基于BP神经网络的沙柳地上生物量预测模型

目的 以库布其沙漠沙柳为研究对象,建立基于BP神经网络的沙柳生物量模型,探究不同建模因子下的沙柳生物量估算模型变化,以期探究沙柳生物量估算模型的最优形式。 方法 选取6种沙柳生长因子,并根据与生物量相关性大小加入输入变量,从而组成6组不同输入变量,输入变量包含因子数量逐步增加（1 ～ 6种）。对比BP神经网络沙柳生物量模型不同输入变量所拟合模型的性能,确定最佳输入变量,并在最优输入变量的基础上,确定BP神经网络隐层数量,经过反复训练,建立基于BP神经网络的沙柳生物量估算模型。 结果 基于BP神经网络的沙柳生物量模型最优结构,即输入层节点数（Nin）∶隐层节点数（Nh）∶输出层节点数(Nout)为：4∶9∶1。其中训练数据R2=0.97,RMSE=0.67,MAE=0.50;测试数据R2=0.96,RMSE=1.10,MAE=0.77。 结论 基于BP神经网络的沙柳生物量,随着输入变量中输入因子的数量不断增加,发现其R2、RMSE、MAE所表现出的模型性能逐渐变好,但是输入变量每增加1种后,当输入因子数量为5时,模型精度相比输入因子数量为4时提升幅度较小,考虑模型使用时的精度和野外工作的便利性,输入层最优输入因子数为4种,当隐层数为9时模型性能表现为最优。     

基于BP神经网络的油茶产量预测模型构建

【目的】改良传统农业生产预测方法,实现油茶产量的快速高效预测,为油茶实际生产提供参考。【方法】收集油茶栽种较为集中的湖南、江西、浙江、广西的油茶籽年度总产量、实有油茶林面积、气象等数据,选择17个气象指标作为油茶产量的影响因素,使用MATLAB软件,通过主成分分析提取出主成分,再将主成分作为BP神经网络的输入集,在传统神经网络模型基础上构建主成分分析与BP神经网络组合模型,对4个地区油茶籽单位面积年产量进行预测。BP神经网络的训练集和测试集选用1990—2018年的数据,采用2019年的数据对模型预测效果进行验证,最后应用模型对2025年油茶籽单位面积产量进行预测。【结果】对主成分有重要贡献的气象因子有日照时长、6—11月气温、3—5月降水量、平均最低气温、露点温度、平均风速、最大持续风速以及海平面气压。改进后模型迭代耗时更少,拟合度较高,对4个地区油茶产量的预测结果的平均相对误差均低于3%。应用模型预测得到2025年湖南、江西、浙江、广西的单位面积油茶干籽产量分别为0.831、0.583、0.449、0.512 t/hm²。【结论】与传统预测模型相比,改进后的主...     

基于BP神经网络的太白山生态旅游量预测研究

生态旅游需求预测受到许多不可预知因素的干扰,而且不稳定因素也很多,传统方法难以得到有效的预测结果。文章把BP神经网络应用在旅游需求预测中,通过介绍BP神经网络的原理和计算步骤,结合实例确定神经网络的结构,从而建立BP神经网络,最后预测了太白山自然保护区2011—2020年旅游人数,将利用该模型得到预测数据与实际数据做对比,表明该模型预测效果良好,并能保证网络良好的泛化能力。     

基于主成分分析的BP神经网络在电力系统负荷预测中的应用

电力系统负荷预测是电力生产部门的一项重要工作,通过引入BP神经网络算法建立相应的模型,可以提高电力系统负荷预测的精度。BP网络是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一,文章利用主成分分析方法对原有的输入空间进行重构来改进模型的预测精度。     

基于BP神经网络的臭氧需求量预测方法的设计

指出了煤燃烧产生废气中含有大量的污染物,利用臭氧进行尾气处理是优势比较明显的技术,但臭氧的需求量现阶段采用公式计算,定量供给,会导致反应不完全或者臭氧的浪费。设计了一种方法,利用相关影响因素,采用BP神经网络预测的优势,进行臭氧需求量的控制,可提高臭氧的利用率,降低企业成本。     

基于BP神经网络的中国进口俄罗斯木材贸易额预测

采用灰色关联度分析法筛选对中国进口俄罗斯木材贸易额影响较大的5个因子,运用影响因子及木材贸易进口额构建BP神经网络模型,利用GM(1,1)模型预测影响因子值,将其代入训练好的BP网络模型中对中国进口俄罗斯木材贸易额进行预测。预测结果表明,中俄木材贸易仍具有良好的发展前景。     

预测植物瞬态液流的BP神经网络模型

对于植物体内水分传输机制正确的数学解释是多年来植物生理学、生态学、森林水文学等领域亟待解决的重大问题.Van den Honert(1948)最先提出了一个简单的用欧姆定律(Ohm's law)进行植物水分传输机制的模拟模型,建立起水流和电流的相似性,为分析土壤-植物-大气连续统一体(soilplant-atmosphere continuum,简称SPAC)提供了一个简明思路和有力工具.     

