兵团农机总动力预测的灰色模型

借助灰色系统理论,利用兵团农机总动力的历史数据,建立了灰色预测GM(1,1)模型,对兵团农业机械总动力进行预测,为以后兵团农业机械化的发展提供一定的参考。     

基于GM(1,1)模型的浙江省农机总动力预测分析

农机总动力是反映和评价农业机械化水平的一个重要指标。农机总动力的变化受自然、经济、技术和社会等多种灰色因素影响。为此,借助灰色系统理论,利用浙江省农机总动力的历史数据,建立了GM（1,1）模型预测模型,并据此对浙江省农机总动力进行预测分析,为制定农机动力发展规划提供了依据。     

应用灰色新陈代谢GM(1,1)模型预

研究了灰色系统理论在中长期城市需水量预测中的应用。由于常规GM(1,1)模型被用于预测时，精度较高的仅仅是最近的几个数据，越往未来发展，该模型的预测意义就越弱。针对常规GM(1,1)模型存在的不足，建立了灰色新陈代谢GM(1,1)需水量预测模型。并利用此模型对北方某缺水城市未来10年的需水量进行了预测。结果表明：模型精度较高，预测误差较小。对于中长期城市需水量预测这样复杂的问题, 灰色新陈代谢预测模型具有预测精度高、简捷实用等优点，该方法可作为中长期城市需水量预测预测的工具之一。     

基于离散灰色模型的中国农机总动力预测

农机总动力预测对于国家制定相关农机发展政策具有重要意义。为此,运用离散灰色模型,对2004-2011年间的我国农机总动力的数据进行了分析建模、相关检验。其平均相对误差为0.307%,小误差概率为1,后验差比为0.026,关联度为0.999 1,各指标都达到一级判别标准,表明该模型可以用于农机总动力的预测。在此基础上,对其2012-2020年间的发展趋势进行了预测,预测结果显示农机总动力呈逐年递增趋势,平均年增长率为6.204%,发展态势良好。     

农机总动力的预测及多种数学方法的应用比较

应用多种数学方法对青海省历年的农机总动力进行了预测，取得了良好的效果。通过对这些数学方法的应用比较。分析了其中每种方法的适用范围和优缺点。为相关管理部门进行正确的决策提供了依据，并为正确选用各种数学方法进行预测具有指导意义。     

吕梁市农机总动力预测

以1979—2015年吕梁市农机总动力为研究基础,利用指数函数、三次多项式函数及BP神经网络分别建立农机总动力预测模型并进行样本比对。结果表明,BP神经网络和指数函数模型的平均绝对误差分别为1.11%和3.22%,低于三次多项式函数的平均绝对误差（8.05%）。利用BP神经网络模型和指数函数模型对2016—2021年吕梁市农机总动力进行预测,以期为农业机械化水平的发展提供参考。      

灰色补偿BP神经网络预测农机总动力—以吉林省为例

农机总动力的预测研究对于农业机械的“供给侧”改革有着重要意义和研究价值,科学合理的预测结果对于职能部门的规划制定有着重要的指导意义。农机总动力数据具有时间序列性质,本研究应用灰色GM(1,1)模型对其进行有效的预测分析。为了提高预测的准确性,应用BP神经网络对灰色残差数据进行处理,补偿灰色预测结果,建立了相应的预测模型。实验表明:该模型对于吉林省农机总动力的预测科学有效,并对吉林省未来5年的农机总动力进行了预测,为相关政策制定提供了科学依据。     

基于灰色理论的陕西农业机械总动力预测

农业机械总动力预测是农业机械化科学管理的重要内容。为此,运用灰色系统理论GM(1,1)模型,对1998-2008年陕西省农业机械总动力进行了相关检验,模拟了陕西省农机总动力发展情况,相对误差均小于3%,平均误差为1.01%,模型可用于农机总动力预测。预测结果表明:2011-2015年陕西农业机械总动力分别为19 570,21 687,2 3932,26 315,28 843kW,呈直线上升趋势,年平均递增率为9.48%。     

GM(1,1)模型在电力系统中长期负荷预测应用

文章简要地介绍了电力系统负荷预测的意义,对负荷预测中的灰色预测方法进行了深入的研究,通过对灰色理论预测方法建模并对电力系统负荷进行预测,得到了GM(1,1)模型灰色预测方法能够准确的实现对负荷的预测。     

基于LM-BP神经网络的农机总动力预测

利用黑龙江省1983-2013年农机总动力数据,运用标准BP神经网络和LM-BP神经网络对黑龙江省未来5年的农机总动力进行预测。预测结果表明:在达到相同的误差目标值(即计算期望精度),LM-BP神经网络与标准PB相比,具有更快的收敛速度。如果需进一步减小误差目标值(即提高计算期望精度)时,标准BP神经网络在16h内都无法满足给定的精度要求;而LM-BP神经网络在20s内即可满足给定的精度要求。此时,LMBP神经网络的收敛速度优势非常明显,而拟合的精度也进一步提高,表明LM-BP神经网络具有较高的预测精度。准确的预测黑龙江省农机总动力,可为黑龙江省农业机械化发展规划的制定和近阶段农业机械化的发展水平提供参考依据。     

