共查询到17条相似文献，搜索用时 359 毫秒
1.
基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型 总被引：9，自引：7，他引：2
养殖池塘溶解氧是河蟹赖以生存的重要指标,及时准确地掌握溶解氧浓度变化趋势是确保高密度河蟹健康养殖的关键。为提高溶解氧预测精度和效率,该文提出了蚁群算法(ACA)优化最小二乘支持向量回归机(LSSVR)的河蟹养殖溶解氧预测方法。采用蚁群算法对最小二乘支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间非线性预测模型。利用该模型对江苏宜兴市2010年7月20日～7月28日期间高密度养殖池塘溶解氧进行预测。研究表明,该预测模型取得较好的预测效果,与支持向量回归机和BP神经网络相比,模型评价指标均方根误差、相对均方误差均值、平均绝对误差和和决定系数和运行时间分别为0.0328、0.0016、0.0448、0.9916和3.3275s均优于其他预测方法,ACA-LSSVR模型不仅计算复杂度低、收敛速度快、预测精度高、泛化能力强,还能满足实际高密度河蟹养殖溶解氧管理的需要,为其他领域的水质预测提供参考。 相似文献
2.
主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧 总被引：16，自引：11，他引：5
为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。 相似文献
3.
基于核函数支持向量回归机的耕地面积预测 总被引：9，自引：5，他引：4
科学预测耕地保有量是耕地保护的基础,对缓解用地矛盾、保证粮食安全具有重要指导意义。为探讨不同核函数支持向量回归机(support vector regression,SVR)对耕地面积预测的影响,该文以惠州市为例,分别采用多元回归、BP神经网络及3种不同核函数SVR建立耕地面积预测模型并进行对比试验。预测结果精度分析显示,RBF核函数SVR预测结果平均相对误差为0.54%,均方根误差为0.007,精度最高;Sigmoid核函数SVR预测结果对应误差分别为1.12%及0.012,精度次之;多项式核函数SVR预测结果对应误差为分别为2.71%及0.032,高于BP神经网络模型,但低于多元回归模型。研究表明,在现有3种常用核函数SVR耕地面积预测模型中,基于RBF核函数SVR模型预测能力最强,其次是sigmoid核函数;而多项式核函数则效果较差。 相似文献
4.
[目的]探讨BP神经网络组合模型在次洪量预测中的应用,为黄土高原淤地坝群的安全度汛提供决策依据。[方法]构建基于多元线性回归模型(MLR)和去趋势互相关分析法(DCCA)的BP神经网络组合模型;选择均方差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)以及确定性系数(DC)作为评价指标,与单一模型(多元线性回归模型、BP神经网络模型以及去趋势互相关分析法)进行比较。[结果]BP神经网络组合模型的4项指标MSE,MAE,MAPE和DC分别为2.144,5.453,0.074和0.988,均优于单一模型;模型预测效果从优到劣分别为BP神经网络组合模型、BP神经网络模型、多元线性回归模型和去趋势互相关分析法。[结论]BP神经网络组合模型较单一模型平稳性增强,提高了预测效果,可用于淤地坝群的次暴雨洪量预测。 相似文献
5.
基于集合经验模态分解和人工蜂群算法的工厂化养殖pH值预测 总被引：8，自引：5，他引：3
针对单一预测模型预测养殖pH值精度低等问题,提出集合经验模态分解(ensemble empirical mode decomposition,EEMD)和改进人工蜂群算法(improve artificial bee colony,IABC)相结合的南美白对虾工厂化养殖pH值组合预测模型。在建模过程中,利用EEMD算法对原始pH值时间序列进行多尺度分解,得到一组平稳、互不耦合的子序列;根据各子序列变化特征选择适宜的单项预测方法并建模,通过改进人工蜂群(IABC)算法优化复杂非线性组合预测模型目标函数权重系数,构建了工厂化养殖pH值非线性组合预测模型。利用该模型对广东省湛江市2014年9月8日-2014年9月15日期间工厂化养殖pH值进行预测,结果表明,该预测模型取得了较好的预测效果,与模拟退火优化BP神经网络(simulated Annealing-BP neural network,SA-BPNN)和遗传算法优化最小二乘支持向量回归机(genetic algorithm-least square support vector regression,GA-LSSVR)对比分析,模型评价指标平均绝对百分比误差MAPE、均方根误差、平均绝对误差MAE和相关系数R2分别为0.0035、0.0274、0.0224和0.9923,均表明该文提出的组合预测模型具有更高预测精度,能够满足实际南美白对虾工厂化养殖pH值精细化管理需要,也为其他领域pH值预测提供参考。 相似文献
6.
