共查询到20条相似文献，搜索用时 281 毫秒
1.
GRNN和Elman神经网络在水体溶解氧预测中的应用 总被引：1，自引：0，他引：1
《江苏农业科学》2017,(23)
针对池塘溶解氧浓度受较多因素影响的复杂性,选择基于广义回归网络(general regression neural network,简称GRNN)、Elman神经网络和BP(back propagation)神经网络算法构建关于溶解氧的预测模型,并将模型应用于水产养殖池塘溶解氧的预测中,力求找到能够长期预测池塘溶解氧浓度的有效方法。研究结果表明,GRNN和Elman神经网络模型的拟合效果均比BPNN(back propagation neural network)的拟合效果好,且有较高的预测精度,平均相对误差绝对值分别为7.48%、11.03%。同时,GRNN和Elman网络模型的算法稳定,计算复杂性低,因此2个模型适合对溶解氧浓度进行预测,有一定的应用价值,可以为水产养殖管理提供依据。 相似文献
2.
【目的】为解决石灰岩山地淡竹生物量、特别是地下生物量测定困难的问题,在江西省瑞昌市石灰岩山地淡竹林中随机选取40株淡竹构建生物量模型。【方法】通过测定构件因子和构件生物量,分析了两者的相关性,并利用二元一次函数、一元二次函数、幂函数等模型对各构件生物量及总生物量进行建模。【结果】(1)淡竹地上及地下部分各构件生物量与胸径、地径、竹高、枝下高密切相关,其中胸径与各构件生物量相关性最为密切(P0.01);(2)地上生物量、地下生物量和总生物量模型R~2均高于0.85,叶、枝、秆和蔸的拟合模型R~2均高于0.75,其次为根(R~2=0.686～0.701),鞭的拟合度最低(R~2=0.302～0.315);(3)经过检验,以胸径为自变量的一元二次函数模型具有良好的拟合精度,为最佳模型,其对地上生物量(R~2=0.975、RMSE=0.163、AIC=-143)、地下生物量(R~2=0.854、RMSE=0.048、AIC=-241)和全株总生物量(R~2=0.94,RMSE=0.287、AIC=-98)均具有较好的预测效果。【结论】筛选出的模型W=aD~2+bD+c,只需获取胸径数据便可以方便、快捷、准确地预测淡竹生物量,这为淡竹林生态经营以及竹林碳汇测算等研究提供了技术支撑。 相似文献
3.
《河北农业大学学报》2021,44(5)
适宜的土壤温度是作物生长发育的重要环境因素,在作物全生育期都起着至关重要的作用,研究土壤温度的预测预报模型对农业生产具有重要意义。本试验以河北省石家庄市藁城区某试验田作为研究对象,对试验田的样本点10～30 cm深度处土壤温度的长期监测数据进行了拟合,分别建立基于LSTM神经网络的日均土壤温度预测模型和时均温度预测模型。结果表明,采用2-60-80-1网络结构的LSTM神经网络对日均土壤温度时间序列数据预测效果最优,其均方根误差(RMSE)达最小值0.603;采用2-60-80-1网络结构的LSTM神经网络对时均土壤温度时间序列预测效果最优。在对日均和时均土壤温度预测时,LSTM神经网络模型的平均的均方误差(RMSE)仅为0.665,较之BP神经网络模型降低了0.053,说明了LSTM神经网络模型用于土壤温度时间序列预测的优势,可满足土壤温度日常预报的需要。 相似文献
4.
