参考作物腾发量主成分神经网络预测模型

为解决采用神经网络模型预测参考作物蒸发蒸腾最Eto研究中预测能力不足的问题,将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析,提取主成分,建立了基于主成分的三层BP神经网络模型.选取崇川水利科学试验站2001年到2004年的旬气象资料,采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模犁作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与Eto之间的关系,尤其对训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果.     

基于BP神经网络的离心泵关死点功率预测

离心泵关死点功率至今还不能通过理论计算求得。该文介绍了BP神经网络的结构和特点及其在离心泵性能预测领域的应用现状。基于BP神经网络建立了离心泵关死点功率的预测模型。给出了预测模型的输入模式,并应用试凑法确定了BP神经网络中间隐含层的数目。用46组数据该预测模型进行了训练并给出了神经网络权值和阈值,用3组数据该预测模型进行了仿真并对仿真结果进行了线性回归分析。研究结果表明:建立的离心泵关死点功率预测模型具有比较高的预测精度,其预测平均偏差为4%,可以应用于工程实践中离心泵关死点功率的理论求解。     

基于机械特性BP神经网络的苹果贮藏品质预测

应用L－M优化算法BP神经网络，通过用苹果机械特性指标(压缩时的最大力、屈服力、弹性模量)预测苹果贮藏品质(硬度、水分、可溶性固形物、总酸)的方法，建立贮藏品质的人工神经网络模型。用试验所测的机械特性指标为输入，苹果贮藏品质为输出来确定网络的拓扑结构，训练建立的BP神经网络。仿真结果表明：该神经网络模型用机械特性指标能预测苹果贮藏品质，同时通过5组非样本数据来验证该神经网络，模型的预测值与实测值的相对误差在5%以下，能够满足工程应用中预测苹果贮藏品质的精度要求。     

基于遗传神经网络的全国小麦条锈病长期气象预测

为了提高反向传播（BP）神经网络模型预测小麦条锈病发病率的准确性和效率,以上年1月-当年3月组合的120个大气环流特征量为基础,定量分析大气环流特征量与全国小麦条锈病发病率之间的相关性并从中筛选出主要的影响因子;对影响因子进行主成分分析（PCA）,提取累计贡献达到85．46％的前10个主成分作为预测因子;利用逐步回归、BP神经网络及遗传算法（GA）优化的BP神经网络三种模型进行预测,三种模型的预测精度均在80％以上,其中GA—BP神经网络模型的精度最高,达92．6％,而其训练步长仅为标准BP神经网络的1／4左右。通过PCA简化网络结构,同时运用GA优化网络初始权值和阈值,GA—BP神经网络模型可以较好的预测小麦条锈病的发病率。     

BP神经网络模型在大凌河中游河流含沙量预测中的应用研究

应用BP神经网络模型对大凌河中游段河流含沙量进行了预测,并结合大凌河中游大城子水文站2000—2014年实测含沙量对比分析了BP神经网络模型在大凌河中游段河流含沙量的预测精度。研究结果表明:BP神经网络模型可用于大凌河中游河段含沙量的趋势预测,模型预测的含沙量和实测含沙量之间相关系数达到0.773 9。研究成果对于大凌河流含沙量预测分析提供参考价值。     

基于人工神经网络的农户经济收入预测研究

研究了利用误差反向传播人工神经网络(BP网络)的多变量综合预测问题,并以研究上黄试区民户经济收入为背景,建立了相应的多变量综合预测BP模型.预测结果表明:农户经济收入神经网络模型预测精度较高,开辟了农户经济收入预测的有效途径.     

基于神经网络的土壤水分预测建模研究

分析了利用神经网络进行时间序列预测的方法及其基本工作原理,并且利用神经 网络建立了土壤水分预测模型.试验结果表明:所建立的模型具有较好的预测效果;用神经网络建立土壤水分预测模型的方法是可行的.     

基于径向基函数神经网络与改进遗传算法的黄河流域需水预测

针对遗传算法的不足 ,利用改进的遗传算法 ,结合性能优于 BP网络的径向基函数神经网络 ,并进行网络优化 ,建立了黄河流域需水预测模型 ,拟合预测结果表明 ,该模型能有效提高预测精度。     

