共查询到17条相似文献，搜索用时 343 毫秒
1.
基于人工神经网络算法对水稻需水量的预测 总被引：1，自引：0，他引：1
水稻需水量预测是节水灌溉规划的基础,由于BP神经网络在解决多参数非线性问题表现出极强的自适应能力,从而可以科学准确预测需水量。本研究从多个影响因子分析出发,得到了BP神经网络模型,并结合实际数据进行了检验。试验结果表明,该模型能够较好地反映气象因子与水稻需水量之间的关系,预测精度高。 相似文献
2.
可靠的城市供水量预测,是区域水资源科学管理与优化配置的重要基础.为客观预测城市供水量变化趋势,本文采用主成分分析法(PCA)进行主要影响因子分析,根据确定的主要影响因子构造BP神经网络的输入样本,从而进行不同水平年的供水预测.以抚顺市供水量为工程背景构筑预测模型,模拟检验精度较高,可用于抚顺市的供水预测,并为抚顺市水资源的优化配置提供了科学依据. 相似文献
3.
《农业科技与信息》2017,(23)
本文针对新疆地区进行需水预测研究。由于影响需水预测精度的因素很多,而且预测方法比较多,实际用水量的数据又难以获取。所以,本文选取支持向量机的方法,由于支持向量机支持基于小样本进行快速、准确预测的特点,对新疆地区需水量进行准确的预测。采用了粗糙集与支持向量机相结合的方法,对影响因子进行筛选,根据支持度筛选出主要影响因子,然后将这些主要影响因子作为输入的样本数据,构建支持向量机模型,用2000—2013年的数据进行训练,并且用2014—2015年的数据进行检验。最终,将该模型用于预测新疆地区2016—2020年的需水量。本文构建模型预测结果的平均绝对百分比误差只有0.11,可见模型预测精度很高,该种研究方法可以作为训练样本较少情况下的一种需水预测方法。 相似文献
4.
为推广反向传播(BP)神经网络在区域水资源需求量预测方面的实际应用,以金华市为例,通过主成分分析法得到金华市水资源需求量的3类主要影响因子--经济发展因素、水资源开发利用因素和水环境破坏因素;运用BP神经网络预报模型对该区域水资源总需求量进行预测,得出金华市2010年总需水量为21.935 280×108m3,其结果可为与水资源相协调区域的发展规划提供参考. 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.
基于BP神经网络的西瓜仁重预测 总被引：1，自引：0，他引：1
杨宝华 《安徽农业大学学报》2008,35(4)
人工神经网络是人工构造的模拟人脑功能而构建的一种网络,其中BP学习算法是一种单向传播的多层前向网络.利用MATLAB神经网络工具箱,设计BP网络的训练步骤,从园艺试验田观测的数据中抽取部分数据作为样本预测西瓜仁重,把影响西瓜种仁重的4个主要因素作为网络的输入向量,西瓜种仁重为网络的输出向量,根据需要调用相关程序,从而避免了编写大量的算法程序,训练结果表明,预测结果与实验结果吻合. 相似文献
7.
基于贝叶斯正则化BP神经网络的日光温室温度预测模型 总被引：3，自引：0，他引：3
《湖北农业科学》2015,(17)
针对日光温室温度预测模型中输入因子间存在复杂的耦合关系以及输入因子过多而导致神经网络结构规模过大等问题,选用影响日光温室温度的环境因子组成数据样本,对数据样本进行主成分分析。提取出影响日光温室内温度的前3个成分作为BP神经网络模型的输入变量,采用贝叶斯正则化算法对BP神经网络进行改进。结果表明,该方法改进的BP神经网络模型得到简化,拟合曲线光滑,具有较好的泛化能力和网络推广能力。 相似文献
8.
9.
【目的】不同区域影响天然气需求量的因素存在差异,数据集包含的数据特征也不尽相同,同时天然气长期需求预测存在样本数据少的问题,因此较难构建各区域通用的需求预测模型。【方法】选取山东省11个地级市为研究对象,根据天然气年度消费量、GDP、人口等影响天然气需求量的主要因素,将多个地区、多时间跨度的数据作为总样本库,使用皮尔逊相关系数对样本特征进行初筛,利用K-means聚类算法对各样本数据进行聚类,选取能源消费结构相似的3个样本点,并将样本点对应的下一时间点的天然气需求量作为数据样本的新特征;同时,将灰色理论预测输出结果作为BP神经网络的输入样本,基于新的样本数据特征与BP神经网络构建组合预测模型。【结果】基于K-means聚类+灰色理论+BP神经网络的预测方法有效利用了相似能源结构的城市天然气历史需求量,并结合灰色理论预测模型在小样本数据上鲁棒性高的优点,预测得到山东省11个地级市天然气长期需求预测的平均绝对百分比误差为0.57%～6.41%。与传统的灰色理论预测模型、BP神经网络模型、K-means聚类+BP神经网络相比,新预测方法在模型误差、预测结果的稳定性方面均有明显改进。【结论】新... 相似文献
10.