以土壤pH为研究对象,利用一般反向传播(Back propagation,BP)神经网络模型、带回溯的弹性反向传播(Resilient back propagation with backtracking, RPROP-WB)神经网络模型、不带回溯的弹性反向传播(Resilient back propagation without backtracking, RPROP-OB)和最小绝对梯度反向传播(Smallest absolute gradient resilient back propagation, SAG-RPROP)神经网络模型进行安徽省土壤pH的预测及制图,选用均方根误差(RMSE)、绝对平均误差(MAE)及决定系数(R~2)为评价标准,比较3种改进的神经网络模型与一般BP神经网络模型对于土壤pH的预测能力。结果表明:研究区域内,4种神经网络模型的拟合能力高低依次为:SAG-RPROPRPROP-WBRPROP-OBBP。由建模集可以看出,RPROP-WB、RPROP-OB 2种模型与BP神经网络模型的预测精度一致,4种模型中预测精度最高的为SAG-RPROP,R~2比其他3种模型提高0.07。对于验证集,预测能力高低依次为:SAG-RPROPRPROP-WBRPROP-OBBP,预测精度和泛化能力最高的为SAG-RPROP模型,RMSE、MAE和R~2分别为0.67、0.50及0.59。空间预测图结果显示,4种模型所得安徽省土壤pH空间分布基本类似,均呈"南酸北碱"趋势,一般BP神经网络对于土壤pH预测区分度较低,预测所得安徽省南部地区的土壤pH均集中在5.57至6.50之间, RPROP-WB、RPROP-OB及SAG-RPROP所得预测图则区分更为明显。综上所述,RPROP及其改进算法可以有效地进行土壤属性的预测,且精度均高于一般BP神经网络模型。 相似文献
5.
【目的】比较3种标准树高曲线建立方法的优劣,为选择适宜的标准树高曲线建立方法提供依据。【方法】以福建省将乐县国有林场29块杉木人工林实测数据为依据,采用传统非线性模型、BP神经网络模型、非线性混合模型分别建立杉木标准树高曲线模型,以决定系数R2、均方根误差RMSE以及平均绝对残差|珚E|作为模型评价和检验指标,对比分析三者的拟合效果。【结果】从拟合精度来看,非线性混合模型、BP神经网络模型、传统模型的决定系数分别为0.916 1,0.904 8和0.889 7,RMSE分别为1.652 9,1.761 2和1.895 4,|珚E|分别为1.205 9,1.291 7和1.400 1;从预测精度来看,三者的决定系数分别为0.941 5,0.935 2和0.918 3,RMSE分别为1.361 8,1.432 2和1.609 0,|珚E|分别为0.989 8,1.030 5和1.142 8。【结论】3种方法均能较好地模拟杉木树高的生长,BP神经网络模型与非线性混合模型的拟合精度和预测能力均较传统的非线性模型好,但非线性混合模型略优于BP神经网络模型。 相似文献
6.
基于BP神经网络的日光温室气温预报模型 总被引：2，自引：1，他引：1
为建立日光温室中短期气温预报模型,以2个冬季生产季的日光温室实时气温观测资料为基础,利用BP神经网络建模和曲线拟合的方法,对日光温室1~7d气温预报模型进行了研究。结果表明:1)以室外气温为输入要素的温室气温预报模型,最高气温预报值与观测值的符合度指数(D)为0.68~0.93,均方根误差(RMSE)为3.1~6.3℃;2)最低气温预报值与观测值的符合度指数(D)为0.81~0.95,均方根误差(RMSE)1.5~2.2℃;3)日光温室内最低气温预报绝对误差小于2℃的预报准确率Rate(≤2℃)为78%~95%;4)逐时气温预报模型预报值与实测值的符合度指数(D)为0.95~0.99,均方根误差(RMSE)为1.0~2.8℃,逐时气温预报模型预测准确率较高。结合目前气象台站"周预报"结果,模型可较准确地预报温室内1~7d最低气温,并模拟日光温室内气温的逐时变化,可为冬季日光温室低温灾害预警及室内气温调控提供有益参考。 相似文献
7.
