基于BP神经网络与灰色模型的干旱预测方法研究

为了提高降水量预测的精度,采用BP神经网络与灰色模型相结合干旱预测的理论方法,研究数据的灰色建模与预测,再对模拟值与真值残差进行BP网络建模,利用残差模拟值修正总体降水量预测值,并对朝阳地区降水量进行预测。研究结果表明:BP神经网络与灰色模型预测相结合降水量平均预测误差为0.0799,比单纯用灰色模型预测误差降低0.1311,说明BP神经网络与灰色模型相结合的预测方法适合朝阳地区降水量的预测。     

基于GM(1,1)-BP神经网络的城市耕地数量预测研究

基于灰色理论和BP神经网络建立GM(1,1)-BP神经网络组合模型,把灰色模型的时序性、无序性等优点与BP神经网络自学习、自组织的特点相结合,对耕地数量进行组合预测。结果表明,组合模型对耕地数量的变化预测精度较单一的灰色预测法有提高,与实际值有较好的拟合度,且具有简单、易用的特点。     

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。     

基于修正组合模型的包头市用水量预测分析

【目的】建立基于马尔科夫链修正的组合灰色神经网络模型,为城市用水量的准确预测提供支撑。【方法】在运用灰色关联性分析法确定用水量变化的主要影响因素的基础上,建立了基于马尔科夫链修正的组合灰色神经网络模型,将该模型应用于包头市2009和2010年的用水量预测,并将其预测结果与灰色模型、BP神经网络模型和组合灰色神经网络模型的预测结果进行比较。【结果】包头市用水量受人口、国内生产总值、工业总产值、建成区绿化覆盖率、耕地面积及工业用水重复利用率的影响较大,利用建立的基于马尔科夫链修正的组合灰色神经网络模型对包头市2009和2010年用水量进行预测,并与实际用水量进行比较后表明,其相对误差分别为0.16%和2.16%,均方根相对误差为1.53%,而灰色模型、BP神经网络模型和组合灰色神经网络模型的均方根相对误差分别为4.34%,3.08%和1.99%。可见,基于马尔科夫链修正的组合灰色神经网络模型的预测效果最好。【结论】基于马尔科夫链修正的组合灰色神经网络模型结合了各模型的优势,预测精度较高。     

基于K-means聚类+灰色理论+BP神经网络的区域天然气长期需求预测

【目的】不同区域影响天然气需求量的因素存在差异,数据集包含的数据特征也不尽相同,同时天然气长期需求预测存在样本数据少的问题,因此较难构建各区域通用的需求预测模型。【方法】选取山东省11个地级市为研究对象,根据天然气年度消费量、GDP、人口等影响天然气需求量的主要因素,将多个地区、多时间跨度的数据作为总样本库,使用皮尔逊相关系数对样本特征进行初筛,利用K-means聚类算法对各样本数据进行聚类,选取能源消费结构相似的3个样本点,并将样本点对应的下一时间点的天然气需求量作为数据样本的新特征;同时,将灰色理论预测输出结果作为BP神经网络的输入样本,基于新的样本数据特征与BP神经网络构建组合预测模型。【结果】基于K-means聚类+灰色理论+BP神经网络的预测方法有效利用了相似能源结构的城市天然气历史需求量,并结合灰色理论预测模型在小样本数据上鲁棒性高的优点,预测得到山东省11个地级市天然气长期需求预测的平均绝对百分比误差为0.57%～6.41%。与传统的灰色理论预测模型、BP神经网络模型、K-means聚类+BP神经网络相比,新预测方法在模型误差、预测结果的稳定性方面均有明显改进。【结论】新...     

基于灰色神经网络和证据理论预测地下水位的研究

用灰色GM(1,1)模型、BP神经网络模型和证据理论相结合而成的灰色证据神经网络模型,对山东枣庄区域地下水位进行预测。基本思路是运用灰色GM(1,1)模型所得到的预测值按前两年来预测下一年的组合规律分别作为BP神经网络的输入输出;再用BP神经网络输出作为证据理论基本可信度分配函数,使用D-S理论将信息进行二次融合;并用地下水位实测数据对模型进行验证。结果表明,预测模型具有可行性和实用性,为生态农业规划发展提供了科学依据。     

基于灰色关联度和BP神经网络的全国人口预测研究

文章首先运用灰色关联度分析,找出了影响人口变化的主要因素,将2009-2018年的主要因素数据作为BP神经网络的输入对网络进行训练;其次运用时间序列预测对2019和2020年的出生率、老龄人口数和农村人口数进行了预测,运用灰色预测对2019和2020年死亡率进行了预测;最后将2019和2020年各因素预测值输入已经训练好的BP神经网络中得到2019和2020年总人口预测值139900和140320,结果显示BP神经网络预测具有较高的准确性。     

基于灰色神经网络的粮食预测

结合灰色GM(1,1)预测模型和BP神经网络2种预测模型的优点,提出了一种灰色神经网络模型,并用该模型对蚌埠市小麦产量进行预测。结果表明,灰色神经网络预测精度高于单一的灰色GM(1,1)预测模型或BP神经网络。     

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。     

京津冀农产品冷链物流需求影响因素及预测模型研究

采用定性分析和定量统计相结合的方法研究农产品冷链物流需求的影响因素,并在此基础上分别建立基于灰色模型、支持向量机、BP神经网络、RBF神经网络、遗传神经网络的农产品冷链物流需求预测模型。通过研究模型对变量之间相关关系的刻画能力及预测精度两方面因素,发现五类模型分析农产品冷链物流需求问题的能力排序为:遗传神经网络模型RBF神经网络模型BP神经网络模型支持向量机模型灰色模型,这一结果表明遗传神经网络用于农产品冷链物流需求分析具有优越性。     

基于遗传算法改进 BP 神经网络的遥感影像分类研究

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。     

基于遗传算法的BP网络在小流域侵蚀量预测中的应用

人工神经网络可用于流域水土流失的预测.针对BP神经网络收敛速度慢及容易陷入局部最优解的缺点,设计了基于遗传算法(GA)的优化BP神经网络.利用遗传算法特有优势,为BP网络的初始权值和阈值搜索全局最优解空间,经过BP算法迭代训练,进行预测.依据黄土高原沟壑区杨家沟小流域多年径流与泥沙的实测数据,对创建的侵蚀量模型进行训练和预测,取得了较高的预测精度和较快的收敛速度.     

