自适应进化模型下的土壤重金属含量预测

针对Elman神经网络在土壤重金属含量预测时出现预测精度低、模型收敛速度慢等问题，提出一种自适应进化模型(AEM)。该模型以Elman神经网络为基础，运用贝叶斯正则化优化Elman神经网络的目标函数，提高网络模型预测精度；为解决网络模型收敛速度慢和易陷入局部极值等缺陷，采用自适应灰狼算法(AGWA)对网络模型初始参数进行优化；采用基于熵权距离的离群点检测法剔除数据中的离群点，以降低离群点对预测结果的干扰。以武汉市农业科学院采集的农田土壤重金属含量数据进行预测试验，AEM模型预测重金属含量的平均绝对误差和平均绝对百分比误差分别为1.623和17.48%，其决定系数比Elman的提高了0.394。AEM、自调整反距离加权插值模型(SIDIM)、小波神经网络模型(CBSA–WNN)、双向门控循环神经网络模型(SBGRNN)及Elman神经网络模型等5种不同预测模型进行对比试验表明，AEM模型在土壤重金属含量预测上具有更高的准确性。消融试验结果表明，贝叶斯正则化优化、自适应灰狼算法优化和基于熵权距离的离群点检测的离群点数据剔除等3个改进点对于提升土壤重金属含量预测精度均有一定的贡献。