共查询到20条相似文献，搜索用时 31 毫秒
1.
通过对植物病虫害预警模型的相关原理和方法的研究,并结合粒子群算法对后向传播神经网络进行参数优选,构建了基于粒子群和神经网络混合算法的植物病虫害组合预警模型。模型参数：①PSO参数设定：准粒子群算法模型参数的设定主要是对惯性、收敛（约束）、＂认知＂、＂社会＂进行变化与调节。C_1是粒子跟踪自己历史最优值的权重系数,它表示粒子自身的认识,设置为2。C_2是粒子跟踪群体最优值的权重系数,它表示粒子对整个群体知识的认识,设置为2。ξ,η设置为[0,1]区间内均匀分布的随机数。r是对位置更新的时候,在速度前面加的1个系数,设置为1;②BP神经网络输入层节点的确定：预测模型输入层节点为7个,分别代表7个特征指标,即发病面积、稻瘟病发病率、雨量、雨日数、平均温度、平均湿度、光照;③隐含层节点及隐层数的确定：该研究采用3层BP网络,隐层数为1层。将1980～2000年云南省盈江稻瘟病历史数据作为学习样本输入到预警模型,进行训练。隐节点为7时误差最小（1.046）;④输出层节点的确定：预测模型输出层节点为1个,即稻瘟病病情指数（Y）。稻瘟病发生程度分为5个等级：〈10,为等级1;10.1～20.0,为等级2;20.1～30.0,为等级3;30.1～50.0,为等级4;〉50.0,为等级5。预警模型：在构建预测模型时,包括2个过程,即学习过程和预测过程。在学习过程阶段主要在PSO算法对连接权和阈值优化的基础上,通过对样本数据的学习,找到其内在规律性,从而确定各节点间的连接权和阈值。由于选取影响植物病情发病的因子有7个,因此,第i年的输入层就为1个7维向量x_i,即输入层为7个神经元。隐含层确定为1层,输出层为第i＋1年的植物病理病情指数,故为一维向量y_j,因此,输出层的神经元个数为1。预测过程则是根据学习过程已经确定下来的连接权值和阈值,把需预测样本输入训练好的BP网络,通过网络学习后,输出相应的预测值。如需预测第i年植物病情等级,就把第i-1年决定植物病理发生的相应因素输入到该网络模型。即输出就为第i年植物病情发生程度的预测值。测试结果表明预警模型的构建有效且可行,为构建有效的预警平台应用提供了可行的模型结构。 相似文献
2.
在普通BP算法基础上,引入克隆选择粒子群算法,建立电力需求预测模型.将当期国内生产总值、前期国内生产总值、人口、当期产业结构变化、前期产业结构变化等影响电力需求的因素作为网络输入,电力需求作为网络输出,同时选择合适的隐层节点数,确定模型的网络结构.利用克隆选择粒子群算法反复优化BP网络的权值组合,将优化后的权值作为BP神经网络的初始值,进行BP算法,直至网络达到训练指标.利用近几年相关输入输出变量年度数据,对建立的模型进行电力需求实证预测分析,并同普通BP神经网络预测结果进行对比.结果表明:基于克隆选择粒子群优化的BP神经网络不仅训练速度快,而且误差小,预测精度明显提高,说明该模型对于电力需求预测的有效性. 相似文献
3.
4.
神经网络用于分割图像时需要大量的训练数据,由于数据量大,计算速度相当慢,不适合实时数据处理.基于此,将粗糙集理论与神经网络相结合,提出基于粗糙集的神经网络图像分割方法.利用粗糙集理论中的约简的计算方法,从图像属性中获取精简的规则,根据这些规则构造神经网络各层的神经元个数,并根据粗糙集理论中的属性重要性来修正神经网络的权值.实验结果表明,该方法抗噪能力强,提高了精度,在大大缩短网络训练时间的同时改善了分割效果,满足图像处理的实时性要求. 相似文献
5.
基于MATLAB神经网络的水稻需水量的预报模型 总被引：2，自引：2，他引：2
作物需水量的预测是进行水资源规划和管理的有效手段。它与气象因子之间存在着严重的非线形关系。建立4个输入单元和1个输出单元的三层BP网络，选取不同的隐层结点数进行训练，并通过比较其相对误差的大小确定了神经网络的结构。利用MATLAB环境．提出基于BP神经网络的水稻需水量预报模型，并结合实际数据进行了检验。结果表明：该方法能够较好地反映气象因子与水稻需水量之间的关系，收敛速度快，预报精度较高。 相似文献
6.