《江西农业大学学报》2019,(6)
土壤有机质(SOM)是土壤肥力重要指标之一。快速,无损且准确地预测SOM含量对于保护和提升土壤肥力有重要作用。可见-近红外(vis-NIR)光谱结合偏最小二乘回归(PLSR)模型在土壤属性估测中广泛使用,目的是探讨通过Bootstrap抽样提高PLSR的预测能力和泛化能力。以江西、浙江和湖南三省水稻土为研究对象,采集了523个耕层(0～20 cm)土壤样本,比较偏最小二乘回归(PLSR)和Bootstrap-PLSR两种回归模型在估测SOM的精度和泛化能力;利用确定系数(R~2),均方根误差(RMSE)和性能指标(RPIQ,标准差与四分位间距离的比值)来评估预测的准确度,利用Bootstrap抽样后预测值的95%置信区间和实测值的分布情况、欠拟合和过拟合PLSR和Bootstrap-PLSR回归因子的差异来分析Bootstrap-PLSR模型的泛化能力和稳定性。研究表明:使用Bootstrap-PLSR预测的SOM含量的预测精度(R~2=0.76,RMSE=5.82,RPIQ=2.51)高于PLSR模型(R~2=0.72,RMSE=6.27,RPIQ=2.33)。Bootstrap抽样能够提高SOM含量中间部分的预测精度并且具有较强的建模稳定性,Bootstrap-PLSR具有较强的泛化能力且可以用来选择特征波段。 相似文献
8.
为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明：（1）与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;（2）与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;（3）BP和RBF方法建立的模型拟合精度总体上较接近;（4）基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;（5）基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R2为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R2为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。 相似文献
9.
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。 相似文献
10.
运用EVIEWS软件,对铜陵市48年来的月平均气温时间序列进行统计分析,并对该动态数据进行建模和预测。采用差分方法对样本数据进行预处理,然后定阶,并进行参数估计,建立季节ARIMA模型对铜陵市气温数据进行预报。预报结果显示,季节ARIMA模型的平均绝对误差值为0.875。将ARIMA模型预报结果与径向基(radial basis function,RBF)神经网络模型的预报值比较可知,其预报结果优于RBF神经网络的预测结果。 相似文献
11.
12.
13.
[目的]研究木材干燥过程的Elman神经网络模型。[方法]在人工神经网络理论的基础上,选用Elman神经网络建立木材干燥过程模型。针对木材干燥过程的特点,Elman神经网络利用木材干燥过程材堆的温度、湿度以及对应的木材含水率建立模型。[结果]通过实际干燥过程数据对模型的准确度进行验证,结果表明Elman神经网络利用少量数据就可以建立模型,并且模型预测精度高,对数据的联想记忆和优化能力强。[结论]Elman神经网络建立的木材干燥过程模型准确,对于提高木材干燥过程的控制水平具有重要研究意义。 相似文献
14.
利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势，以BP神经网络为背景，EEMD分解为辅助，建立分解-重构-预测的组合模型对月径流序列进行预测，利用蝴蝶算法（BOA）优化组合模型，综合得到最优预测模型。结果表明，大阁站年、月径流序列均呈现下降趋势；对月径流序列预测，BPNN预报合格率为60.0%，不能用于预报作业，但可作为参考使用（MAE=0.406，RMSE=0.539，MAPE=0.349 7）；引入BOA算法优化BP网络参数，得到EEMD-BOA-BP模型预报合格率为83.3%，可以用于预报作业（MAE=0.257，RMSE=0.347，MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用，同时在组合模型中引入优化算法能进一步提高模型精度。 相似文献
15.
将柑橘幼苗作为试验对象,利用传感器采集空气相对湿度和温度,以基质相对湿度、温度和EC值作为环境因子,采用称重法实时采集作物的质量变化量作为作物的蒸发量;以环境因子为模型输入,作物蒸发量为模型输出,构建长短期记忆神经网络(LSTM)预测模型,优化后的最优模型结构以及训练参数包括LSTM模型的隐藏层1层,隐藏层节点数为120,迭代样本数为128,训练迭代次数为175,网络的激活函数选择tanh函数,学习率为0.001,时间步长为72。LSTM预测模型的决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.993 9、0.015 5 g、0.011 3 g;与循环神经网络(RNN)、门控循环单元(GRU)的预测效果进行对比,LSTM预测模型的预测蒸发值更接近真实蒸发值,预测结果相对误差范围波动最小,RMSE、MAE最小,R2最大,说明这3种模型中LSTM预测模型的预测效果最佳。 相似文献
16.