基于MATLAB的BP神经网络模型在矿井涌水量预测中的应用

指出了矿井涌水量预测问题受到多种因素的共同影响,具有非线性和高度复杂性。分析了利用BP神经网络预测矿井涌水量的可行性,首先收集了淮南新集二矿2009年12个月份的涌水量数据,然后通过这些数据对已经构建好的神经网络进行训练并用训练后的结果对该年11月和12月的矿井涌水量进行了预测,最后用预测结果同实际值进行了比较。结果表明:该模型收敛性能良好,预测精度高,可操作性强。     

基于BP神经网络的CT图像重建方法研究

提出了将三层BP神经网络算法应用于不完全投影数据的图像重建。采用新的方法确定隐含层至输出层的权值,利用误差反向传播自动调节输入层和隐含层之间的权值,使重建图像投影不断逼近原始图像投影,并采用改进的Sigmoid函数和在线调整学习速率,显著加快了网络收敛速度,提高了重建图像质量。     

基于BP神经网络的马尾松树高曲线模型

基于福建省南平市2013年森林资源清查实测的121对马尾松平均木数据,应用BP神经网络建模技术建立树高预测模型。经反复训练和优选,得到最优模型结构为1∶5∶1,决定系数为0.855,均方误差为2.603 2。结合传统5个树高曲线方程,利用38对平均木检验数据分别对模型进行验证。结果表明:BP神经网络模型拟合和预测效果都优于传统方程,可以作为有效的树高预测技术。     

基于不同神经网络模型研究GPS高程转换

在GPS高程异常转换中,针对传统只从建模方法上优选模型的做法,将反向传播、径向基、广义回归等3种神经网络与值域为[0,1]、值域为[-1,1]的2种归一化函数进行组合,结合控制网测量实例,采用6种方式进行高程异常转换,对转换结果进行对比分析,探讨不同神经网络和归一化方式对GPS高程转换的影响,得出采用值域为[-1,1]的归一化函数和广义回归神经网络的高程异常转换结果最优。     

基于近红外光谱及 BP 神经网络分析法磁预测森林土壤有机碳含量

为快速测定森林土壤的有机碳含量,从取自小兴安岭带岭林业局东方红林场的120个土壤样品中采集350～2500 nm的土壤近红外光谱数据,对光谱做一定的预处理后,运用主成分分析法压缩提取前8个主成分,结合BP神经网络非线性方法建立土壤有机碳含量的预测模型并进行验证。结果表明,验证集的相关系数为0.78002,均方根误差为0.5002,预测集的相关系数为0.84941,均方根误差为0.4538。应用近红外光谱技术及BP神经网络非线性方法建模可以有效地预测土壤的有机碳含量,为野外大面积快速测定森林土壤碳含量提供了技术依据。     

Remote sensing monitoring of a bamboo forest based on BP neural network

The collection of information on bamboo forests plays a crucial role in the calculation of carbon content reserves, and the acquisition of high-precision information will be good for reducing estimation errors. High precision is obtained with the adoption of a back propagation (BP) neural network to extract information on bamboo forests from Enhanced Thematic Mapper + (ETM +) remote sensing images with the assistance of neural network modules provided by Matlab. We obtained a production precision of 84.04% and a user precision of 98.75%. We also conducted a comparison of classification differences of three training functions, i.e., the, Levenberg-Marquardt BP algorithm function (Trainlm), a gradient decreasing function of adaptive learning rate BP (Traingda), and a gradient lowering momentum BP algorithm function (Traingdm). Our analysis suggests that Traingda had the highest precision while Trainlm function required the shortest training time. __________ Translated from Journal of Zhejiang Forestry College, 2008, 25(4): 417–421 [译自: 浙江林学院学报]     

BP neural networks and random forest models to detect damage by Dendrolimus punctatus Walker

