基于RBF神经网络的池州市降水序列预测

时间序列预测分析方法是进行预测预报的有效工具,有着广泛的应用。针对时间序列的非线性、动态变化等特征,基于RBF神经网络对时间序列预测方法进行改进,并以安徽省池州市1959～2009年来的月降水量为时间序列数据样本,用MATLAB软件编程,采用基于随机选取中心的RBF神经网络预测方法,对池州市的月降水量进行预测,并选择不同的扩展速度参数,用均方误差进行检验。通过与BP网络模型的预测结果比较分析,表明RBF模型的预测效果较好。建立的基于随机选取中心的RBF神经网络模型,不需要计算原始时间序列数据的复杂函数关系,具有操作简单、学习速度快、短期预测精度高等优点,用于时间序列预测方面能够获得十分满意的结果,具有很高的应用价值。     

GFS和T639模式气温产品的检验分析

[目的]检验分析GFS和T639模式的气温预报能力。[方法]采用2012年徐州站最高气温和最低气温资料,对GFS模式和T639模式0~168 h最高气温和最低气温预报产品进行检验。[结果]无论是最高气温还是最低气温,GFS和T639 2个模式气温预报产品的预报准确率均随着时效的延长呈现波动下降,夏季最低气温的预报准确率整体上均高于其他季节;各个模式不同季节不同时效的气温预报的偏低率和偏高率明显不同;随着预报时效的增加,2个模式预报气温产品平均绝对误差逐渐增大,但总体上,夏季的误差小于其他季节。总体上来看,GFS模式预报效果优于T639模式。[结论]该研究为预报员合理使用数值预报产品、提高气温的预报准确率提供指导。     

基于Kriging插值和BP神经网络结合的粮仓温度场预测模型研究及实现

针对复杂仓储环境中粮情温度单点预测效果不理想、现有温度场建模难以满足工程应用需求等问题,基于温度场理论,结合分布式测温系统结构,提出了基于粮堆温度数据的温度场预测模型。该模型基于BP神经网络,利用粮仓内离散测温点数据预测对应点的未来温度数据;再采用Kriging插值法进行空间插值,利用已知位置的温度值估计出未知点的温度值,进而建立温度场的预测模型。仿真测试结果表明,温度预测的平均绝对百分误差为1.253 5%,均方根误差为0.106 0,预测效果良好。采用Kriging插值法进行温度点的插值,其平均绝对百分误差为9.470 0%,均方根误差为0.865 1。对比于传统的粮堆温度单点预测算法,该模型能够更好地反映粮仓内温度场变化趋势以及温度分布的情况,为粮仓管理者提供更好的数据支持,实现辅助决策。该模型可扩展性强,能够适用于各种仓储现场。     

基于深度强化学习的耕作层土壤水分、温度预测

【目的】利用土壤近表面空气温湿度与土壤内部参数的关联关系对耕作层土壤水分、温度进行精准预测,为实现精细化农业种植管理提供服务。【方法】针对土壤耕作层水分、温度预测在训练集获取与模型验证等方面的实际需求,设计了基于嵌入式系统及窄带物联网(Narrow band internet of things,NB-IoT)无线通信技术的物联网数据采集系统。在此基础上基于深度Q学习(Deep Q network,DQN)算法探索了一种模型组合策略,以长短期记忆(Long short-term memory,LSTM)、门限循环单元(Gated recurrent unit,GRU)与双向长短期记忆网络(Bidirectional long short-term memory,Bi-LSTM)为基础模型进行加权组合,获得了DQN-L-G-B组合预测模型。【结果】数据采集系统实现了对等间隔时间序列环境数据的长时间稳定可靠采集,可以为基于深度学习的土壤水分、温度时间序列预测工作提供准确的训练集与验证集数据。相对于LSTM、Bi-LSTM、GRU、L-G-B等模型,DQN-L-G-B组合模型在2种土壤类型(...     

