可有效地对粮食产量进行预测,并为粮食产量的预测提供了1种新方法。     

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.     

基于人工神经网络的经济预测模型

以我国31个省的1999~2011年的面板数据为基础,实证中国不同地区人力资本投资对旅游业发展的影响。结果表明,高等教育对旅游产业发展的作用显著,而中等教育的作用不显著,且存在区域差异;在高等教育发达地区,高等教育对旅游业发展的效应不显著,而在高等教育落后地区则较为显著。中部地区高等教育的旅游产业反馈效应一般。因此,高等教育落后地区要重视旅游高等教育的规模和质量,教育发达地区要重视旅游教育的结构和层次。     

基于灰色-马尔科夫模型的粮食产量预测

为提高粮食产量预测的准确性,针对我国粮食产量数据的特点,提出基于马尔科夫的新陈代谢灰度模型对我国粮食年产量进行短期精准预测。该方法首先利用传统灰色模型对产量进行预测,并计算预测误差,通过对误差序列灰色建模修正产量预测数据;其次,通过粮食年产量预测精度,将年产量数据划分成若干状态,进而得到各阶状态转移概率矩阵及历年产量对未来年份粮食产量的影响权重;最后通过建立新陈代谢灰度模型对未来年份的粮食产量进行预测。结果表明,在使用2000—2010年年粮食产量数据对2011—2015年年粮食产量进行预测时,预测误差均小于0.40%,平均误差低至0.19%,能够实现粮食产量的短期精准预测。     

基于GM(1,1)模型的四川粮食产量预测研究

中国人口众多,粮食安全关系到国计民生,加强粮食产量预测有利于确保粮食安全。根据2001—2015 年四川粮食产量的历史数据,运用灰色系统理论,建立基于弱化缓冲算子的GM(1,1)预测模型,通过残差、级比偏差、关联度、后验差检测、模拟数据检查对模型的合理性和精度进行误差检验,并应用模型预测未来3 年的粮食产量。研究结果表明,灰色系统理论GM(1,1)适用于粮食产量预测且具有较高的精度。预测了2016、2017、2018 年的粮食产量同比增长分别为-2.11%、-0.39%和1.21%,由此得出未来粮食产量将在波动中增长。     

基于农业生产条件的河南粮食产量组合模型研究

通过对1990～2007年河南粮食产量的分析,在影响粮食产量的诸多因素中选出农业生产条件等8个主要影响因素。基于粮食生产系统的复杂性,建立偏最小二乘回归与BP神经网络耦合模型。偏最小二乘法通过对自变量中的信息进行组合和提取,有效克服变量之间的多重相关性问题,实现了对高维数据的降维处理,同时降低了神经网络的输入维数,提高了网络的学习效率和稳健性,从而充分利用了2类现代建模方法的优点。结果表明,偏最小二乘神经网络耦合模型研究河南粮食产量的拟合精度和预测精度都比较理想。     

基于时间序列分析的吉林省粮食产量预测模型

吉林省是我国重要的商品粮生产基地,时间序列分析中的ARIMA( p,d,q)模型可以很好地反映吉林省的粮食生产状况。利用吉林省1978—2012年的粮食产量数据,根据时间序列分析法,通过Eviews软件得到吉林省粮食产量预测模型,由该模型预测吉林省未来粮食产量呈现稳中增长的势头,但增产幅度逐渐减弱。     

基于SPSS软件的山东省粮食产量预测模型分析

本文收集2000—2017年山东省粮食总产量、粮食种植面积、农业机械总动力、农业化肥施用量、有效灌溉面积和受灾面积等有关数据,首先运用SPSS软件对影响山东省粮食总产量的各个因素进行回归分析,建立粮食总产量与这些因素之间的多元线性回归模型.其次,利用回归模型对2000—2017年山东省粮食总产量进行检验,预测精度在94...     

基于均生函数预测模型的粮食产量预测

采用均生函数预测模型,对粮食产量进行预测,并以临沂地区小麦产量为实例进行了验证。结果表明,均生函数预测模型在粮食产量预测中的应用效果较好,尤其是对趋势的预测效果令人满意。     

基于等维新息GM(1,1)模型的河南省粮食产量预测

以河南省1978—2013年的粮食产量为依据,利用灰色系统理论对河南省未来的粮食产量变化趋势进行了预测。首先在MATLAB中实现不同维数GM(1,1)模型相关参数的计算,然后把预测精度最高的7维常规GM(1,1)模型改进成等维新息GM(1,1)模型,经检验该模型精度等级为好,并预测出河南省2015—2020年的粮食产量。结果表明,等维新息GM(1,1)模型比常规GM(1,1)模型具有更高的预测精度,河南省未来5年的粮食产量仍保持增长趋势,但年平均增幅为1.43%,增产潜力较低。