基于灰色模型和ARMA模型的猪瘟月新发生次数预测比较 总被引：1，自引：1，他引：0
对猪瘟月新发生次数(每个月的新发生次数)的定量预测可以为当地动物疫病防控部门提供依据,使其针对猪瘟发病风险有选择性地采取防控措施.该文分别选用灰色预测模型和ARMA预测模型对贵州省猪瘟月新发生次数进行了预测.灰色模型和ARMA模型以2005-2008年兽医公报中统计的贵州省猪瘟发病数据为预测依据,以2009年的统计数据评价比较预测效果.灰色模型和ARMA模型预测平均绝对误差分别为1.84和1.48,平均绝对百分误差为0.272和0.229.预测结果表明,ARMA预测模型的预测精度更高,对贵州省猪瘟发病的预测是可行有效的. 相似文献
7.
基于时间序列GA-SVR的水产品价格预测模型及验证 总被引：3，自引：2，他引：1
水产品价格的准确预测有助于合理规划水产养殖,正确引导水产行业的发展。根据水产品价格序列的非线性、非平稳和周期性特点,提出了一种基于时间序列遗传优化(genetic algorithm,GA)支持向量回归(support vector regression,SVR)的水产品价格预测模型。该模型首先通过时间序列分析方法对价格序列进行平稳性检验和确定相关阶数,得到训练数据集;再利用遗传算法对支持向量回归模型的参数组合进行寻优,使用优化后的参数建立支持向量回归模型,然后使用模型进行预测。分别选取桂鱼、基围虾、梭子蟹的价格数据对模型进行验证,选取2011-2014年的数据作为训练集,对2015年价格进行预测,结果表明:桂鱼、基围虾、梭子蟹的平均绝对误差分别为6.70%、7.82%、14.76%,均方根误差分别为5.853 1、23.701 1、13.858 0,且优于基于时间序列的SVR模型及BPANN模型的预测结果,可以为水产品价格的预测提供依据。 相似文献
8.
粮食储备是保障国家粮食安全的重要物质基础,谷物中脂肪酸含量是粮食储藏过程中品质变化的敏感性指标。为了实现绿色储粮安全管理,该文采用多元线性回归(multiple linear regression,MLR)、人工神经网络(artificial neural network, ANN)、支持向量回归(support vector regression, SVR)、最小二乘支持向量回归(least square support vector regression,LSSVR)等机器学习算法模型,对东北地区稻谷储藏过程中的脂肪酸含量(以KOH计)进行预测。通过主成分分析(principal component analysis,PCA)方法筛选稻谷关键储藏参数,得到4个影响稻谷脂肪酸含量的关键因子,分别为稻谷入仓水分、入仓脂肪酸含量、储藏有效积温、检测粮温。然后,将得到的关键因子进行归一化处理,再分别输入到MLR、ANN、SVR、LSSVR模型,采用决定系数R2、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)等评价指标对不同模型的预测性能进行对比,探讨稻谷脂肪酸含量预测的最优模型算法。研究结果表明,LSSVR模型的决定系数R2、MAE、MAPE、RMSE分别为0.911、0.275 mg/100 g、1.604%、0.348 mg/100 g,预测效果略优于MLR,明显优于ANN和SVR,LSSVR和MLR模型可作为稻谷储藏期间脂肪酸含量预测的方法。该研究实现了稻谷脂肪酸含量的预测,为科学储粮、安全绿色储粮提供参考。 相似文献
9.