灌溉用水量的预测对灌区的灌溉管理起着重要的作用。运用神经网络中Elman反馈型神经网络建立了灌溉用水量预测模型,模型输入层神经元数目为4,输出层神经元数目为1,隐含层神经元数目确定采用试验法,最终确定为10。预测结果表明:该方法与传统的预测方法相比,具有网络稳定性高,训练误差曲线比较平滑,模型预报精度较高等优点。 相似文献
7.
基于遗传多层前馈神经网络的大豆脂肪酸含量近红外光谱检测 总被引：2，自引：0，他引：2
文章提出了一种利用遗传多层前馈神经网络建立数学模型的方法,建立起化学测定值与近红外光谱数据之间的定量关系。把得到的近红外光谱数据作为网络的输入,把用化学法测定的5种脂肪酸含量作为网络的输出,再利用遗传算法训练多层前馈神经网络的权值,建立大豆脂肪酸的神经网络检测模型,探索出一种能够准确、高效地完成近红外光谱检测的神经网络模型,文中设计了一种用遗传算法训练的多层前馈神经网络。通过试验证明,用遗传算法优化人工神经网络的权重,获得高于单纯用人工神经网络训练的结果。大豆5种脂肪酸的相关系数都可达到0.9左右,能够满足大豆育种的初步检测。 相似文献
8.
用人工神经网络模拟土体塌陷的可行性分析 总被引：1，自引：0，他引：1
探讨了利用人工神经网络预测土体塌陷与土体参数和荷载条件之间关系的可行性。BP神经网络是最常用的神经网络之一,通过网络训练,最终确定了6个变量即输入信息、8个隐层和1个输出层的网络结构。在比较了预测值与试验值后,进一步证实了人工神经网络在评估土体塌陷方面效果明显。 相似文献
9.
基于改进小波神经网络的滚动轴承故障诊断 总被引：1，自引：0，他引：1
根据轴承故障产生的机理和常用故障特征参数的分析与提取方法,针对滚动轴承系统的非线性和表面振动信号的非平稳特性,采用小波分析法,并对小波分析中容易产生频率混淆而进行改进小波包快速算法。试验结果表明,改进的小波分析能减少频率混淆现象,克服传统小波包快速算法中高低频重迭难以分辨的问题,并利用小波频带分析技术对故障信号中含有的噪声信号进行分离。结合小波和神经网络的优势建立改进小波神经网络的结构模型,研究小波神经网络的学习算法,解决传统BP算法收敛速度慢和容易陷入局部极小值等问题,从学习率和连接权值两个方面对算法进行改进。以N205型滚动轴承在试验台上所测取的试验数据进行网络训练,用振动信号为网络输入向量给出训练结果。仿真实例分析结果表明,采用改进的小波神经网络能够对滚动轴承故障进行分类,且其收敛速度明显快于相同条件下的小波神经网络和改进的BP网络,可有效实现滚动轴承的故障诊断。 相似文献
10.
针对复杂非线性系统建模、时变过程信号处理的问题,提出了一种基于小波变换和过程神经元网络的自适应小渡过程神经元网络模型。模型为3层结构,输入层完成连续信号的输入,隐层由过程神经元结点组成,采用小波基函数作为激励函数,用于完成输入信号的空间聚合和向输出层的映射功能,输出层完成隐层输出信号的时、空聚合运算和系统输出。给出了学习算法,并以人口预测为例验证了模型和算法的有效性。 相似文献
11.
将人工神经网络技术应用于鲜茶叶的分类,茶叶图像面积、周长、凸壳面积、凸壳周长、等二阶距椭圆长轴长度、短轴长度、椭圆偏心率等几何参数和R、G、B三个彩色空间分量的均值、标准偏差、平滑度和一致性等纹理参数可以作为茶叶分类的特征值。试验表明,BP网络用于茶叶分类能够取得较好的效果,分类判断的正确率达到90%。网络的隐藏层和输出层为多个神经元时,其可能达到的分类效果要略好于隐藏层和输出层只有单个神经元的网络,但前者训练出的网络会出现权值不能收敛到全局误差最小值的情况,其可靠性不如后者。 相似文献
12.