The construction of a pest detection algorithm is an important step to couple"ground-space"characteristics,which is also the basis for rapid and accurate monitoring and detection of pest damage.In four experimental areas in Sanming City,Jiangle County,Sha County and Yanping District in Fujian Province,sample data on pest damage in 182 sets of Dendrolimus punctatus were collected.The data were randomly divided into a training set and testing set,and five duplicate tests and one eliminating-indicator test were done.Based on the characterization analysis of the host for D.punctatus damage,seven characteristic indicators of ground and remote sensing including leaf area index,standard error of leaf area index(SEL)of pine forest,normalized difference vegetation index(NDVI),wetness from tasseled cap transformation(WET),green band(B2),red band(B3),near-infrared band(B4)of remote sensing image are obtained to construct BP neural networks and random forest models of pest levels.The detection results of these two algorithms were comprehensively compared from the aspects of detection precision,kappa coefficient,receiver operating characteristic curve,and a paired t test.The results showed that the seven indicators all were responsive to pest damage,and NDVI was relatively weak;the average pest damage detection precision of six tests by BP neural networks was 77.29%,the kappa coefficient was 0.6869 and after the RF algorithm,the respective values were 79.30%and 0.7151,showing that the latter is more optimized,but there was no significant difference(p>0.05);the detection precision,kappa coefficient and AUC of the RF algorithm was higher than the BP neural networks for three pest levels(no damage,moderate damage and severe damage).The detection precision and AUC of BP neural networks were a little higher for mild damage,but the difference was not significant(p>0.05)except for the kappa coefficient for the no damage level(p<0.05).An"over-fitting"phenomenon tends to occur in BP neural networks,while RF method is more robust,providing a detection effect that is better than the BP neural networks.Thus,the application of the random forest algorithm for pest damage and multilevel dispersed variables is thus feasible and suggests that attention to the proportionality of sample data from various categories is needed when collecting data.     

用泛化改进的BP神经网络估测森林蓄积量

介绍主成分变换和经规则化调整法进行泛化改进的BP神经网络在森林蓄积量建模估测中的应用,比较普通BP神经网络与泛化改进的BP神经网络对蓄积量预报的差异,分析直接用中心标准化的观测值建立仿真模型和进行主成分变换后再建立模型的效率问题.结果表明:泛化改进的BP神经网络比普通BP神经网络具有更高的预报精度,利用主成分得分作为仿真模型的变量比直接用观测值作变量具有更快的速度,并保证了预报精度.     

基于BP神经网络木材纹理分类的研究

应用 BP 神经网络对常见的10种木材纹理进行了分类研究,获得了比较满意的效果。首先,应用灰度共生矩阵提取了木材的纹理特征参数;其次,在此特征参数体系下,应用 BP 神经网络对木材纹理进行了分类研究,识别率达89%。     

遗传神经网络在板材优化下料中的应用

本文介绍了广泛用于下料优化中的遗传算法和神经网络,并将这两种优化算法的结合用于家具生产板材下料中。实验采用了3650 mm 1850 mm的板材生产100套写字桌吊桶。该板材的利用率达到94.14%,运算时间仅用了35秒。实验结果证明,用遗传算法训练神经网络权值的方法可提高板材利用率并减少神经网络的搜索时间,同时可以提高神经网络的全局搜索能力。表1参5     

基于BP神经网络的天然云冷杉针阔混交林标准树高-胸径模型

[目的]以吉林省汪清林业局金沟岭林场12块天然云冷杉针阔混交林样地为对象,基于12 953对实测树高-胸径数据,结合林分优势高分树种(组)建立基于BP神经网络的标准树高模型。[方法]在确定隐层节点数后经过反复训练得到各树种(组)的适宜模型结构,使用相同的建模数据(8块样地)求解两个传统的树高方程,再利用未参与建模的4块样地分别验证模型。[结果]表明:落叶松、云杉的适宜模型结构(输入层节点数:隐藏层节点数:输出层节点数)为2:5:1;红松、中阔(白桦、大青杨、榆树和杂木)的适宜模型结构为2:4:1;冷杉的适宜模型结构为2:8:1;慢阔(色木、水曲柳、黄檗、紫椴和枫桦)的适宜模型结构为2:7:1。[结论]与传统方法相比,BP模型不依赖现存函数,不需要筛选模型形式,而且BP模型各树种R~2高于传统模型,平均绝对误差、均方根误差均小于传统模型,其拟合精度和预测效果均优于传统方程,可以有效地预测树高。