共查询到20条相似文献，搜索用时 31 毫秒
1.
基于小波神经网络和BP神经网络的麦蚜发生期预测对比 总被引：1，自引：0，他引：1
为建立更准确、稳定的病虫害预测预报模型,减少农作物病虫害损失、提高农作物产量与质量,运用主成分分析法从42个基础气象因子中整合形成8个新的自变量输入模型,采用试凑法对网络关键参数进行筛选,用2002-2011年数据进行网络训练,建立了以Morlet小波函数为传递函数的小波神经网络模型,并与以Sigmoid函数为传递函数的BP神经网络模型进行了比较.在小波神经网络训练过程中,有6年拟合精度在90％以上,平均拟合精度为89％,预测结果MAPE值为4.1939,MSE值为5.9764;在BP神经网络的训练过程中,有4年拟合精度超过90％,平均拟合精度仅为81.07％,预测结果中MAPE值为6.4694,MSE值为8.2457.从训练结果看,小波神经网络更能准确描述麦蚜发生期的变化规律,其拟合能力较BP神经网络好;从预测精度和模型的稳定性来看,小波神经网络好于BP神经网络. 相似文献
2.
采用常规气象观测资料建立了兰州市太阳总辐射BP神经网络预测模型,利用神经网络释义图和连接权法剔除了模型中的冗余变量,用优化的BP网络模型预测了兰州市1996-2000年的太阳辐射,并用实测数据验证了该模型。结果表明:该方法增加了模型的透明度,提高了模型的可靠性和鲁棒性,模拟结果与实测值非常吻合,模拟值的各项误差指标值均很小,模拟值与实测值的拟合优度R2达到0.987,通过与其他经验模型的模拟结果进行对比,优化的BP网络模型的模拟效果最好,精度明显高于其它经验模型。因此,对于无太阳辐射观测的地区,优化后的BP网络模型是预测当地太阳辐射的一种有效方法。 相似文献
3.
BP神经网络和多元线性回归在粮食产量空间分布预测中的比较 总被引：2，自引：0，他引：2
根据2011年河北省92个平原县粮食产量数据,按农业生产过程和需求确定自然和经济两大类影响因素共8个指标。根据逐步多元线性回归进行回归建模,并运用BP神经网络建立影响因素和粮食产量的网络模型。对比两种模型的拟合效果,BP神经网络模型在精度、稳定性、泛化度和理论基础上都要优于线性回归模型,可用于时空混合的空间预测。最后根据可估相关因子的变化代入BP模型对2015年粮食产量进行空间预测。从多角度说明了BP神经网络在空间分布预测中的优势性。 相似文献
4.
引入遗传算法优化BP神经网络权重和阈值的方法建立黄土坡面产流入渗模型.模型以雨强、降雨历时、表层40 cm土壤前期含水量、坡度值为输入项,径流量、入渗量为输出项,用实测资料对网络进行模拟和预测.模拟结果平均误差6.32%和1.93%,预测结果平均误差为5.71%和1.92%.并与传统BP神经网络模型和定雨强Philip... 相似文献
5.
BP神经网络和支持向量机在积温插值中的应用 总被引：1，自引：0，他引：1
积温插值是分布式积温获取的重要途径。为了提高积温插值的精度,应用BP(Back Propagation Learning Algorithm)神经网络模型和支持向量机(Support Vector Machine,SVM)模型建立甘肃省及周边地区的积温插值模型。结果显示:1)从积温插值的空间分布来看,SVM模型比BP神经网络模型能够体现出更多的细节;2)SVM模型的插值精度总体上显著高于BP神经网络模型;3)在平均相对误差(MRE)最大的西区,相比BP神经网络模型的7.19%,SVM模型将误差降低到了5.47%;4)东区两种模型的MRE最小,BP神经网络模型为2.97%,SVM模型为2.03%;5)与分区建模前相比,分区后的插值精度有所提高,BP神经网络模型将MRE降低了0.04%,SVM模型降低了0.11%。 相似文献
6.
