共查询到20条相似文献，搜索用时 15 毫秒
1.
2.
电子鼻技术在鱼粉酸价检测中的应用 总被引：2，自引：0，他引：2
酸价是评价鱼粉新鲜度的一个重要指标,探索酸价含量的快速检测对鱼粉品质快速检测具有重要意义.为此,对不同新鲜度的鱼粉样本进行酸价含量的化学测定和电子鼻数据采集,利用BP神经网络和支持向量回归(SVR)建立酸价含量和电子鼻数据两者之间的回归模型,并用预测集样本进行验证.采用BP神经网络和SVR结果相近,其决定系数R2、预测标准差SEP、最大相对误差RE-max、平均相对误差RE-mean分别为0.97,0.20,7.51%,2.45%和0.97,0.27,10.73%,2.94%.结果表明,利用电子鼻技术检测鱼粉酸价含量是可行的. 相似文献
3.
机器学习在各个领域以及交叉学科中有着广泛的应用。运用两种机器学习方法支持向量机回归SVR和BP人工神经网络,对长江流域河溶水文站2009-2014年逐日径流与日降水资料进行学习、训练以及预测。采用Ns效率系数和相对偏差PB作为比较指标,与传统的分布式水文模型(THREW)进行比较。结果表明:THREW模型模拟效果好,Ns效率系数为0.503,具有清晰的物理过程和水文机理,但是模拟结果的相对偏误差PB较大,数据要求较多,操作复杂。两种机器学习方法在相对偏误差PB指标表现较好,都较好的模实现了对径流的预测,泛化能力较好,即具有将学习成果应用于新知识的能力。但是对数据依赖较大,数据样本容量越大,预测的结果会更理想。BP神经网络模径流结果在相对偏误差PB指标表现很好,模拟低流量时期较准,在洪峰流量阶段模拟失真,SVR对极大洪峰流量预测准确度有所提高。结果显示SVR优于分布式物理THREW模型和BP神经网络。 相似文献
4.
基于PSO-SVR的植物纤维地膜抗张强度预测研究 总被引：4，自引：0，他引：4
为快速、准确地对生产过程中植物纤维地膜抗张强度进行预测,降低生产成本,提高原料利用率,以植物纤维地膜中试平台为依托,基于粒子群算法(PSO)优化支持向量机回归(SVR)模型,结合正交试验设计L25(56)方法,以纤维打浆度、施胶剂添加量、湿强剂添加量、地膜定量、混合比作为模型输入参数,以植物纤维地膜抗张强度为输出进行模拟预测,并将模拟结果与SVR、BP、RBF智能算法模型进行对比分析。结果表明:PSO-SVR模型能够较好地表达植物纤维地膜抗张强度与模型参数间的非线性关系,并能根据输入参数快速准确地对植物纤维地膜抗张强度进行预测,测试集样本中预测值与实际值间均方误差、决定系数和均方根误差为0.117 N2、0.915、0.342 N;与其他智能算法(SVR、BP、RBF)相比,PSO-SVR算法模型具有更高的适用性与稳定性。研究结果可为生产过程中不同抄造工艺参数下植物纤维地膜抗张强度的在线监控提供参考依据。 相似文献
5.
混凝土抗压强度是混凝土最重要的性能之一,是混凝土质量控制最核心的内容。通过介绍混凝土强度的预测方法、BP神经网络预测的过程,在主要考虑水灰比、砂率和水泥用量3个因素的情况下,基于MATLAB用BP神经网络预测特细砂混凝土强度。分析表明：通过BP神经网络模型拟合的计算期望值和实际值的相关系数达到0．96287,相关性非常显著。 相似文献
6.
为提高支持向量回归(SVR)模型的预测能力,将核心向量回归(Core vector regression,CVR)方法引入到数控机床热误差建模中,并采用偏最小二乘(Partial least squares,PLS)算法从输入样本提取主成分,构建特征集,然后使用改进的粒子群优化(Improved particle swam optimization,IPSO)算法对CVR的模型参数进行寻优,从而提出一种基于PLS-IPSO-CVR的数控机床热误差建模方法。仿真实验表明,所提出的建模方法在预测精度和速度方面优于传统SVR模型和BP神经网络模型,从而验证了组合建模方法的可行性和有效性。 相似文献
7.