【目的】建立精度更高的需水量预测模型,为水资源规划管理提供理论依据。【方法】建立基于神经网络方法和支持向量机的需水量预测模型,以西安市需水预测为例,对2种预测模型的预测结果进行了比较。【结果】利用建立的径向基函数神经网络需水预测模型,得到西安市2010和2020年的需水量分别为32 485.65,48 180.43万m3;采用支持向量机模型能全面考虑影响需水预测的各种因素,预测西安市2010和2020年的需水量分别为32 488.03,48 184.41万m3。【结论】基于神经网络方法和支持向量机方法的需水量预测模型均可全面反映需水量的变化规律,两者预测结果十分接近,均可用于需水量的精确预测。 相似文献
11.
12.
通过分析比较不同算法以及不同输入层因子,构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源,通过对6种BP神经网络的训练方法进行训练,经过反复筛选找出最优模型并与传统胸径-树高模型作比较;最后将BP神经网络中的输入因子从2个增加到6个后,经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳,R2和MSE分别为0.963 0和1.168;2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响,BP神经网络模型的决定系数（R2）随着隐含层节点数的增加呈现先上升后下降的趋势;均方误差（MSE）呈现先下降后上升的趋势,两者都在节点数为10时有极值,此时的模型为最优模型;3）当输入因子为胸径和优势树高时,油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1）,此时BP神经网络模型对树高预测的决定系数（R2）和均方误差（MSE）分别为0.761 0和1.984 7;当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时,最优模型结构为6∶10∶1,此时BP神经网络模型对树高预测的决定系数（R2）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出,在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法;BP神经网络模型与传统模型相比,BP神经网络模型不需要目标方程结构,并且模拟和预测的精度均要优于传统模型;在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。 相似文献
13.
入境游客量是衡量地区旅游发展的重要指标之一,准确的旅游需求预测可以为旅游规划提供参考依据。本文根据浙江省2001-2011年接待入境旅游游客量及其他相关统计数据,运用BP神经网络法、GMDH模型、逐步回归分析与BP神经网络组合预测法以及BP神经网络与GMDH模型组合预测法,基于影响因子要素对入境游客量进行预测分析。实验证明BP神经网络与GMDH模型组合预测法具有较强的预测优势。 相似文献
14.
基于BP神经网络算法，采用主成分分析法得到农药相对分子质量、气温、降水量、pH、CEC、有机质、施药浓度、采收间隔期是影响农药残留量的主要因素，并将其作为输入变量，初步构建柑橘农药残留预测模型。结果表明：经160组样本数据模型训练和测试，预测相对误差为0.92%~18.93%，平均为7.42%，绝对误差为0.001~0.153 mg/kg；BP神经网络预测模型的决定系数为0.962 05。可见，面对复杂的自然环境及柑橘种质性状，基于BP神经网络的柑橘农药残留预测系统对柑橘上多种农药的残留显示出较高的预测精度，说明将机器学习算法用于柑橘的农药残留检测是可行的。 相似文献
15.
16.
17.
林分蓄积是衡量小班林分生产力的重要指标。选择华北落叶松人工林小班数据,对以年龄、公顷株数和立地指数为自变量,小班公顷蓄积为因变量的BP (back propagation)神经网络模型和多元回归模型进行研究。研究结果表明:①BP神经网络参数最优组合:三层网络结构包括输入层3个神经元,隐含层10个神经元和1个神经元,输出层1个神经元,R语言算法选用含有动量的自适应梯度下降法,MATLAB软件算法选择Levevberg-Marquardt法;②多元回归模型中,生长理论方程为基础修正函数"Logistic+幂函数"组合的修正模型V=SI~(0.977 2)N~(0.510 3)0.500 1/[1+44.226 1exp(-0.146 6t)]表现最优,其决定系数R~2为0.721 8;③BP模型预测精度最高,其次是多元回归模型和材积表法。基于以上研究,为了提高BP模型的实用性,通过JAVA和R语言编程方式,将构建BP神经网络小班蓄积预估模型存储到收获预估模型的模型库中,在人工林收获预估中实现BP模型的调用,实现从经典的数学模型形式向智能化软件方向发展,提高BP模型在实际生产中的可操作性,为森林经营作业提供决策支持。 相似文献