BP神经网络在水稻病虫害诊断中的应用研究

介绍了BP神经网络算法及编码的内涵,探讨了基于BP神经网络的水稻病虫害专家系统的构建。研究表明,BP神经网络在水稻病虫害诊断中具有较强的应用价值。     

基于GA-BP算法的玉米品种识别系统研究

介绍一种基于GA-BP学习算法的人工神经网络,利用神经网络具有的自适应性、并行性、鲁棒性以及分类能力强等优势,构造玉米品种学习和识别系统。选用3层BP网络自动识别玉米品种,遗传算法进行粗精度的学习以选取网络权值,用BP算法完成给定精度的学习,克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷。结果表明,提出的GA-BP学习算法有效提高了BP算法的收敛速度。     

基于L-M神经网络的储粮害虫分类识别

基于图像处理的储粮害虫检测过程中,需要解决多种害虫多特征、混合度大的综合分类问题.本文提出采用基于L-M算法的多层前馈神经网络对害虫进行分类识别.实验表明,该神经网络和害虫分类识别系统拟和程度很高,并且采用的L-M算法,在网络训练速度及识别精度方面,都优于传统的BP算法.因此基于L-M算法的神经网络在害虫的在线识别方面有应用价值.     

基于遗传神经网络的采暖季PM10浓度预测

用GA算法和BP算法相结合的算法预测西安市PM10污染浓度,首先采用GA算法优化BP神经网络模型的初始权重,再用BP算法进行精确训练,在此基础上进行浓度预报。实例表明GA-BP神经网络解决了BP神经网络收敛速度慢和易于陷入极小值的问题,提高了预测精度。     

基于BP人工神经网络的土壤含水量预测模型的研究

土壤含水量是制约植物生长的主要因子之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义。提出了基于BP人工神经网络的土壤含水量预测模型,BP人工神经网络采用收敛速度较快和误差精度较高的动量-自适应学习速率调整算法。并通过基于这种模型的土壤含水量预测实验,结果表明BP人工神经网络预测模型提高了收敛速度和减少陷入局部最小的可能,并且提高了预测精度。     

基于BP神经网络的油松人工林树高模型研究

通过分析比较不同算法以及不同输入层因子,构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源,通过对6种BP神经网络的训练方法进行训练,经过反复筛选找出最优模型并与传统胸径-树高模型作比较;最后将BP神经网络中的输入因子从2个增加到6个后,经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳,R²和MSE分别为0.963 0和1.168;2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响,BP神经网络模型的决定系数（R²）随着隐含层节点数的增加呈现先上升后下降的趋势;均方误差（MSE）呈现先下降后上升的趋势,两者都在节点数为10时有极值,此时的模型为最优模型;3）当输入因子为胸径和优势树高时,油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1）,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.761 0和1.984 7;当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时,最优模型结构为6∶10∶1,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出,在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法;BP神经网络模型与传统模型相比,BP神经网络模型不需要目标方程结构,并且模拟和预测的精度均要优于传统模型;在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。     

基于神经网络PID算法的优化饲料配制系统

【目的】设计饲料配制控制系统,并采用神经网络PID优化算法实现对配料精度的提高。【方法】以西门子S-200 smart型PLC为主控设计饲料配制控制系统,针对现有常规PID算法的控制策略存在超调大、收敛慢等缺陷和BP神经网络梯度下降过程容易出现局部最小化问题,提出以附加动量项的BP神经网络PID算法实现称重误差的降低。【结果】基于动量项的梯度下降法建立的BP神经网络PID算法模型解决了参数自学习整定问题,在响应速度上该算法与PID算法对比为3∶1,试验后平均精度99.6%。并在收敛速度和改善超调现象具有更高效的表现。【结论】配料系统经算法优化后误差得到有效控制。     

基于遗传算法优化的BP神经网络进行水稻氮素营养诊断

应用遗传算法优化BP神经网络进行水稻氮素营养诊断,为水稻的合理施氮提供理论指导。水稻田间试验供试品种为‘两优培九’,设置4个施氮水平（0、210、300、390 kg·hm-2）。在水稻幼穗分化期,扫描获取水稻顶部第三完全展开叶图像,并通过图像处理技术获取19维水稻图像中的颜色和几何形态特征,采用归一化处理、离散小波变换及主成分分析对原始数据进行预处理,并应用遗传算法优化的BP神经网络进行水稻氮素营养诊断。该方法建立的水稻氮素营养诊断模型较单一BP神经网络模型和传统遗传算法优化BP神经网络模型好,模型测试所得4个施氮水平的平均识别率分别为100.000%、99.000%、97.000%、100.000%,测试集样本平均总识别率达到99.000%。基于遗传算法优化的BP神经网络所建立的水稻氮素营养诊断模型具有较强的学习能力和泛化能力,能够很好地识别出水稻氮素营养的缺失,表明运用该方法能够很好地进行水稻氮素营养诊断识别。