基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农田地表土壤水分反演方法。首先对Sentinel-1微波遥感数据和Sentinel-2光学遥感数据进行预处理并提取21个特征参数;然后采用差分进化特征选择(Differential Evolution Feature Selection,DEFS)算法从21个特征中选出包含10个参数的最优特征子集,并利用主成分分析(Principal Component Analysis,PCA)法将特征子集进行降维;之后建立BP神经网络,采用遗传算法(GeneticAlgorithm,GA)对BP网络的节点权值进行优化,使用降维后的特征矩阵和部分实测土壤含水量数据对BP网络进行训练;最后利用训练好的GA-BP网络对研究区土壤水分进行反演,并利用实测数据对反演结果精度进行对比验证。试验结果表明,该研究反演结果的决定系数为0.789 3,均方根误差为0.028 7 cm~3/cm~3,相比单纯使用GA-BP神经网络,加入DEFS和PCA之后决定系数提高了0.215 7,同时均方根误差降低了0.029 5 cm~3/cm~3。该结果展示了DEFS和PCA算法在土壤水分反演最优特征集选择的有效性,为多源遥感农田地表土壤水分反演提供了新思路。     

基于L-M优化算法的BP神经网络的作物需水量预测模型

应用L-M优化算法BP神经网络，通过多维气象数据(太阳辐射、空气温度、湿度)与作物需水量的相关分析，来确定网络的拓扑结构，建立作物需水量的人工神经网络模型。用美国田纳西州大学高原实验室所测的100 d气象数据为输入、作物需水量为输出来训练建立好的BP神经网络，仿真表明该神经网络能很好地解决需水量多影响因素之间的不确定性和非线性，模型的预测精度较高，同时通过一组非样本天气环境参数和作物需水量来验证该神经网络，也得到了较好的预测结果，能够满足灌溉的精度要求。     

预测天然文岩渠流域土壤饱和导水率的土壤转换函数方法比较研究

在天然文岩渠流域大量实测土壤剖面数据的基础上,评价了12种根据基本土壤性质预测不同层次土壤饱和水力传导率的土壤转换函数方法的效果,同时还探讨了多元回归和BP人工神经网络两种构建方法的适用性。结果表明：基于BP神经网络方法的土壤转换函数预测精度均显著优于根据多元回归建立的土壤转换函数,其中基于BP-ANN的Wosten1999函数对于表层和底层土壤预测精度最高,而Li2007方法对第二层土壤预测效果最好;不考虑分层因素时,基于BP-ANN的Wosten1999函数预测效果最好。此外还利用GIS空间插值,对天然文岩渠流域不同深度的土壤饱和导水率进行可视化表达,为模拟该地区的土壤水分运动提供参数支持。     

BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性

生物炭作为土壤改良剂对半干旱区土壤水分有良好的吸持作用,为确定施加生物炭对土壤水分预测模型适用性的影响,依托黄土高原半干旱区固原生态站开展了小区定位试验。向土壤中施加不同种类及比例的生物炭,定期监测土壤水分含量;考虑土壤含水量的非线性特征以及生物炭对土壤水分的影响,选取BP神经网络和SVM支持向量机两种模型,建立施加生物炭土壤水分预测模型。计算预测值,并与实测值对比,分析相对误差;利用RMSE、MRE、MAE和R2评估BP神经网络和SVM模型的精度。结果表明;BP神经网络预测值的平均相对误差为3.78%,最大误差为13.14%;SVM模型的平均相对误差为0.56%,最大误差为2.42%。SVM模型的RMSE、MRE、MAE值(分别为0.34~0.17,0.07,0.56~1.27)均小于BP神经网络的(分别为1.04~1.16,0.47~0.68,3.78~4.57),且决定系数R2值SVM模型(0.96~0.99)大于BP神经网络(0.56~0.64)。BP神经网络和SVM模型均能很好地预测施加生物炭的土壤水分,但SVM模型预测结果更加稳定,精度较高,更适于施加生物炭土壤水分的预测。该研究可为半干旱地区生物炭还田土壤水分的预测及管理提供理论依据。     

冻融坡面土壤剥蚀率不同预测模型比较

为探究水蚀因子对冻融坡面土壤剥蚀率的影响,采用2个坡度(10°,15°)、4个流量(4.5,6.5,8.5,10.5L/min)和4个起始解冻深度(2,5,10,15cm),模拟野外径流冲刷试验。采用BP神经网络方法和逐步回归分析法,分析土壤剥蚀率和流量、坡度、起始解冻深度、流速、水流剪切力、水流功率与单位水流功率7个水蚀因子关系。结果表明:通过BP神经网络连接权关系分析水蚀因子对冻融坡面土壤剥蚀率影响顺序为水流功率单位水流功率起始解冻深度水流剪切力流量流速坡度。BP神经网络模型的土壤剥蚀率预测平均误差为2.848%(R~2=0.954);逐步回归模型的土壤剥蚀率预测平均误差4.820%(R~2=0.925);基于单一水蚀因子(水流功率)模型的土壤剥蚀率预测平均误差5.298%(R~2=0.867)。基于BP神经网络的土壤剥蚀率预测效果最好,为春季解冻时期冻融坡面不同起始解冻深度条件下土壤侵蚀预报模型的建立提供了新思路。     

