共查询到20条相似文献,搜索用时 156 毫秒
1.
2.
根据灰色系统理论建立GM(1,1)模型预测路面的使用性能,结合实例讨论了具体的预测方法和过程,并与人工神经网络(ANN)预测方法进行比较。预测结果和质量分析表明,灰色系统理论预测效果较优。 相似文献
3.
[目的]利用BP神经网络预测林内PM_(2.5)浓度。[方法]利用人工神经网络理论,采用2013年7月—2014年5月野外实时监测数据,建立了以气象参数、污染源强变量和林分结构特征为输入因子,林内PM_(2.5)小时平均浓度为输出因子的预测模型,并对其预测精度进行了评价。[结果]BP人工神经网络模型能够很好地捕捉污染物浓度与气象因素和林分结构间的非线性影响规律,预测结果的平均相对误差为1.71×10~(-3),均方根误差为6.77,拟合优度达0.98,模型具有很高的预测精度。而传统的多元线性回归(MLR)模型预测结果的平均相对误差、均方根误差和拟合优度分别为0.27、22.92和0.93。[结论]研究成果印证了应用BP人工神经网络模型预测林内PM_(2.5)浓度的可行性和准确性。 相似文献
4.
根据灰色系统理论建立 GM(1,1)模型预测路面的使用性能,结合实例讨论了具体的预测方法和过程,并与人工神经网络(ANN)预测方法进行比较。预测结果和质量分析表明,灰色系统理论预测效果较优。 相似文献
5.
【目的】分析水文不确定性因素对径流预测的影响,提高中长期水文预报方法模拟预测结果的精度。【方法】将小波分析(WA)、人工神经网络(ANN)和随机分析联合使用建立径流预测模型,即在小波分析(WA)揭示流量时频特性的基础上,将径流原序列分为高频部分和低频部分,然后利用人工神经网络(ANN)对低频部分进行模拟预测,利用随机分析对高频部分进行分析,最后将各部分结果叠加作为最终预测结果。将所建立的径流预测模型用于渠江二级支流后河的径流预测,并与传统BP人工神经网络方法的预测结果进行对比。【结果】根据《水文情报预报规范》,以预测值的相对误差小于10%为标准,传统BP人工神经网络预测结果合格率为46.67%,而基于小波神经与随机分析的径流预测模型在正常水文年模拟预测结果的合格率为73.33%。【结论】基于小波与随机分析的径流模型预测精度好、合格率高,能得到更好的复杂水文条件下的径流预测值。 相似文献
6.
7.
8.
9.
10.
利用福建省将乐国有林场46株杉木(Cunninghamia lanceolata)的793组干形数据,根据十折交叉验证,采用最近邻法(KNN)、随机森林(RF)和人工神经网络(ANN)3种机器学习算法对杉木干形进行模拟,并与传统削度模型(TM)进行比较分析.采用决定系数(R2)、均方根误差(ERMS)、平均误差(EM)和平均绝对误差(EMA)4个评价指标对模型的拟合结果和预测结果进行排序,并结合残差图和相对偏差图等进行分析.研究表明:(1)4个模型的决定系数均大于0.95,最近邻法、传统削度模型和人工神经网络的均方根误差小于1 cm,能较好地描述杉木树干形状.(2)人工神经网络对绝大部分树干的估计最精确,R2分别在0.98以上.其检验集的绝大部分残差都在-2~1 cm,训练集的相对偏差在-50%~50%.(3)其次是最近邻法模型,其训练集的残差范围在4个模型间最小,但泛化预测能力不如人工神经网络模型.(4)随机森林模型精度最低,且其预测集残差分布有随直径(di)增大而增大的趋势.传统削度模型模型表现居中.结果表明:人工神经网络模型与最近邻法模型的拟合精度与预测精度均高于传统削度模型模型,能更精确地模拟杉木干形,且机器学习算法可以不满足传统回归的统计学假设前提.利用机器学习预测林木干形是一种可靠的方法,在生产经营中值得考虑. 相似文献
11.
12.