基于BP神经网络的太湖典型农田土壤水分动态模拟 总被引：2，自引：0，他引：2
收集太湖典型农田2010年10—12月和2011年3—6月2个时间段的逐日气象资料和土壤水分资料,运用BP(back propagation)神经网络和缺省因子分析法确定影响该地区土壤水分动态的主要气象因子(降水量、蒸发量、平均气温和平均地表温度以及平均风速),以这些主要影响因子作为输入变量建立该地区土壤水分动态模拟的BP神经网络模型。利用100组实测样本对神经网络进行训练,用剩余的64组实测样本进行检验。结果表明:0～14 cm和14～33 cm土壤含水量模拟的平均相对误差(MARE)最大为0.062 9,均方根误差(RMSE)最大为1.764,不同土壤层次的训练样本和检验样本的精度(PA)都在0.87以上。因此,BP神经网络用于太湖典型农田的土壤水分动态模拟是可行的。 相似文献
17.
不同类型土壤的光谱特征及其有机质含量预测 总被引：17，自引：1，他引：17
【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。 相似文献
18.
Elman动态递归神经网络在树木生长预测中的应用 总被引：1，自引：0，他引：1
该文充分考虑树木生长所特有的动态性、随机性和非线性,以及Elman动态递归模型的结构特点,获取北京山区油松解析木生长数据,分别建立了Elman型树木胸径生长和树高生长的神经网络动态模型.研究表明,Elman动态递归模型对非线性问题建模具有很好的拟和性和仿真性,其中,用于胸径生长建模时,其拟和精度达到99.45%,仿真精度达到99.42%;用于树高生长建模时,拟和精度达到 97.30%,仿真精度达到97.29%,而且其拟和和仿真曲线均为“S”形,符合树木生长规律.进一步对Elman动态模型和常规BP静态模型比较发现,Elman模型具有更好的拟和性、预测性和稳定性. 相似文献
19.
阿尔泰山作为干旱区典型的山地系统,其土壤温度的日、月、季节和年际动态及其影响因素研究,是深入理解干旱区山地森林生态系统能量循环过程的关键所在。基于阿尔泰山森林生态站2014年11月-2019年7月的气象因子和土壤温度数据,应用相关分析、回归分析和BP人工神经网络分析了阿尔泰山5、10、20 cm和30 cm深度土壤温度的动态变化及其对气象因子的响应,同时,应用多元线性回归和BP人工神经网络对土壤的温度进行了模拟。结果表明:1）近5 a各层土壤温度月均值年际变化一致,最低最高温度和日较差最大值均出现在20 cm,仅30 cm土壤温度的月变化出现自表层至深层滞后现象,年内月较差最大值出现在30 cm深度;各土壤层温度在春夏秋季变化较大,冬季变化较小;2）空气温度、气压和太阳辐射等与土壤温度的相关性达到极显著水平,其中与空气温度的相关性最强;3）回归模型和BP人工神经网络对20 cm土壤层的模拟结果最好,且BP人工神经网络模型的性能总体上优于回归模型。 相似文献
20.
基于BP神经网络连栽桉树人工林生长量预测 总被引：3，自引：0，他引：3
以广西国有东门林场雷卡分场的3个连栽代次的尾巨桉(Eucalyptus urophylla×E.grandis)人工林为研究对象,以林分的林龄和林分密度作为输入变量,分别以林分的平均胸径和树高为输出变量,构建了6个2∶n∶1的BP人工神经网络模型。用林分前5 a的数据对网络进行训练,第6、7年数据进行测试,经过大量训练选取最优模型后,得出以2∶2∶1的结构训练的模型最优,林分平均胸径的3个BP网络模型平均预测精度分别为99.09%、98.35%和96.37%,平均树高的3个BP网络模型平均精度分别为96.22%、96.48%和96.6%。回归分析证明模型的拟合效果良好。模型可用来分析、模拟和预测相似条件下桉树人工林林分随林龄增长整个生长阶段的生长量变化情况。 相似文献