几种方法在粮食总产量预测中的对比 总被引：4，自引：2，他引：2
根据吉林省1978~2007年的农业数据,选定了14个影响农业生产的因素作为研究对象,分别采用了主成分分析法、BP神经网络法、灰色预测法和逐步回归分析法4种分析预测方法,通过SPSS和Matlab工具将原始数据进行处理,得到4种不同的预测模型,进而基于这4种模型对吉林省的粮食产量进行预测,并将各种预测产量和实际产量进行拟合分析。研究结果表明,拟合性最好的是BP神经网络法,其拟合确定性系数为0.899;其次是主成分分析法(拟合确定性系数为0.834)和逐步回归法(拟合确定性系数为0.787);拟合效果最差的是灰色预测法(确定性系数为0.744)。粮食总产量估算精度最高的是BP神经网络法,达到93.67%;其次是主成分分析法,为90.45%。 相似文献
7.
分析了塔里木盆地南缘和田绿洲洛浦灌区地下水位较高的成因,研究了灌区地下水位年内的动态变化规律,利用小波分析的多分辨率功能和人工神经网络的非线性逼近功能,建立了基于小波变换和BP神经网络的地下水埋深动态预测小波神经网络模型。结果表明:灌区地下水位变化具有周期性、季节性的特点,并且可以被小波神经网络模型准确地模拟,模型预测洛浦灌区在未来几年内地下水位会持续上升,年平均升幅为0.1 m左右,因此当地应加强地下水的科学管理。 相似文献
8.
为寻求较为合理的径流量预测方法,利用GA-BP组合模型进行径流量预测的研究,首先利用GA算法(Genetic algorithm)全局搜索能力定位出一个较好的搜索空间,再利用BP算法(Back propagation)神经网络的局部寻优能力,以陕西省北洛河状头站实测数据为基础进行径流量预测。结果表明：利用GA-BP组合模型预测2001—2010年结果的相对误差分别为-8.9%、-12.6%、-7.4%、9.4%、-7.6%、15.0%、-5.5%、10.7%、13.3%和-8.2%,预测精度较高,从相对误差和训练次数比较可以看出,GA-BP组合模型优于基本BP模型和GA模型。 相似文献
9.
先建立等维新患GM(1,1)模型和BP神经网络模型相耦合的灰色BP神经网络组合模型,再以民勤盆地64、65和84号井为代表,运用此模型模拟和预报石羊河下游民勤盆地的地下水埋深动态.模型精度检验表明,64、65和84号井预测值的平均相对误差分别为0.45%,0.93%,0.62%,均小于1%,符合精度要求.相比GM(1,... 相似文献
10.
实时、准确地对作物需水量的预测是实现智能节水灌溉的关键技术。预测模型的合理选择及精度提高是作物需水决策系统的核心。本文将陕西西安地区的气象数据环境信息引入自适应神经模糊推理(ANFIS)作物参考蒸腾量(ET_0)预测模型,应用卡尔曼滤波器对气象数据经ANFIS建模得到的ET_0预测值进行滤波去噪,以提高模型的预测精度,并通过仿真和实验验证,从理论和实践两个方面来验证模型的精度。仿真结果得到,反映模型预测值与真实值之间拟合程度的均等系数(EC)值校正前为0.93,校正后达到0.98。实验结果得到,ANFIS预测模型的平均绝对误差是28.94%,平均相对误差是26.37%,卡尔曼修正后的ANFIS预测模型的平均绝对误差是7.24%,平均相对误差是6.59%。仿真和实验结果表明,利用卡尔曼滤波对ANFIS预测模型进行修正,可以提高预测的精度,经卡尔曼修正后的ANFIS模型能更佳地反映ET_0的变化趋势。 相似文献
11.