Abhishek Pandey J. K. Srivastava N. S. Rajput R. Prasad 《Russian Agricultural Sciences》2010,36(1):71-77
Now a days ANN has became an important tool in crop yield prediction and crop parameter estimation. But very few reported
work is available to estimate the crop parameters by using suitable ANN Training algorithms. In the present study the crop
parameters of interest are soil moisture, leaf area index and biomass were estimated using ground truth microwave scatterometer
data and ANN. Two training algorithms Levenberg-Marquardt (TRAINLM) and Scaled conjugate gradient training algorithm (TRAINSCG)
were used to estimate the crop parameters. The estimation of parameters with minimal error obtained with the test data confirms
the usefulness of our work. Training algorithm TRAINLM shows better result in comparison to TRAINSCG. This work suggests that
the ANN model with training function TRAINLM and transfer function PURELIN is a promising alternative to estimate the crop
parameters. The main advantage of ANN approach as estimator is that it has the potential for world wide coverage. 相似文献
13.
林分保留密度的人工神经网络模型研究 总被引:1,自引:0,他引:1
《北京林业大学学报》2005,(Z2)
为探索人工神经网络在林分保留密度研究中的应用效果,以马尾松人工林为对象,481块标准地资料为基础数据,用MATLAB的正切“S”形函数tansig为神经元的作用函数,以年龄和密度的标准化、归一化数据为训练样本,构建和训练林分保留密度的人工神经网络模型,并与幂函数进行对比研究.结果表明,密度与年龄的关系用幂函数(y=axb)描述,拟合精度为91.29%;用人工神经网络描述,拟合精度为94.27%.可见,人工神经网络能比常规方法更好地模拟林分密度随年龄的变化规律,特别能有效地模拟经营活动下的复杂过程. 相似文献
14.
Abhishek Pandey S. K. Jha J. K. Srivastava R. Prasad 《Russian Agricultural Sciences》2010,36(6):428-432
Estimation of the soil moisture and soil roughness by using microwave data with less complex and fast method is a significant
area of research today. For this purpose an Artificial Neural Network (ANN) based algorithm is used and tested in present
study. The ANN model is calibrated and tested with the experimentally obtained data by using X-band scatterometer for different
field roughness 3.78, 1.83 and 1.63 cm and at fixed value of soil moisture 22.8%. The measurement of scattering coefficient
was carried out over a range of incidence angle from 20° to 70° by 5° steps for both the HH (horizontal transmitter and horizontal
receiver) and VV (vertical transmitter and vertical receiver) polarization. Two training algorithm of Feed Forward Backpropagation
neural network namely Levenberg-Marquardt (TRAINLM) and Gradient-Descent (TRAINGD) were used for analysis. The performance
of the ANN models with different algorithm is evaluated by comparing the direct measured value of soil roughness and soil
moisture with the soil roughness and soil moisture estimated by the ANN. Our work suggests that ANN model with training algorithm
(TRAINLM) is more suitable for the soil moisture and surface roughness prediction in comparison to (TRAINGD) and ANN modeling
may be the promising alternative for the soil moisture and surface roughness estimation. The main advantage of the ANN approach
for the surface roughness and soil moisture estimation is its potential for world wide reporting. 相似文献
15.
为探索基于常规监测数据的神经网络预警模型在农产品传统风险管理中的应用,以2011—2012年我国5省市的蔬菜中农药残留监测数据为样本,采取神经网络方法建立风险预警模型。首先,以产品种类、监测环节、监测时间和蔬菜产地为参考采用专家打分法将样本进行安全性评级,然后将经过筛选和预处理的45种农药监测数据,作为BP神经网络输入层,并根据不安全蔬菜的风险程度,以非常安全(A)、比较安全(B)、基本安全(C)、较不安全(D)和不安全(E)5个等级作为输出层,农药残留数据经过处理整合后得到16个样本,通过对其中14个样本进行拟合训练,得到预警模型及2个验证样本的评分结果分别为2.343 0和3.171 5,与实际评分结果隶属同一安全等级。证明基于客观监测数据的神经网络预警模型对于蔬菜中农药残留的预警是有效的。 相似文献
16.