基于支持向量机回归的猪肺疫发病率预测模型研究

为探明支持向量机回归(SVR)模型在动物疫病定量预测上的效果,以便为动物疫病防控决策提供依据,利用广西2007—2013年的猪肺疫月发病率时间序列,进行了SVR模型预测猪肺疫月发病率效果的研究。首先,以自相关函数法和Cao方法相结合,确定该时间序列的时间延迟为2,嵌入维数为6,并对其进行相空间重构;然后,依据主分量分析(PCA分布)方法判定该时间序列具有混沌特性,表明其在重构相空间中进行分析预测是可行的;最后,基于相空间重构结果构建SVR模型,分别采用网格搜索算法、遗传算法、粒子群算法对模型参数进行优化,并分析预测效果。结果表明,运用遗传算法优化SVR模型参数预测效果最优,平均绝对偏差(MAD)为0.043、均方误差(MSE)为0.003、平均绝对百分误差(MAPE)为0.202。可见,采用遗传算法优化的SVR模型对猪肺疫发病率的预测是可行有效的。     

基于遗传算法神经网络模型的蔬菜价格预报

针对蔬菜市场价格预报的复杂性,利用遗传算法与神经网络的特性,建立了基于遗传算法的神经网络蔬菜价格预报模型,并以香菇为例通过实验对模型参数选择进行了分析,进行了价格的模拟与预报。最后把遗传算法神经网络与BP网络预报结果进行了比较,结果证明,在预报数据绝对误差小于10%的范围内,二者预报能力相当;在预报数据绝对误差小于20%、15%的范围内,遗传算法神经网络模型的准确度高于BP神经网络模型,尤其是预报绝对误差小于20%的范围内,遗传算法神经网络模型的准确度明显好于BP神经网络模型,表现出模型良好的泛化能力。     

宿州市秋冬连旱的灰色BP神经网络预测模型

秋冬连旱是影响宿州冬小麦、油菜等越冬作物生长发育的重要因素。以Z指数≤一0．8为标准,确定宿州市秋冬持续重旱年份序列,建立GM（1,1）预测模型,并应用BP人工神经网络（BP—ANN）对残差进行拟合,对GM（1,1）预测模型进行修正。结果表明,拟合结果较单一的GM（1,1）模型有一定提高。预测2008年后的下一个宿州市秋冬（10月-2月）持续重旱年度发生在2017～2018年,对当地农业生产和防灾减灾有一定的参考价值。     

基于自适应模糊神经网络的鱼类投喂预测方法研究

在集约化水产养殖中,鱼类的投喂水平直接关系到养殖效率和生产成本。针对当前水产养殖中存在的投喂量不合理、饲料浪费严重的问题,以实现投喂量的精准预测为目的,提出了一种基于自适应模糊神经网络的鱼类投喂量预测方法。该方法以罗非鱼为研究对象,选择水温和鱼的平均体重2个因素作为输入变量,利用混合学习方法,通过训练和学习获得最优模糊规则库,基于自适应神经网络模糊推理系统（adaptive network fuzzy inference system,ANFIS）建立投喂量预测模型,取得了较好的预测效果。基于ANFIS的投喂量预测模型的均方根误差、平均绝对误差和平均绝对百分比误差分别为1.18、0.74和0003 1,均远远小于原始模糊推理投喂量预测模型的指标值,其网络预测能力优于原始模糊推理预测模型。因此,该模型不仅可以在无监督条件下对鱼进行科学投喂,节省人力成本,而且能为合理的投喂提供技术支撑和理论支持。     

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。     

基于深度学习的水稻表型特征提取和穗质量预测研究

水稻产量与水稻穗数和穗质量密切相关,精确预测水稻产量可以加快育种速度.以盆栽水稻为研究对象,首先利用可见光图像结合图像处理技术进行特征提取,获取整株水稻的51个表型特征.结合深度学习,运用Faster R-CNN卷积神经网络训练模型对水稻穗数进行检测,同时使用SegNet网络框架训练得到的模型对水稻稻穗进行分割,得到水...     