《中国农村水利水电》2020,(6)
引入机器学习的方法,对含植被渠道断面流速分布进行预测,分析水流与植被的相互作用机理。基于变量间的物理关系,得到机器学习模型的输入、输出项,结合非淹没刚性植被模型试验数据,并利用BP神经网络、RBF神经网络、支持向量回归SVR和随机森林RF四种机器学习方法对预处理后的数据集进行学习和建模。最后,通过模糊意见集中决策方法中的Borda数,对四种模型进行综合评价。结果表明:机器学习模型可以根据具体数据进行自适应建模,具有良好的工程应用前景;机器学习模拟结果与试验测量结果吻合较好,说明机器学习方法可有效预测含植被水流流速分布结构;其中BP神经网络的整体性能最好,综合使用4种模型的计算值可提高结果精度。 相似文献
8.
土壤湿度和温度是影响水文循环和气候变化的重要参数,在农业实践活动和生态平衡中起着重要作用。为及时、准确地监测土壤含水量(Soil Moisture Content,SMC)及温度,提出了一种基于高光谱数据的预测方法。实验数据集来自为期5天的实地测量,所获得的高光谱数据包含大量的噪声及冗余信息,因此首先用Savitzky-Golay卷积平滑对光谱数据进行降噪处理,利用连续投影算法(Successive Projection Algorithm,SPA)提取数据特征波长,然后通过遗传算法(Genetic Algorithm,GA)对支持向量机回归(Support Vector Regression,SVR)的超参数权值和偏置进行优化,构建SPA-GASVR混合算法模型对土壤水分和温度进行预测,并与BP神经网络(Back Propagation Neural Network,BPNN)、SPA-BP、SVR、SPA-SVR、GA-SVR这5种模型的预测性能进行比较。实验结果表明：各模型在土壤湿度低于30%的情况下,表现出的预测能力差异并不显著。但整体上,复合模型相比于单一的神经网络或机器学习... 相似文献
9.
基于人工嗅觉系统的土壤有机质检测方法研究 总被引：1，自引：0，他引：1
为了实现土壤有机质快速、准确的测量,提出了一种基于人工嗅觉的土壤有机质含量检测方法。首先,由不同温度控制的10个气体传感器所构成的阵列对土壤样品气体进行采集;然后,提取每个传感器响应曲线上的7个特征(包括最大值、最小值、平均值、平均微分系数、响应面积、第30秒的瞬态值和第60秒的瞬态值),构建嗅觉特征空间;对特征空间优化后,采用回归算法建立预测模型。为减小不同测定算法、异常样本以及冗余特征对模型预测性能的影响,在应用蒙特卡罗抽样(Monte Carlo sampling,MCS)法剔除异常样本的基础上,采用主成分分析(Principal component analysis,PCA)法对特征空间进行降维处理,评估了包括偏最小二乘法回归(Partial least square regression,PLSR)、支持向量机回归(Support vector machine regression,SVR)和BP神经网络(Back propagation neural network,BPNN)等3种建模方法对土壤有机质含量的预测性能,选用决定系数R2、均方根误差(RMSE)和预测偏差比(RPD)评价各模型的预测性能。测试集验证结果表明,PLSR、SVR和BPNN这3种模型的预测值和样本的观测值之间的R2分别为0. 86、0. 91和0. 85,RMSE分别为2. 49、2. 05、2. 68 g/kg,RPD分别为2. 49、3. 02和2. 32。SVR模型的预测性能高于PLSR模型和BPNN模型,可对土壤有机质含量进行准确预测。 相似文献
10.
以影响热裂解液化过程的因素(输入功率、压差、氩气流量和进料率)为网络输入,热裂解液化产物为网络输出,应用BP神经网络模型法对玉米秸秆热裂解液化产物产率进行了预测分析,并将预测结果与非线性回归分析法进行了比较分析.结果表明,采用BP神经网络模型预测输出值与试验值间的相对误差总体上在5％之内,说明模拟预测的效果较好.对BP神经网络模型法与非线性回归方法的预测结果对比分析显示:在试验数据范围内,BP神经网络模型对玉米秸秆热裂解3种产物产率的预测值更接近试验值,计算精度比非线性回归方法略高. 相似文献
11.