基于图像处理和SVR的土壤容重与土壤孔隙度预测 总被引：5，自引：5，他引：0
土壤容重和土壤孔隙度是衡量土壤结构的重要参数。传统的土壤容重、土壤孔隙度获取方法费时费力,且大多数预测模型的输入变量获取难度较高。该研究利用土壤粗糙度、土壤阻力与土壤容重的相关关系,以土壤表面图像的颜色参数和纹理参数表征土壤粗糙度,同使用车载式土壤阻力测量系统获得的土壤阻力一起,从信息融合的角度构建了支持向量机回归（Support Vector Regression,SVR）土壤容重预测模型和SVR土壤孔隙度预测模型。图像处理使用HSV颜色空间进行阈值分割,得到HSV颜色参数,纹理参数使用灰度共生矩阵的能量、熵、对比度和逆方差。使用主成分分析对颜色参数和纹理参数进行主成分提取。将SVR模型的预测结果同环刀法测得的标准值进行相关性分析,决定系数R2达到了0.867。土壤孔隙度SVR预测模型决定系数R2达到了0.743。在相同的运行环境下,将SVR模型与决策树回归模型结果做了对比,决策树回归对土壤容重和土壤孔隙度的预测精度R2分别为0.734和0.690,验证得到SVR预测模型具有更好的预测精度。研究可为节省试验成本,以及快速、有效预测土壤容重和土壤孔隙度提供方法和参考。 相似文献
10.
基于游程检测法重构集合经验模态的养殖水质溶解氧预测 总被引：1，自引：1，他引：0
为了提高水产养殖中溶解氧的预测精度,该文提出了基于集合经验模态(ensemble empirical mode decomposition,EEMD)分解、游程检测法重构、适宜的单项预测算法建模和BP神经网络非线性叠加的组合预测模型。该模型首先将溶解氧原始序列用EEMD分解法进行分解,得到了多个分量;其次,用游程检测法将这些分量重构成高频分量、中频分量和低频分量等3个分量;接着,针对高频分量波动性大且复杂、中频分量呈现周期性、低频分量几乎呈线性的特点,采用粒子群(particle swarm optimization,PSO)优化的最小二乘支持向量机(least square support vector machine,LSSVM)对高频项进行预测,采用极限学习机(extreme learning machine,ELM)对中频项预测,采用非线性回归(nonlinear regression method,NRM)对低频项预测;最后,将3个分量预测的结果用BP神经网络进行重构得到最终的预测结果。将该模型应用于江苏省溧阳市埭头黄家荡特种水产养殖场的溶解氧预测中,试验表明,该种以游程检测法重构EEMD为基础的混合预测模型的预测精度高于PSO-LSSVM和单一的ELM预测模型。在预测未来48 h的溶解氧值时,该模型的预测值与实测值的均方根误差RMSE为0.099 2、平均相对误差均值MAPE为0.078、平均绝对误差MAE为0.015 5,R~2为0.995 5。表明该模型有较好的预测精度和泛化能力,能够满足现代化水产养殖业对溶解氧精细化管理的高要求。 相似文献
11.
挖掘运输过程中环境因子和生鲜果蔬感官品质之间的关系,实现基于环境因子的感官品质评估和预测,对于保持生鲜果蔬物流品质具有重要意义。该研究以鲜食葡萄为研究对象,通过对实际运输过程的跟踪监测,在实验室开展了鲜食葡萄运输模拟试验和感官试验,构建了鲜食葡萄运输感官品质数据集。在建模方法层面,该研究提出了一种基于多输出支持向量回归（Multiple Output Support Vector Regression,MSVR）模型的运输环境因子（温度、相对湿度）与感官品质（外观、香气、质地和风味品质）的预测模型,并利用粒子群（Particle Swarm Optimization,PSO）算法和遗传算法（Genetic Algorithm,GA）对模型进行优化（PSOGA-MSVR）。结果表明,PSOGA联合优化算法有效提高了MSVR模型的调参效率,且在常温运输、保冷运输和冷链运输3种不同的运输模式下,PSOGA-MSVR模型的预测效果均更优,决定系数R2高于0.98且各项误差指标低于其他模型;研究结果为运输过程中合理调控环境因子减缓生鲜水果感官品质的下降提供参考。 相似文献
12.
