共查询到10条相似文献,搜索用时 31 毫秒
1.
2.
3.
4.
为了解决BP神经网络在对含根土抗剪强度的预测中存在的预测精度低,计算收敛速度较慢,容易陷入局部极值等问题,本研究通过直剪试验、团聚试验、根系分形分析试验等探究了不同因素对含根土抗剪强度的影响,并对各因素进行相关性分析,从中选取了大团聚体含量(R0.25)、平均重量直径(MWD)、几何平均直径(GMD)、土壤分形维数(Dd)、根表面积、平均直径6个影响含根土抗剪强度的因素作为模型输入层节点,含根土的抗剪强度作为输出层节点。参考FangfaGorman理论公式、Kolmogorov理论公式以及一种经验公式分别计算,并对结果进行讨论,确定了本研究中神经网络的最佳隐含层节点数量为13。建立6∶13∶1的BP神经网络模型,并引入了烟花算法(FWA)对BP神经网络进行优化。结果显示,BP神经网络、粒子群算法(PSO)优化的BP神经网络、FWA-BP神经网络的预测值与期望值的最大相对误差分别为11.12%、9.06%、7.44%,平均相对误差分别为4.60%、3.24%、1.96%,相较于BP神经网络和PSO-BP神经网络,FWA-BP神经网络预测误差值有明显降低;对比引入的统计参数,均方根误差(R... 相似文献
5.
6.
7.
8.
为了解决羊只称重时因应激反应过大导致测量不精准问题,试验搭建了羊群动态称重系统并设计了一种改进GA-PSO-BP神经网络的羊群动态称重方法,即利用滑动平均滤波算法对干扰数据进行平稳处理,采用改进GA-PSO混合算法优化BP神经网络的权值和阈值;并对BP神经网络、PSO-BP神经网络、改进GA-PSO-BP神经网络三种模型进行训练和性能比较。结果表明:改进GA-PSO-BP神经网络的预测准确度最高,预测误差在1.00 kg内的体重值占85%;平均绝对百分比误差为0.679 6%,较BP神经网络(1.007 4%)和PSO-BP神经网络(0.975 2%)都有明显提升,但测量单只羊只所需时间为11.2 s,较PSO-BP神经网络(10.5 s)稍低。说明改进GA-PSO-BP神经网络的羊群动态称重方法可满足牧场智能化饲养需求。 相似文献
9.
10.
对气象条件和新城疫发病率进行相关性分析,结合动物流行病学理论确定影响新城疫发病的关键气象因素。利用Matlab软件进行BP(Back-propagation)神经网络预测模型构建,计算预测值与实际发病率的误差绝对值和决定系数R2对所建预测模型进行检验。结果表明将6种气象因素作为预测研究的关键气象因子,BP神经网络模型其决定系数R2=0.760,证实预测效果较好。初步构建出新城疫发病的神经网络预测模型,探索性地将BP神经网络理论在动物疫病预测研究领域中运用,为进一步展开动物疫病预测的研究提供理论参考。 相似文献