基于 NARX 神经网络的农产品价格时间序列预测方法研究 总被引：1，自引：0，他引：1
针对传统时间序列预测方法在非线性时间序列预测上的不足,引入了非线性有源自回归神经网络（ NARX ）,建立了基于非线性有源自回归神经网络农产品价格时间序列预测模型。该模型利用核函数对农产品价格时间序列进行数据变换;再用统计分析方法对模型性能进行评价、分析,进而对模型性能进行优化。实验结果表明：非线性有源自回归神经网络较传统时间序列预测模型,对非线性时间序列预测有更好的适应性和更高的预测精度。 相似文献
12.
为了实现对土壤有机质含量的快速、方便、准确测量,本文提出了一种基于多传感器人工嗅觉系统的土壤有机质含量检测方法。选取10个不同型号的氧化物半导体式气体传感器组成传感器阵列,并采用不同浓度的硫化氢、氨气和甲烷等标准气体对传感器阵列进行了响应测试,从响应曲线可以看出,传感器阵列对不同浓度、种类的标准气体皆有响应且响应结果不同,随着标准气体浓度的增大传感器阵列的响应曲线也随之上升,表明传感器阵列具有较高的特异性和一定的交叉敏感性。提取每个传感器土壤气体响应曲线上的响应面积、最大值、平均微分系数、方差、平均值和最大梯度6个特征构建人工嗅觉特征空间。采用偏最小二乘法回归（PLSR）、支持向量机回归（SVR）和BP神经网络（BPNN）算法建立人工嗅觉特征空间与土壤有机质含量关系的预测模型,使用决定系数（R2）、均方根误差（RMSE）和绝对平均误差（MAE）评估预测模型的性能。试验结果表明,PLSR、BPNN、SVR测试集的R2分别为0.80878、0.87179和0.91957,RMSE分别为3.6784、3.1614、2.4254g/kg,MAE分别为3.1079、2.4154、2.1389g/kg。SVR算法建立的模型R2最高,RMSE、MAE最小,比PLSR、BPNN具有更好的预测性能,可用于土壤有机质含量的测量。 相似文献
13.
基于SVR算法的苹果叶片叶绿素含量高光谱反演 总被引：3，自引：0，他引：3
为实现苹果叶片叶绿素含量的高光谱反演,分析了多种光谱参数与实测SPAD值的相关性,并将归一化光谱参数值及SPAD值进行多项式回归及支持向量回归。其中以归一化植被指数为变量的SVR(Support vector regression)反演模型在建模及模型检验中决定系数分别为0.741 0、0.891 4,均方根误差分别为0.133 2、0.125 6,具有较高的精度及良好的预测能力。与多项式回归相比,SVR具有更好的反演效果,可以作为叶绿素高光谱反演的优选算法。 相似文献
14.
蔬菜是居民生活饮食的重要组成部分，蔬菜价格预测存在着价格波动幅度大、影响因素复杂多样、精度不高等难点。本研究以黄瓜为研究对象，分析了影响黄瓜价格的供给、需求、流通等因素，引入Lasso回归模型对影响因素进行筛选，获得12项关联度较大的因素。在此基础上，构建了一种基于影响因素的Lasso回归方法与BP神经网络相结合的组合模型（L-BPNN），开展黄瓜短期价格预测，并与Lasso回归模型、BP神经网络模型、RBF神经网络模型等回归分析和智能分析方法等进行了对比验证研究。结果表明：使用L-BPNN模型预测黄瓜价格，其平均相对误差最小，仅为0.66%，比Lasso回归模型、BP神经网络模型和RBF神经网络模型分别低64.52%、82.11%和86.2%，具有较高的预测精度。本研究结果实现了黄瓜的短期价格预测，也可推广到其他蔬菜品种，对于保障菜农收入、稳定蔬菜市场价格等具有重要意义。 相似文献
15.
16.
17.