基于GA-BPNN的采后蜜桃预冷效果预测模型 总被引：1，自引：1，他引：0
为精准监控采后蜜桃预冷效果以提高商业经济价值,该研究以大久保蜜桃为研究对象,建立了包含衬垫和果实内部热源项的单箱多层CFD-WIHS（Computational Fluid Dynamics-With Internal Heat Source）传热传质数值模型。通过对比试验结果发现该模型预测果温时的最大均方根误差为1.668 °C,平均绝对百分比误差为13.65%,验证了该建模方法的可行性和通用性。在此基础上,利用高精度三维时空温度及流场分布数据,构建了GA-BPNN采后蜜桃预冷效果网络预测模型。该模型在冷藏转移时间和整体预冷均匀度方面的网络预测与测试值之间决定系数达0.962 5和0.863 8,且均方根误差和平均绝对百分比误差较BP模型分别低了30.22%、32.84%以及21.91%、39.45%,GA-BPNN比BP神经网络模型能更好表达采后蜜桃预冷效果与主控因素之间的非线性关系。研究结果为中小型果园实时监控蜜桃采后预冷均匀性和冷却时间以保障果实最佳预冷品质提供可靠的依据。 相似文献
13.
基于蔬菜种植试验温室内温度、相对湿度和光照强度的实测数据，根据ARIMA模型和RBF神经网络对线性和非线性问题的预测能力差异，构建ARIMA-RBF神经网络权重组合的温湿度预测模型，对温室内温度和湿度的动态变化进行预测，并比较各模型预测精度。结果表明：温室内温湿度分别具有更明显的线性和非线性变化特征，对应预测性能较好的单一模型分别为ARIMA模型和RBF模型。相较单一模型，ARIMA-RBF神经网络权重组合模型的预测精度更高、稳定性更好。最佳温度组合模型的MAE、MAPE和RMSE分别为1.04℃、2.95%和1.21℃；最佳湿度组合模型的MAE、MAPE和RMSE分别为0.35个百分点、0.36%和0.55个百分点。权重组合模型通过适当的加权策略充分发挥了单一模型对数据不同特征的处理能力，能较好地评估温室内温湿度状态，可为建立更具普适性的温室环境因子模型提供参考。 相似文献
14.
该研究对基于注意力机制的长短期记忆（Attention-Based Long Short Term Memory，AT-LSTM）模型对蒸散量（Evapotranspiration，ET）模拟的可行性和有效性进行验证，以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012-2017年的每30 min环境数据，利用不同环境因子组合构建基于注意力机制的LSTM模型，并将其与极限学习机（Extreme Learning Machine，ELM）模型、支持向量机（Support Vector Machine，SVM）模型、长短期记忆（Long Short Term Memory，LSTM）模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明：与其他3种模型相比，当输入环境因子变化时，AT-LSTM模型模拟精度变化很小，模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时，基于AT-LSTM模型的模拟效果最好，均方根误差（Root Mean Square Error，RMSE）为0.013 mm/30 min，平均绝对误差（Mean Absolute Error，MAE）为0.006 mm/30 min，相关系数（Correlation Coefficient，R）值为0.905。且无论是从小时尺度、日尺度和月尺度来看，AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下，净辐射对盐池县ET的模拟贡献程度最大，仅输入净辐射时，AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min，R为0.892，模型模拟精度较高，AT-LSTM模型模拟精度高，模型稳定性强，对蒸散量模拟预测具有一定的适用性，仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。 相似文献
15.