为了运用光谱反射率快速确定土壤质地,对河套灌区6种不同类型土壤质地在室内进行光谱反射率测试,分别运用一元线性回归、逐步多元回归及BP神经网络三种方法建立光谱反射率与土壤砂粒含量及粉粒含量的拟合模型,并利用估测数据对样品进行土壤质地的模拟。结果显示:三种预测模型精度及其预测能力均较为满意,其中BP神经网络的拟合效果最好,砂粒,粉粒估测模型的决定系数R2均为0.86,外部检验决定系数R2分别为0.88,0.90。利用BP神经网络预测得出的粒径含量对样本质地重新判定,发现达到91.74%的样本符合类别分类要求。研究结果为利用高光谱图像大范围确定土壤质地奠定了基础,对于未来区域模型模拟和土壤水力参数推求具有重要指导意义和应用价值。 相似文献
12.
为了提高定量构效关系(QSAR)研究的预测精度,发展了一种基于支持向量机回归(SVR)与K-最近邻法(KNN)的组合预测方法:以均方误差(MSE)最小为原则,基于SVR实施核函数寻优;基于MSE最小原则与最优核函数以SVR进行描述符筛选并得到保留描述符;通过"多轮末尾强制淘汰法"揭示各保留描述符对预测精度的影响程度;从保留描述符出发,以不同KNN预测值反映样本集异质性并构建子模型,然后基于SVR以留一法实施组合预测。运用该组合预测方法研究苯乙酰胺类除草剂QSAR建模,结果表明:基于SVR与KNN的组合预测方法在参比模型中预测精度最高,具结构风险最小、非线性、能有效克服过拟合、泛化推广能力优异等优点,在QSAR研究中具有广泛的应用前景。 相似文献
13.
创建BP神经网络模型预测小麦白粉病 总被引：1，自引：0，他引：1
阐述了主分量分析法的原理与步骤,分析了河南省中原地区1990～2007年小麦白粉病病情及相关气象资料,得出影响其流行的主要分量,最后利用得到的主要分量作为BP神经网络的输入,对中原地区2008～2010年小麦白粉病流行情况进行预测,并与未进行主分量分析而建立的全要素BP网络模型进行比较。结果表明,该模型可以快速准确地预测小麦白粉病的流行程度,有效地减少小麦产量损失。 相似文献
14.
用统计方法研究多变量问题时,变量太多不但会增加计算量和增加分析问题的复杂性,而且会降低预测精确度,为了解决该问题便于应用于计算机,建立了基于主分量分析的BP神经网络模型。首先阐述了主分量分析法的原理与步骤,然后分析了河南省中原地区1990～2007年小麦白粉病病情及相关气象资料,得出影响其流行的主要分量,最后利用得到的主要分量作为BP神经网络的输入,对中原地区2008～2010年小麦白粉病流行情况进行预测,并与未进行主分量分析而建立的全要素BP网络模型进行比较。实验结果表明,该模型可以快速准确地预测小麦白粉病的流行程度,有效地减少小麦产量损失。 相似文献
15.
区域农作制优先序是区域农业结构调整的主要依据。本研究通过对西北旱作农区农业自然资源、农田生态环境和农村经济发展水平等现状的调研,总结出西北旱作农区主要的7种农作制度。并应用BP神经网络模型,以随机技术模拟生成的评价指标序列与其所属的评价等级值进行网络训练。网络训练后,将不同农作制度的评价指标为网络输入,通过计算可以得到相应的农作制优先序的评价等级值。结果表明,西北旱作农区农作制的优先序为:粮草果畜复合制粮棉(油)轮作制特色产业(苹果)型农作制抗旱节水型农作制小杂粮、草畜主导型农作制两粮一肥型农作制粮油豆草肥田制。本方法只要给定相应的评价指标值,通过BP神经网络模型的计算,可直接得出农作制度优先序的评价等级值,可以用于农作制度优先序的评价。 相似文献
16.