地下水位粒子群优化神经网络组合预测模型

【目的】将粒子群优化神经网络组合预测方法引入地下水位预测中,以提高地下水位预测的精度。【方法】以回归分析法、指数平滑法、灰色GM（1,1）模型的地下水位预测结果及预测结果平均值作为网络的输入,以实际地下水位值作为输出,对3个单一模型进行非线性组合,建立地下水位的粒子群优化神经网络组合预测模型,应用实例对模型的预测结果进行了验证,并与3个单一模型及等权平均组合模型的预测结果进行比较。【结果】实例运用结果表明,粒子群优化神经网络组合预测模型的均方误差为0.740 9,平均绝对误差为0.657 6,均小于单一模型及等权平均组合模型的相应值。【结论】粒子群优化神经网络组合预测方法适用于地下水位的预测。     

径向基函数人工神经网络在棉花耗水量预测中的应用

采用径向基函数人工神经网络的方法,利用MATLAB工具箱,以气象资料中的平均气温、日照时数、平均风速作为输入变量,建立了预测新疆石河子地区棉花耗水量的RBF神经网络预测系统,并通过实测数据的检验得出此预测系统网络模型的绝对误差最大为0．0962mm／d,最小为0．0008mm／d,平均为0．0519mm／d;相对误差最大为1．7995％,最小为0．0165％,平均为0．9664％,可见网络模型预测的准确度较高,较以往的线性模型更合理,并且此网络训练花费的时间短,仅需0．0780s。     

温室湿度环境的主成分分析人工神经网络建模研究

实测温室内影响空气湿度的环境因子组成数据样本,对数据样本进行主成分分析,提取出影响温室湿度的4个主要成分．讨论提取的主成分与原始过程数据样本间的关系。以采用主成分分析后的数据样本作为神经网络模型的输入变量,模型模拟值和实测值之间的相关系数R^2为0．8842。以±0．1作为模拟相对误差,命中率达到85％。用训练后的网络模型对20组未参加建模的样本数据进行模拟,均方根误差为1．6745,优于回归方程法的4．4349。基于神经网络模型,运用敏感性分析法对影响湿度的各医素进行重要性分析和排序,得出各影响因素的重要程度依次为室内温度、室外湿度、室外温度、保温帘展开度、室外风速、室外太阳辐射照度、天窗开窗角度和侧窗开窗角度．     

基于EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测

利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。     

基于多种模型的浙江省入境游客量预测

入境游客量是衡量地区旅游发展的重要指标之一,准确的旅游需求预测可以为旅游规划提供参考依据。本文根据浙江省2001-2011年接待入境旅游游客量及其他相关统计数据,运用BP神经网络法、GMDH模型、逐步回归分析与BP神经网络组合预测法以及BP神经网络与GMDH模型组合预测法,基于影响因子要素对入境游客量进行预测分析。实验证明BP神经网络与GMDH模型组合预测法具有较强的预测优势。     

基于优化的长短时记忆神经网络牧群采食量估测模型

为了能够较为精准的估测牧群的采食量信息,提出一种基于遗传算法(genetic algorithm, GA)和长短时记忆神经网络（long short-term memory,LSTM）的牧群采食量估测模型。首先通过皮尔森系数法分析得出影响牧群的采食量的主要影响因子,以减少输入维度并解决信息冗余问题。在此基础上,构建基于 LSTM 神经网络算法的牧群采食量估测模型,并引入遗传算法来优化LSTM 神经网络模型参数来增加模型的可靠性。最后,利用该模型对牧群采食量进行估测。试验结果表明：该采食量估测模型各评价指标平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、以及均方根误差（root mean square error,RMSE）分别为2.982、9.85%和6.108。与单一的LSTM神经网络以及GRU神经网络模型相比,均优于其他模型;且该模型具有较好的估测性能和较强的泛化能力,能够为合理轮牧提供科学指导,对草地保护有一定的应用价值。     