利用Stacking集成学习估算柑橘叶片氮含量 总被引：2，自引：2，他引：0
准确估算柑橘叶片氮含量对于科学合理的施肥具有重要的指导作用,该研究利用Landsat8OLI卫星遥感影像和地面采样实测数据,以K-近邻(K-Nearest Neighbors,KNN),随机森林(Random Forest,RF)和自适应增强(Adaptive boosting,Adaboost)模型为基础,构建Stacking集成学习框架,实现对柑橘叶片氮含量(Leaf Nitrogen Content,LNC)的估算。首先分析不同氮含量下的光谱反射特征,构建植被指数(Vegetation Indices,VIs)并计算其与柑橘LNC的相关系数;接着利用格网搜索、交叉验证训练模型,最后将Stacking模型与包括Bagging(Bootstrap Aggregating,Bagging)、人工神经网络(Artificial Neural Network,ANN)在内的多个经典机器学习模型试验结果进行对比分析,并生成柑橘果园的氮含量分布图。结果表明:1)构建的光谱指数与LNC具有较好的相关性,大部分指数相关系数在0.55以上;2)相比KNN、RF、Adaboost等多个单一模型,Stacking模型的估算效果最佳,决定系数达到0.761,均方根误差为1.366 g/kg,平均绝对百分比误差为3.494%;同时,Stacking模型的赤池信息准则(Akaike Information Criterion,AIC)值最低,是观测期内LNC估算的最优模型;3)研究区内LNC值整体上处于30.5～31.5 g/kg左右,接近柑橘种植的理想区间,模型估算与实测值趋于一致。总体上,该研究采用的光谱特征能够有效表征柑橘冠层叶片氮含量,并证明Stacking集成学习能综合多个基模型的优点,提高模型的准确性,为利用卫星遥感展开作物参数估算提供新的思路。 相似文献
16.
基于机器学习的遮荫设施内参考作物蒸散量估算 总被引：2，自引：2，他引：0
为高效准确地估算遮荫设施内参考作物蒸散量（Reference Evapotranspiration, ET0）,该研究通过分析三七栽培遮荫设施（四周及顶部均由黑色遮阳网遮盖,通风性较好）内及设施外气象参数的关系,采用Sobol敏感性分析方法筛选出设施外有效的气象参数,并将其作为模型输入,以Penman-Monteith（FAO-56 PM）模型计算的值为标准值,采用贝叶斯优化（Bayesian Optimization, BO）算法优化机器学习方法（支持向量回归机（Support Vector Regression, SVR）、随机森林（Random Forest, RF）和极限学习机（Extreme Learning Machine, ELM））中的参数,建立3种遮荫设施内ET0估算模型（BO-SVR、BO-RF和BO-ELM）。结果表明：遮荫设施内ET0对设施外平均相对湿度、平均风速、最高气温和平均气温的敏感性较高,一阶敏感系数分别为0.450、0.304、0.064和0.026,故基于4组气象参数建立模型。BO-ELM模型的测试精度整体优于BO-SVR和BO-RF,其中BO-ELM模型基于平均相对湿度、平均风速、最高气温和平均气温的气象参数组合估算精度最高,决定系数、均方根误差和平均绝对误差分别为0.928、0.069 mm/d和0.046 mm/d,BO-ELM模型也能很好地适应少量气象参数（平均相对湿度和平均风速）估算设施内ET0,决定系数、均方根误差和平均绝对误差分别为0.910、0.078 mm/d和0.057 mm/d。综合考虑计算精度和计算代价,可将BO-ELM模型作为气象参数缺失情况下遮荫设施内ET0的估算方法。研究为遮荫设施内ET0的估算提供有效方法。 相似文献
17.
基于K-means 聚类和ELM神经网络的养殖水质溶解氧预测 总被引：8，自引：5，他引：3
为解决养殖水质溶解氧预测传统方法引入不良样本、精度低等问题,该文以2014、2015年江苏常州养殖基地水质和气象数据为基础,提出了一种基于K-means聚类和ELM神经网络（extreme learning machine,ELM）的溶解氧预测模型。采用皮尔森相关系数法确定环境因素与溶解氧的相关系数,自定义相似日的统计量－相似度,通过K-means聚类方法将历史日样本划分为若干类,然后分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的实测环境因素作为预测模型的输入样本建立ELM神经网络溶解氧预测模型。试验结果表明,该模型均具有较快的计算速度和较高的预测精度,在常规天气下,平均绝对百分误差和均方根误差分别达到1.4%、10.8%;在突变天气下,平均绝对百分误差和均方根误差分别达到2.6%和11.6%,有利于水产养殖水质精准调控。 相似文献