基于BP人工神经网络的北京城市人口预测

人口系统是一个非常复杂的非线性系统,对人口数量的准确预测能为应急避险规划等提供重要依据。通过建立一维时间序列的BP人工神经网络模型,根据1980-2005年的人口统计数据,借助Matlab5.3软件进行了北京城近郊区的户籍人口数量预测。检验结果显示,2003、2004和2005年预测值与实际样本的差值在6～7万人之间,其与实际样本的比值约为1%,预测精度完全符合要求。最终预测得到2006、2007、2008、2009、2010年的人口分别为703.2、708.5、720.9、733.8、734.6万人。     

基于人工神经网络的感应电动机转子电阻参数辨识

为应用人工神经网络于感应电动机传动系统中,提出了一种基于Ｈｏｐｆｉｅｌｄ神经网络的感应电动机参数辨识方法。这种方法的精确性不受网络初值及控制参数的影响。仿真结果证明了人工神经网络辨识方法的精确性和快速性。     

不同利用方式下土壤有机质和全磷的可见近红外高光谱反演

以太湖流域直湖港小流域稻田、桃园和菜地的土壤样本为研究对象,研究了不同光谱建模方法和土地利用方式对土壤有机质和全磷高光谱反演的影响。结果表明:(1)偏最小二乘回归分析(Partial least squarer egression,PLSR)模型的建模和预测精度较高且稳定;人工神经网络中广义回归神经网络(Generalized regression neural network,GRNN)网络预测精度较高但易出现过拟合现象,反向传播神经网络(Back propagation neural network,BPNN)网络比较稳健但精度略低;偏最小二乘与人工神经网络相结合则可综合两者优点,改善复杂样本下的预测精度。(2)土壤有机质的光谱反演结果优于全磷。3种土地利用方式中,稻田的预测效果总体优于桃园和菜地。在当前研究区域内土地利用方式对土壤有机质光谱反演影响不大,但对全磷反演影响较大。今后利用光谱对土壤全磷反演时需分土地利用方式对模型进行校准。     

基于GRNN的坡面径流输沙能力模型的试验研究

坡面径流输沙能力是建立土壤侵蚀过程模型的重要水力学参数,研究定量计算坡面径流输沙能力的实用模型具有重要的理论和实践意义.通过室内模拟径流冲刷试验,计算不同坡度和流量条件下的裸地坡面径流输沙能力,利用平均影响值(MIV)方法对影响坡面径流输沙能力的因子进行分析,建立以干密度、能坡、进口流量、出口流量、水力半径、流速为输入,以坡面径流输沙能力为输出的广义回归神经网络(GRNN)模型,并应用Adaboost算法对模型进行优化.验证结果表明,所建模型能够用于对坡面径流输沙能力的模拟预测.与BP神经网络模型进行对比分析的结果表明:在试验训练样本条件下,广义回归神经网络(GRNN)模型的模拟预测结果优于BP神经网络模型;Adaboost算法能够有效减小广义回归神经网络(GRNN)模型的模拟预测误差.     

基于神经网络方法的土壤流失量预测研究

生产建设项目土壤流失量的预测直接关系到建设项目的水土保持分析、评价和防治措施体系的布局,目前常用的预测方法因其局限性、不合理性以及精度差等问题往往难以实现准确预测。将人工神经网络的BP算法引入到土壤流失量预测中,将降雨侵蚀力、土壤可蚀性、坡长、坡度、水土保持措施作为影响土壤流失量的主要因子,并以17个生产建设项目水土保持监测实例作为学习样本和检测样本,建立了基于神经网络方法的土壤流失量预测模型。预测结果表明,该模型拟合和预测精度高,具有很强的应用价值,能够满足工程应用需要。     

黄土湿陷性的智能化评价

试验研究了普那菊苣在延安市飞马河流域的生长特性、农艺经济性状及育苗栽培技术等,结果表明,普那菊苣能够适应该区域土壤气候及一般田间管理条件,产草量达8.2~9.8 t/(hm2.a),抗病无虫,品质优良,育苗栽培可解决该草在生产中抓苗保苗问题。     

基于GIS与RS的北方农牧交错带宏观生态背景分异研究

提出了用数据挖掘中的预测技术进行黄土湿陷性评价。根据实际工程资料建立黄土物理力学数据库,用BP算法建立预测模型。实例分析表明,预测湿陷系数所得的湿陷量计算值精度可达89%,这说明黄土湿陷性的智能化评价方法具有可行性和实用性。