基于PSO-BP神经网络的外贸发展状况的评价

以我国对外贸易的实际情况为基础，建立了评价外贸发展状况的一套指标体系.使用主成分分析方法对所有评价指标进行预处理之后，借助粒子群优化算法改进了BP神经网络算法，构建了外贸发展状况的评价模型.评价模型在具体应用中，评价结果较为准确，具有一定的科学性和合理性.     

联合SBAS-InSAR和PSO-BP算法的高山峡谷区地质灾害危险性评价

近年来,高山峡谷区地质灾害频频发生,给人民生命和财产安全带来严重威胁。针对现有地质灾害评价方法存在地质灾害数据时效性差、不准确以及需进行大量评价因子权值计算等弊端,该研究提出一种联合SBAS-InSAR（Small Baseline Subsets- Interferometric Synthetic Aperture Radar）和PSO-BP（Particle Swarm Optimization-Back Propagation）算法来对高山峡谷区地质灾害危险性进行评价的方法。首先利用SBAS-InSAR技术获取得到研究区升降轨形变量,引入高分辨率影像等作为辅助识别,得到研究区地质灾害数据;然后,选取高程、坡度、升降形变速率等12个评价因子与是否为高危险区构建PSO-BP模型,对模型进行训练、验证并保存模型;利用保存好的模型得到研究区的地质灾害指数,通过ArcGIS自然间断点分级法结合专家参与进行危险性分级,最终得到研究区地质灾害危险性评价结果。试验结果表明：利用升降轨结合的方式对高山峡谷地质灾害进行识别,避免了单一轨道存在SAR成像几何畸变造成部分地质灾害不能识别或识别结果不全面等问题;利用SBAS-InSAR技术并结合高分辨率影像等辅助信息,可有效识别出活跃的泥石流、滑坡、崩塌和潜在地质灾害,解决了现有地质灾害点数据源时效性差、不准确等弊端;利用PSO-BP算法能跳过大量评价因子权值计算等弊端;为验证该研究方法的有效性,选择信息量法和组合赋权法进行定量和定性比较,结果表明,该研究方法有效的提高了地质灾害危险性评价的准确度,信息量法、组合赋权法和该研究方法的AUC（Area Under The Curve）值分别为0.694、0.721、0.785,准确率为73.3%、76.2%、79.8%。利用该方法能更为有效的对高山峡谷区地质灾害进行危险性评价,为防灾减灾事业及政府部门决策提供参考。     

基于PSO-BP的甘蔗施肥监控系统设计与试验

针对甘蔗横向种植机的施肥机构由于肥料潮湿结块易堵塞等问题,该研究对施肥机构进行电液传动与控制改造,构建了一套基于粒子群（Particle swarm optimization,PSO）-前反馈（Back Propagation,BP）神经网络预测的施肥监控系统。以施肥马达的压力、转速及肥料箱中肥料量为输入参数,将施肥机构的工作状态（空载状态、正常状态、重载状态、堵塞状态）作为输出,通过BP算法建立输入与输出之间的映射关系,并用PSO算法优化BP算法的权值与阈值,相比未优化BP算法,优化后的工作状态预测准确率由97%提高到99%。以识别施肥机构工作状态响应准确率以及重载状态下堵塞预防概率为试验指标进行车间试验,结果表明：工作状态响应识别准确率为89%;重载状态下,控制系统控制施肥马达正反转并消除堵塞的概率为87.5%。在田间试验中,监控系统能准确预测施肥机构的重载状态并自动执行防堵控制指令,没有出现堵塞故障。该施肥防堵塞监控系统无需上位机,能够满足复杂多变工况下施肥机构的工况预测及防堵控制要求,可为其他施肥机构的自动化改造提供参考。     

基于PSO-BP神经网络的参考作物蒸腾量预测

针对以往BP神经网络收敛速度慢及易陷于局部极小值等问题,引入粒子群算法优化BP网络的权值和阈值,建立PSO-BP神经网络,预测参考作物蒸腾量ET0。以西安地区的相关资料为基础,设计9种影响因子组合方案,利用PSO-BP网络模型进行ET0的预测,结果表明,该模型运算速度快,预测精度较高;对比分析9种方案的预测结果发现,方案7为最优,该方案只需选用平均温度、平均相对湿度、风速和日照时数四项影响因子,即可获得较高精度的参考作物蒸腾量预测值。     

蛋鸡设施养殖环境质量评价预测模型构建方法及性能测试

蛋鸡设施养殖环境质量对蛋鸡的健康生长和生产性能的提升至关重要。蛋鸡养殖环境是多环境因子相互影响制约的复杂非线性系统,凭借单一的养殖环境参数难以对环境质量做出准确有效的评价。针对上述问题,本研究综合蛋鸡设施养殖环境的温度、湿度、光照强度、氨气浓度等多个环境影响因子,在布谷鸟搜索算法优化神经网络（CS-BP）预测模型的基础上,构建了改进的CS-BP的蛋鸡设施养殖环境质量评价预测模型。将构建的改进CS-BP预测模型与BP神经网络、遗传算法优化BP神经网络（GA-BP）、粒子群算法优化BP神经网络（PSO-BP）3种深度学习方法进行性能参数分析比对,结果表明：改进CS-BP评价预测模型的平均绝对误差（MAE）、平均相对误差（MAPE）和决定系数（R²）分别为0.0865、0.0159和0.8569,其各项指标性能均优于上述3种对比模型,该模型具有较强的模型泛化能力和较高的预测精度。对改进CS-BP的蛋鸡设施养殖环境质量评价模型进行测试,其分类准确率达0.9333以上。本研究构建的模型可以为蛋鸡设施养殖环境质量提供更加全面有效的科学评价,对实现蛋鸡生产环境的最优控制,促进蛋鸡生产性能的提升具有重要意义。     

光纤SPR传感器结合多分类器的水体DOM检测

针对单传感器难以完成水体可溶解有机物（Dissolved Organic Matter，DOM）总量与组份的测试问题，该研究提出利用光纤表面等离子共振（Surface Plasma Resonance，SPR）传感器的非特异选择性来构建传感阵列。通过对光纤SPR传感器的交叉敏感性分析，将获得的多模光纤镀以7种不同厚度金膜的传感器设计方案，膜厚为55～85 nm，使其对不同的可溶解有机物（Dissolved Organic Matter，DOM）的组份产生类似味蕾的交叉敏感性响应。利用粒子群算法（Particle Swarm Optimization，PSO）训练的BP神经网络构建3个分类器：PSO-BP（波长）、PSO-BP（谱宽）、PSO-BP（光强），实现对待测量响应信息的有效提取，并对里运河（A）、洪泽湖（B）、公园景观湖（C）、校园景观湖（D）4种水体的5种DOM组份（酪氨酸类蛋白质、色氨酸类蛋白质、富里酸、溶解性微生物代谢产物、腐殖酸）及其浓度进行预测，在洪泽湖水的色氨酸类蛋白质组份测试试验中，最高正确率可达85%。同时，对多分类器的结构参数进行试验分析，重点考察隐含层节点个数及神经网络结构对DOM组份测试的影响。试验结果表明：隐层节点数取15时可以获得最佳测试效果，通过基于传统神经网络RBF、BP与PSO-BP的比较试验可知，基于PSO-BP的3个分类器在DOM组份测试中的精度最高，对4种水体的色氨酸类蛋白质及溶解性微生物代谢产物组份测试的平均分类精度可达87.50%、86.28%。该研究结果为基于光纤SPR传感器及多分类器在DOM组份测试的应用提供依据及新的思路。