新疆兵团农机总动力预测模型的研究

为了提高新疆兵团农机总动力预测模型的精度,获得更加可靠的预测结果,针对回归模型的多重共线性问题及灰色模型仅含有指数增长趋势的问题,基于2007-2014年农机动力的相关数据,建立了主成分回归和灰色回归两种预测模型。对两种模型的预测精度进行比较分析,结果表明:主成分回归模型和灰色回归模型预测值的平均相对误差分别为0.57%、0.46%,灰色回归预测模型的精度较高,可以较真实地反映新疆兵团农机总动力的变化趋势。应用该模型进行预测,得到了新疆兵团农机总动力未来5年的预测值。     

考虑自变及因变影响的农机总动力组合预测模型

为能获得精确预测农机总动力的方法,以灰色模型和多元线性回归模型为子模型,应用Shapley值法计算子模型权重系数,构建农机总动力组合预测模型。应用我国2000-2010年农机总动力数据,分别标定上述模型相关参数,并计算各模型年度相对误差和平均相对误差。其中,GM模型和多元线性回归模型的平均相对误差分别为0.68%和0.91%,组合预测模型的平均相对误差为0.59%,精度较高。同时,组合模型既能够反映数据自身变化规律的特征,又能定量反映农机总动力与其相关影响因数间的数理关系,具有较强的适用性。     

2011-2015年河南省农业机械总动力的预测

农业机械总动力是衡量农业机械化水平的一项重要指标。对河南省农业机械总动力进行预测,将为农业机械化部门制定合理的发展规划提供一定的理论支持,同时也为农机企业了解未来市场需求状况提供一定的参考。以1991-2010年间的河南省农业机械总动力统计数据为基础,利用BP神经网络建立了河南省农业机械总动力的预测模型。该模型采用3层BP神经网络,输入层、隐含层和输出层的神经元数目分别为5,13和1。隐含层和输出层的激励函数分别为正切型与对数型Sigmoid函数。采用分步预测的思想,利用自适应学习速率训练方法对该网络进行了训练,获得了该模型中各层之间的连接权值和各层神经元的阈值。利用该模型对现有数据进行了仿真预测,结果表明,该模型具有较高的预测精度。在此基础上,对河南省"十二五"期间的农业机械总动力进行了预测,并给出了预测数据。     

辽宁省农机总动力组合预测与分析

通过对1994～2004年辽宁省农机总动力历史数据的统计分析,建立了农机总动力发展的组合预测模型,并对农机总动力进行了预测.预测结果表明,组合预测模型优于单一预测模型,使预测精度有了一定的提高,用其对辽宁省农机总动力进行预测更具有合理性.分析预测结果对辽宁省农机发展规划有着重要意义.     

基于灰色BP神经网络的农业机械总动力预测

为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。     

1978年以来中国农机总动力时空差异和结构变化分析

以1978-2008年全国和各省农机总动力面板数据为依据,通过空间自相关、局部空间自相关和统计分析得出结论:①中国农机发展水平总体处于中级阶段,但发展势头迅猛,预计到2015年全国农业机械总动力将达到233 170.250 7万kW;②区域农机化水平和发展速度差异显著;③研究时段内农机总动力内部结构变化明显,主要表现为小型柴油机动力的显著增加和农用排灌柴油机比例的显著减少。主成分归因分析表明:经济发展水平、自然状况、国家政策、配套措施和农民文化程度等是导致农机总动力时空差异的主要原因,从而为国家制定农业政策提供科学依据。     

农业机械动力输出轴功率测试装置的研制

简要介绍了一种小型自动化高精度功率测试装置(仪),并通过试验研究证明其达到较满意的效果.测量系统能够实现对产品的轴功率进行无线遥测,安全性较之以往的设备和系统有较大提高,同时能够更加精确地测量出轴系的功率值,为进一步提高能量的传递效率、节约能源提供了可靠的依据.除了具有以上优点以外,由于采用了比较先进的ZigBee数据无线传输系统,使得系统本身的能耗大为降低,实现了低能耗与高效率的结合.与以往的测量系统相比,该系统在数据传送等方面具有一定的创新性,具有较高的推广与实用价值.     

GM(1,1)模型在农村电力负荷预测中的应用

农村电力系统是一个含有许多不确定影响因素的灰色系统,而灰色模型法恰好是一种对含有不确定性因素的系统进行预测的方法,因此可将灰色模型法应用于农村电力系统负荷预测中。示例计算结果表明,用该方法预测电力系统负荷具有较高的预测精度。     

农机总动力影响因素的灰色关联分析——基于G-P算法

应用混沌理论中的饱和关联维数法(G-P)与灰色关联分析法,对黑龙江省农机总动力的影响因素进行量化分析;以黑龙江省农机总动力作为灰色关联的模型输出因子及饱和关联维数法计算的对象,从农业劳动力、土地生产规模、购买农机的经济环境及农机具的装备数量等4个不同的角度出发,选择14个不同的农机总动力影响因素作为灰色关联的输入因子。最终,由饱和关联维数法计算农机总动力的嵌入维数,并与灰色关联法对影响因素进行对比分析,得出了影响黑龙江省农机发展的8个主要影响因素,对主要影响因素进行了深入分析,并根据分析结果提出了促进农业机械化发展的建议。