基于环境气体信息的BP神经网络苹果贮藏品质预测

针对苹果贮藏品质预测复杂、精度低的问题,设计了基于环境气体信息的BP神经网络苹果贮藏品质预测。首先分析了贮藏环境中温度、气体体积比与苹果理化特性指标的相关性,再通过对苹果的贮藏温度、气体(氧气、二氧化碳)体积比和理化特性指标(硬度、可溶性固形物含量、总酸含量、水分含量)进行检测,将16组温度和气体体积比数据作为BP神经网络的输入,理化特性指标分别作为BP神经网络的输出,对建立的BP神经网络进行训练。训练后用5组非训练样本进行试验验证,结果表明用BP神经网络模型预测苹果贮藏品质的预测值与实测值相对误差在5%以下,可以满足苹果贮藏品质预测的精度要求。     

基于逐步回归法和BP神经网络模型的苹果产量预测

本文通过逐步回归法挑选出4个影响苹果产量的关键气象因子,并运用逐步回归法和BP神经网络建立苹果产量预测模型。通过检验,2种预测模型拟合效果均较好,均能够较好地预测今后苹果的产量趋势。其中BP神经网络模型预测有较高精度,但存在局限性。     

基于电子鼻的苹果低温贮藏时间及品质预测

【目的】研究利用电子鼻对苹果低温贮藏时间及品质的预测效果,为苹果低温贮藏品质的无损检测及合理加工利用提供参考。【方法】以富士苹果为试材,在(0±1)℃低温条件下贮藏,分别在贮藏后的第0,30,60,90,120,150和180天,随机选取30个果实,利用PEN3型电子鼻检测其香气,并一一对应测定苹果的主要品质指标(硬度、可溶性固形物含量和可滴定酸含量)。利用载荷分析优化电子鼻传感器阵列,对优化后的电子鼻检测数据进行线性判别分析,建立苹果低温贮藏品质的偏最小二乘预测模型、BP神经网络预测模型和贮藏时间的多层感知器预测模型,并对预测效果进行了比较。【结果】线性判别分析能够较好地区分苹果的贮藏品质,且苹果香气在贮藏60~90d时变化较大;建立的多层感知器神经网络模型对苹果贮藏时间有较好的预测效果,预测准确率均92.0%;利用偏最小二乘法和BP神经网络均能对果实的品质建立有效的预测模型,其中偏最小二乘法对冷藏苹果硬度和可滴定酸含量的预测效果优于对可溶性固形物含量的预测,利用BP神经网络所建立预测模型的决定系数均0.930 0,预测效果较偏最小二乘法更好。【结论】利用电子鼻的快速无损检测功能可以实现对苹果低温贮藏时间及品质的预测。     

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.     

残差修正模型在森林火灾预测中的应用

基于1990-2013年福建省森林火灾发生次数建立残差修正模型,并与BP神经网络模型、马尔科夫链模型、赋权组合预测模型进行比较.结果表明:残差修正预测模型的预测精度达到95.33%,而BP神经网络模型预测精度是87.77%,马尔科夫链模型预测精度为74.85%,赋权组合预测模型预测精度为88.3%,残差修正模型预测效果优于其他3个模型,说明使用其对离散的森林火灾数据进行短期预测是有效可行的.     

基于粒子群优化的BP网络模型在旱涝预测中的应用

旱涝预测为旱涝灾害防御措施的研究提供重要的依据.运用PSO优化的BP神经网络建立了旱涝预测模型.PSO优化的BP神经网络既发挥了BP神经网络在预测领域的优点,同时又结合了PSO算法全局搜索能力强、收敛速度快等特点进行预测.预测结果表明:辽宁省本溪地区11年实测数据对PSO优化的BP神经网络模型进行验证,PSO优化的BP神经网络模型的预测结果明显好于未经优化的,模型精度得到了一定程度的提高,能满足本溪地区旱涝预测的实际需要.     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

神经网络在松墨天牛发生量预报中的应用

运用神经网络的基本原理,结合闽北地区气象和环境因子及松墨天牛发生量的实测数据,建立神经网络模型.结果表明:所建立的BP神经网络模型,具有满意的拟合精度和预测精度.2个预留调查点的平均预测精度达97.2%,预测准确率为100%.     

线性回归与BP神经网络方法的山东粮食产量预测比较研究

山东省是我国传统农业大省,粮食产量对我国粮食总产量的影响较大,因此对山东省粮食产量进行预测具有重大意义.分别利用多元线性回归方法和BP神经网络两种预测方法对山东粮食产量进行预测,并对两种方法的预测结果进行分析比较,实验证明,BP神经网络平均预测精度高于多元线性回归模型,且各期预测精度较多元线性回归模型更稳定,但随时间推移,误差增大,因此BP神经网络预测模型较适用于近期粮食产量预测.     

基于气象因子的科尔沁右翼前旗草原鼠害预测模型研究

基于气象因子,本文使用Back-propagation (BP) 神经网络模型对内蒙古自治区科尔沁右翼前旗草原鼠害发生面积进行预测,结果表明：BP神经网络模型的预测效果良好,其精度可高达91%以上,符合预测草原鼠害发生面积的业务要求.     

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MATLAB神经网络的温室草皮腾发量预测研究

[目的]明确基于MATLAB的BP神经网络预测温室草皮腾发量的可行性。[方法]在9月温室实测气象资料的基础上,对温室内的平均气温、相对湿度、光照强度和草皮日腾发量(ET)进行回归分析,建立了BP网络ET预报模型(BP-ET)。[结果]气温、光照强度与草皮腾发量呈显著正相关(P<0.05),相对湿度与草皮腾发量呈显著负相关(P<0.05)。BP神经网络模型具有极高的拟合精度,9月资料检验预报模型的平均相对误差为5.58%,模拟与检验均有很高的拟合精度。BP网络可以用于草皮日腾发量的预测,是对传统草皮日腾发量计算的补充。[结论]该研究为气象数据缺测条件下温室草皮日腾发量的估算提供了新思路。     

基于BP神经网络的马铃薯气候产量预报模型

为了准确预测马铃薯气候产量达到趋利避害的目的,利用1980—2015 年山西省大同市马铃薯产量及同期国家基准观象台观测到的气候资料,选用传统的统计回归方法和BP神经网络方法分别建立马铃薯产量预报模型。结果表明：通过二次函数曲线和最小二乘法确定马铃薯敏感期的气候因子是气温、日照和降水,其中降水对马铃薯产量的影响最大。通过改进的气候产量算法可以更好地反映气候要素与作物单产之间的函数关系。在Matlab 平台上训练精度设为0.005、学习率0.01 的BP神经网络方法可以很好地逼近非线性函数。用大于1/3 样本进行预报检验表明,在预报精度和拟合精度上,BP神经网络模型都明显优于传统的回归模型,BP神经网络方法在马铃薯产量预报中有具有非常广泛的应用前景。     

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.     

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。     

土壤墒情预测模型对比

为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。     

优化BP神经网络算法在油茶产量预测中的应用

针对标准的BP神经网络模型对我国南方的重要木本油料树种油茶产量进行预测过程中存在的缺陷,采用相对误差逐步优化回溯算法在迭代过程的参数,使原始的BP神经网算法在运算精度和计算速度上均得到显著的提高,即一种改进的回溯算法优化BP神经网络预测模型。经过试验效验与仿真证明,得到的改进算法不仅能提高油茶产量预测的收敛速度,而且在油茶产量预测精度上也有很大的提高。优化后的BP神经网络算法为多要素因子之间相互影响事件的结果预测,提供了新的设计思路和更好的解决方法。