BP神经网络模型在烟草烘烤过程中叶温变化预测中的应用

【目的】建立合适的BP神经网络模型,了解散叶烘烤过程中一系列烘烤因素对叶温变化的影响,为烤烟烘烤调制过程中叶温变化研究提供参考。【方法】运用叶温测定仪和温湿度自控仪记录烘烤过程中干球温度、湿球温度、相对湿度及干球温度与叶温的差值,并将此4项指标作为输入变量,叶温作为输出变量,建立一个拓扑结构为4—4-1的BP神经网络模型。【结果】所建立的BP神经网络模型模拟结果很快收敛,预测结果的绝对误差与相对误差小,预测所用的20组数据中相对误差〉1％的有8组数据,相对误差〉2％的有2组数据,相对误差〈1％的有12组数据。【结论】所建立的BP神经网络模型在对烟叶烘烤过程中叶温变化的预测效果较好。     

GA-BP优化TS模糊神经网络水质监测与评价系统预测模型的应用——以太湖为例

针对水质监测与评价系统在太湖应用过程中水质数据和水质等级评价不准确的问题,建立了一种多隐含层改进型GA-BP神经网络来辨识复杂的水质模型,以均方误差MSE作为个体适应度,并在权值调整过程中加入动量因子来加快收敛速度,获取最优权阈值,提高其拟合程度和泛化能力.根据校准后水质的pH、溶解氧、浊度和氨氮数据,利用TS模糊神经网络建立了适用于当地水质评价的模型.仿真测试结果充分说明改进型GA-BP优化TS模糊神经网络对复杂水质模型的拟合程度更高,水质数据的均方误差、绝对误差更小,绝对误差保持在1.5%以内,水质等级预测精度提高14.28%.     

施氮对冬小麦生长及产量影响的模拟研究

为了定量分析施氮量与冬小麦生长和产量的关系,以‘济麦22’为材料,于2016—2018年度开展了小麦施氮量试验。利用2016—2017年度试验资料,分析了施氮量对冬小麦产量的影响规律,引入冬小麦地上部干物质量影响因子、产量及产量构成影响因子,构建了施氮量对冬小麦产量影响的模拟模型。经2017—2018年小麦生长季试验数据检验,根均方差值、绝对误差和绝对误差占实测值比率均显示模拟值和实测值有较高的一致性,除产量和单位面积穗数相关系数不理想外,地上部干物质量、穗粒数、千粒重和收获指数的相关系数均较高,所建模型可较好地模拟施氮对冬小麦地上部干物质量、籽粒产量、单位面积穗数、穗粒数、千粒重和收获指数的影响,可为冬小麦氮肥高效利用和精准减量施肥提供一定的参考。     

冬小麦冠层叶绿素质量分数高光谱遥感反演研究

叶绿素质量分数是评估冬小麦生长状况和预测产量的重要参数,估算叶绿素质量分数对于冬小麦的生长监测具有重要意义。利用SPAD-502叶绿素仪和SVCHR 1024i型便携式高光谱仪对冬小麦冠层叶绿素质量分数和光谱特征进行田间测量,分别利用回归分析方法和BP神经网络方法搭建冬小麦叶绿素质量分数的估算模型,并将模型估算的叶绿素质量分数与田间实测的叶绿素质量分数进行对比,分析反演精度,从中筛选出精度最高的模型。结果表明:基于BP神经网络的冬小麦冠层叶绿素质量分数估算模型拟合精度要优于其他7种基于植被指数的估算模型,其相关系数(R)为0.961 4,均方根误差(RMSE)为1.875 4,相对误差(RE)为2.815 2%,以及检验方程的决定系数(R~2)为0.704 8,RMSE为1.744 6,RE为2.845 1%。研究结果为估测冬小麦冠层叶绿素质量分数提供参考,从而为冬小麦叶绿素质量分数的实时、快速、无损监测奠定基础。