由于采后处理过程中脐橙保鲜剂抑霉唑易通过果皮渗进果肉中残留，不慎食用后会对人体产生危害。因此，本研究探索一种基于表面增强拉曼光谱技术（Surface-Enhanced Raman Spectroscopy，SERS）的脐橙果皮中抑霉唑残留的快速检测方法。首先对SERS检测条件进行优化，分别确定了最优的检测条件为反应时间2 min，金胶加入量400 μL，NaBr作为电解质溶液且加入量为25 μL。基于以上最优检测条件，以自适应迭代惩罚最小二乘法（Adaptive Iterative Reweighted Penalized Least Squares，air PLS）、air PLS+归一化、air PLS+基线校正、air PLS+一阶导数、air PLS+标准正态变量（Standard Normal Distribution，SNV）和air PLS+多元散射校正（Multiplicative Scatter Correction，MSC）处理后的6组光谱数据为研究对象，分别采用这6种光谱预处理法建立支持向量回归（Support Vector Regression，SVR）模型并对预测性能进行比较后发现，air PLS方法所建立模型的预测集相关系数（Coefficient of the Determinant for the Prediction Set，RP）最大，预测集均方根误差（Root-Mean-Square Error of Prediction，RMSEP）最小。对光谱数据进行主成分分析（Principal Component Analysis，PCA）特征提取，选择前7个主成分得分作为SVR预测模型的输入值。采用SVR、多元线性回归（Multiple Linear Regression，MLR）和偏最小二乘回归（Partial Least Squares Regression，PLSR）三种建模方法分析比较其对应的预测性能，其中SVR模型的预测集RP可高达0.9156，预测集RMSEP为4.8407 mg/kg，相对标准偏差（Relative Standard Deviation，RPD）为2.3103，表明基于SVR算法对脐橙表面抑霉唑残留的预测值越接近实测值，越能有效提高模型预测准确性。试验结果表明，利用SERS结合PCA及SVR建模，可实现对脐橙果皮中抑霉唑残留的快速检测。 相似文献
18.
对大坝变形进行合理分析和准确预测是确保大坝安全运行的重要手段.大坝变形监测数据具有趋势性、周期性、随机性和非线性等特性,现有的机器学习模型大都基于大坝变形监测数据的非线性特点进行构建,而忽略了监测数据还具有趋势性和周期性的线性特征.提出了一种大坝变形预测模型,通过采用布谷鸟搜索算法(CS)对长短期记忆人工神经网络(LSTM)进行优化,再基于物联网传感器的实时监测数据,使用局部加权回归的周期趋势分解方法(STL)将数据分解成趋势分量、周期分量和余项分量,采用优化后的LSTM模型对趋势分量和余项分量分别进行预测,并通过简单周期估计方法进行计算,将3个分量的预测结果求和后得到最终变形预测结果.试验选取浙江利山水库开展变形预测研究,结果表明:STL-CS-LSTM模型的水平和沉降变形预测精度都高于其他模型,水平位移预测精度由高到低依次为LSTM模型、支持向量回归模型SVR和人工神经网络模型ANN,沉降预测精度由高到低依次为ANN模型、LSTM模型、SVR模型. 相似文献
19.
基于高光谱的酿酒葡萄果皮花色苷含量多元回归分析 总被引：1，自引：0，他引：1
以酿酒葡萄赤霞珠果实为研究对象,利用高光谱成像技术检测葡萄果皮中的花色苷含量。采集60组样本的900~1700nm近红外波段高光谱图像,并用pH示差法测量样本果皮中花色苷含量。选取高光谱图像中葡萄果实区域作为感兴趣区域（ROI）,计算其平均光谱,并采用SG平滑、归一化、多元散射校正等预处理方法提高光谱的信噪比。然后采用偏最小二乘回归（PLSR）、支持向量回归（SVR）和BP神经网络算法建立花色苷含量预测模型。研究表明：基于PLSR模型推荐的13个隐含变量建立的BP神经网络模型的预测决定系数和预测均方根误差分别为0.9102和0.3795。 相似文献
20.
现阶段可用于农产品无损检测的模型很多,其中应用最广的是线性模型和神经网络模型.本文以山东产富士苹果为试验对象,使用CT技术对富士苹果的含水率进行了预测.为了比较线性模型和神经网络模型在预测富士苹果含水率应用中的效果,分别通过线性回归和神经网络进行了建模.研究发现,线性回归模型设计过程较神经网络模型简单.但神经网络模型的精确度较高,可拓展性较强. 相似文献