楼文高 《上海海洋大学学报》2001,(4):347-352
人工神经网络(ANN)是一种动态信息(处理)系统,它具有联想记忆、自组织、自适应、自学习和容错等优异的特性而得到广泛应用。ANN已广泛地应用于诸如模式识别、拟合、分类、决策和预测等领域,而水产科学有很多涉及上述技术的问题。本文在简述ANN结构和工作原理的基础上,讨论分析了利用BP神经网络模型、自组织特性神经网络或Kohonen神经网络模型进行分类、模式识别、图像处理和鉴别、预测与评价、系统模拟以及最优化和多目标决策等方面的应用实例。从神经网络模型建模和数据预处理原理研究了应用人工神经网络技术建模的局限性和缺陷。并明确指出:若不采用检验样本监控学习过程,对于一定数量的样本数据,过大的神经网络结构将不可避免地引起对样本数据的过拟合,从而得到了不能正确反映样本数据结构和内在特性和神经网络模型,而可能是对样本数据的噪声的反映。本文最后探讨了人工神经网络技术与模糊数学、逻辑控制和拓扑学以及非确定性原理相结合的应用趋势。 相似文献
17.
《农业科学学报》2017,(7)
Many properties of fruit are influenced by plant nutrition. Fruit firmness is one of the most important fruit characteristics and determines post-harvest life of the fruit. In recent decades, artificial intelligence systems were employed for developing predictive models to estimate and predict many agriculture processes. In the present study, the predictive capabilities of multiple linear regressions(MLR) and artificial neural networks(ANNs) are evaluated to estimate fruit firmness in six months, including each of nutrients concentrations(nitrogen(N), potassium(K), calcium(Ca) and magnesium(Mg)) alone(P_1), combination of nutrients concentrations(P_2), nutrient concentration ratios alone(P_3), and combination of nutrient concentrations and nutrient concentration ratios(P_4). The results showed that MLR model estimated fruit firmness more accuracy than ANN model in three datasets(P_1, P_2 and P_4). However, the application of P_3(N/Ca ratio) as the input dataset in ANN model improved the prediction of fruit firmness than the MLR model. Correlation coefficient and root mean squared error(RMSE) were 0.850 and 0.539 between the measured and the estimated data by the ANN model, respectively. Generally, the ANN model showed greater potential in determining the relationship between 6-mon-fruit firmness and nutrients concentration. 相似文献
18.
基于高光谱图像技术的油菜籽品种鉴别方法研究 总被引:4,自引:1,他引:4
提出了一种采用高光谱图像技术结合人工神经网络对油菜籽品种进行鉴别的方法.采集多个品种油菜籽400~1 000 nm范围的高光谱图像数据,通过主成分分析法(PCA)获得主成分图像,确定特征波长;采用基于灰度直方图和灰度共生矩阵联合的统计方法从特征图像中提取纹理特征参数,应用人工神经网络建立油菜籽品种鉴别模型.结果表明,模型训练时品种判别率为93.75%,预测的判别率为91.67%.说明高光谱图像技术对油菜籽品种具有较好的分类和鉴别作用. 相似文献
19.
人工神经网络在水产科学中的应用 总被引:6,自引:0,他引:6
楼文高 《上海水产大学学报》2001,10(4):347-352
人工神经网络(ANN)是一种动态信息(处理)系统,它具有联想记忆、自组织、自适应、自学习和容错等优异的特性而得到广泛应用。ANN已广泛地应用于诸如模式识别、拟合、分类、决策和预测等领域,而水产科学有很多涉及上述技术的问题。本文在简述ANN结构和工作原理的基础上,讨论分析了利用BP神经网络模型、自组织特性神经网络或Kohonen神经网络模型进行分类、模式识别、图像处理和鉴别、预测与评价、系统模拟以及最优化和多目标决策等方面的应用实例。从神经网络模型建模和数据预处理原理研究了应用人工神经网络技术建模的局限性和缺陷。并明确指出:若不采用检验样本监控学习过程,对于一定数量的样本数据,过大的神经网络结构将不可避免地引起对样本数据的过拟合,从而得到了不能正确反映样本数据结构和内在特性和神经网络模型,而可能是对样本数据的噪声的反映。本文最后探讨了人工神经网络技术与模糊数学、逻辑控制和拓扑学以及非确定性原理相结合的应用趋势。 相似文献
20.
通过人工神经网络与专家系统的结合,用TurboProlog和TurboC语言在微机上开发了汽油发动机故障诊断系统。其特点是利用人工神经网络浅层模块进行浅层推理,再进入深层专家系统进一步确诊,并以神经网络来完成自学习功能。 相似文献