基于模糊聚类的神经网络虫情预测 总被引：1，自引：0，他引：1
1基于模糊聚类的神经网络预测
首先采用模糊聚类对所有样本进行预处理,再把去噪后的数据作为神经网络的输人数据进行训练和预测。
1．1基于模糊聚类的神经网络结构3层BP神经网络具有令人满意的对连续映射的逼近能力,可以满足预测的要求,因此,采用3层BP神经网络作为研究模型。3层BP神经网络由输入层、隐含层和输出层组成。 相似文献
13.
介绍一种基于GA-BP学习算法的人工神经网络,利用神经网络具有的自适应性、并行性、鲁棒性以及分类能力强等优势,构造玉米品种学习和识别系统。选用3层BP网络自动识别玉米品种,遗传算法进行粗精度的学习以选取网络权值,用BP算法完成给定精度的学习,克服了传统BP算法收敛速度慢、易陷入局部极小等缺陷。结果表明,提出的GA-BP学习算法有效提高了BP算法的收敛速度。 相似文献
14.
利用BP神经网络训练数据,以深松机关键部件的三个结构参数-翼张角、刃角和翼倾角为输入参量,输出目标参量为牵引阻力,建立深松机牵引阻力的人工神经网络模型.结果表明:训练良好的BP网络输出数据与实测数据吻合较好,网络模型具有较高的精度,并具有收敛速度快等特点.同时,确定了一组最优结构参数,为深松铲的设计提供理论依据. 相似文献
15.
16.
17.
基于BP神经网络的马尾松立木生物量模型研究 总被引：3，自引：0，他引：3
以马尾松为例,探索并验证BP神经网络模型在立木生物量估测上的适用性。通过12种算法的筛选、输入变量和输出变量的确定以及隐层节点数的选择,确定最优的模型拓扑结构,构建单隐层BP神经网络模型;对比单输入变量与多输入变量模型、单输出变量与多输出变量模型,并分析模型的输入变量数和输出变量数对模型估测精度的影响;将优选BP模型与传统相对生长模型进行对比以验证BP模型的可行性。结果表明:1）最优BP模型LM-DH-8-WtWaWr的训练算法为Levenberg-Marquardt算法,输入变量为D、H,输出变量为Wt、Wa、Wr,隐层节点数为8。2）输入变量和输出变量的增加不会降低BP神经网络模型的精度。3）模型LM-DH-8-WtWaWr能够精确地估测马尾松立木生物量,其精度高于传统的相对生长模型。该模型能够一次性地引入多个解释变量,并可以同时估测多个量,从而简化了生物量建模和估测工作,对实际生产具有一定的意义。 相似文献
18.
根据模拟系统故障检测原理，采用神经网络与数据融合相结合的方法进行模拟电路故障诊断，提出了一种新型的基于D-S证据神经网络的故障检测与诊断方法．应用D-S证据理论对径向基函数网络进行了修正，用具有一个输入层、两个隐含层和一个输出层的神经网络实现．各个证据体的基本概率赋值的获取是D—S证据理论在实际应用中的难点问题，本方法中采用的是根据输入模式与原型模式之间的相似度以及原型模式的类别隶属度来确定基本概率赋值．借助神经网络自学习的功能，实现对类别隶属度的最优化．结果表明该方法能快速有效地进行故障诊断中大量数据的处理，具有很强的鲁棒性． 相似文献
19.
提出了一种基于神经网络的结构参数识别方法，该方法以残余力向量作为结构参数识别的网络输入。针对训练样本在数据空间分布不均匀的问题，采用ＧＳＬ变换对训练样本数据进行预处理。从而提高了网络收敛速度及参数识别精度。本文算例说明了方法的有效性。 相似文献
20.
对土壤湿度进行的高质量时序预测对科学研究和农业生产实际都有重要的意义。利用无线传感器网络得到长时序观测数据,建立一种新的基于BP神经网络的土壤湿度时序预测方法。针对神经网络收敛速度慢、易陷入局部最优的问题,提出基于动量因子和自适应学习率的BP神经网络改进方法,并且利用粒子群算法优化BP神经网络的初始阈值和权值。针对标准粒子群算法(PSO)中惯性权重线性递减、学习因子取常数,而导致的PSO收敛速度慢、易错过全局最优解等问题,将迭代次数和适应度值相结合改进惯性权重和学习因子,有效提高算法找到全局最优解的速度。选取"渤海粮仓"山东试验区东营市垦利县20个观测站2013—2014年的时间序列观测数据,分别采用本研究提出的方法和其他4种方法进行预测,结果显示本研究提出的方法预测在预测精度、收敛速度方面都优于其他4种方法。 相似文献