为了给铁路运输提供准确的大风预警,文中将人工神经网络算法应用于新疆百里风区的风速预报,分别采用BP神经网络与Elman神经网络建立模型,对实际历史风速数据进行仿真预测。利用实时自动站资料预测未来20分钟瞬间风速并做预报对比检验。结果表明:与BP神经网相比,Elman人工神经网络模型具有更好的拟合效果,独立样本预报及实际预报的检验结果均达到了较为精确的效果,具有实际应用意义。 相似文献
17.
基于BP神经网络模型的三江平原湿地面积预测研究 总被引：1，自引：0，他引：1
以相关资料和文献中1950-2009年的数据为依据,利用相关分析、灰色预测方法和BP神经网络模型,定量分析了三江平原湿地面积变化的影响因素,并对未来20年三江平原的湿地面积进行预测。结果表明,耕地面积、年均气温、人口数量、径流深度、相对湿度、年降水量、政策因子与湿地面积变化关系密切,可以作为BP神经网络模型的预测变量。BP神经网络模型预测2010s三江平原的湿地面积为58.58万hm2,2020s为45.86万hm2,湿地面积在未来一段时间还有减少的趋势,但减少趋势明显减缓。 相似文献
18.
为实现大田作物灌溉的精细化管理,研究了基于气象因素的生育期ET0预测模型。采用灰色理论对ET0与日均、日最高、最低温度,日均风速,相对湿度以及日照时数进行灰色关联度分析,结果表明ET0与温度（包括日均、最高、最低温度）及相对湿度的灰色关联度较高。在分析ET0与上述气象因素间的相关系数基础上,采用日均温度、日均风速以及日照时数作为模型的输入,ET0作为输出,建立了BP神经网络（BPNN）预测模型;采用日均温度、日均风速、日照时数及灰色关联度作为输入,建立了模糊最小二乘支持向量机（FLSSVM）预测模型。研究结果表明,BPNN模型的训练值决定系数为0.8643,平均相对误差6.29%,预测值决定系数为0.8099,平均相对误差7.83%;FLSSVM模型的训练值决定系数为0.9684,平均相对误差2.89%;预测值决定系数为0.9663,平均相对误差3.43%。BP神经网络与FLSSVM模型的精度均较高,可以用来预测ET0日值,这为大田作物的精细化灌溉管理提供理论与技术支持。 相似文献
19.
本文将灰色GM(1,1)模型、BP人工神经网络和马尔柯夫链相结合,利用历年入库流量及千河径流量建立组合模型对入库流量进行预测。GM(1,1)模型主要预测趋势,其前半部分与实测值拟合较好,BP神经网络模型后半部有波动部分与实测值拟合较好,二者结合使相对误差最小建立组合模型,同时运用马尔柯夫链预测入库流量的变化范围。预测2001和2002年的入库流量对模型进行检验:GM(1,1)模型预测的相对误差分别为0.359和-0.017;BP神经网络预测的相对误差分别为0.032和-0.251,组合模型相对误差分别为0.164和0.117,组合预测值在预测区间之内,该组合模型预测结果合理有效,能更精确预测冯家山水库入库流量。 相似文献
20.
针对径流序列具有较强的随机性和波动性特征,提出一种短期月径流预测混合模型CEEMDAN-VMD-(BP, LSSVM)-LSSVM。首先利用自适应白噪声完整集成经验模态分解(CEEMDAN, complete ensemble empirical mode decomposition with adaptive noise)将径流序列分解为高频、中频和低频分量,再利用变分模态分解(VMD, variational mode decomposition)方法进一步分解高频分量,并根据样本熵对两次分解得到的子序列进行整合,采用麻雀搜索算法优化的反向传播神经网络(BP, back-propagation neural network)和最小二乘支持向量机(LSSVM, least square support vector machine)分别预测高频分量和中低频分量,最后将不同频率分量训练期的拟合值作为LSSVM的输入,进行二次预测得到最终的径流预测结果。将提出的模型应用于黑河流域莺落峡站和祁连站的月径流预测,验证期相关系数和纳什效率系数均达到0.99以上,对比其他8组对照模型,该模型具有更高的预测精度,可以应用于实际的短期月径流预测。 相似文献