共查询到20条相似文献，搜索用时 15 毫秒
1.
为预测宁夏地区农业机械化水平的发展变化趋势,提出一种将灰色预测模型与BP神经网络有效结合的农业机械总动力预测方法。在BP神经网络的数据预处理阶段融入灰色预测理论,建立基于灰色BP神经网络的农机总动力预测模型,并选取1991-2014年宁夏回族自治区农业机械总动力数据作为样本,利用该模型进行仿真预测,结果表明:该模型具有较高的预测精度,其平均相对误差仅为0.18%,明显优于灰色GM(1,1)模型的3.5 0%和标准BP神经网络的0.2 9%。 相似文献
2.
针对甘蔗收获机砍蔗时甘蔗宿根破损程度易受路面激励及甘蔗收获机工作参数等多种因素影响的问题,提出了一种甘蔗宿根切割质量的预测方法。以台糖22号为研究对象,将路面振幅、路面振动频率、甘蔗收获机前进速度、刀盘转速和刀盘倾角作为BP神经网络预测模型的输入变量,利用PSO算法优化神经网络的权值与阈值,通过对砍蔗试验数据的训练与预测,建立了台糖22甘蔗宿根切割质量的BP神经网络预测模型。对比了基于PSO算法的BP神经网络模型与传统BP神经网络模型预测,结果表明:基于PSO算法的BP神经网络的模型对甘蔗宿根切割质量预测的最大相对误差为3.301%,而BP神经网络模型的最大相对误差为14.6 5 9%。优化后的新模型较传统模型具有学习能力强、预测精度高的优点。研究结果为甘蔗收获机实际工作中不同路况条件下工作参数的智能调控及提高甘蔗宿根切割质量提供了理论依据。 相似文献
3.
研究采用BP网络改进算法、RBF网络和遗传神经网络,构建了机耕、机播与机收水平预测模型。应用所构建的模型对陕西省机耕、机播、机收水平进行预测,着重对3种预测模型进行比较和分析,为有关部门制定政策、方针和路线提供科学依据。用测试样本对预测精度进行检验,3种机耕水平预测模型(基于BP改进算法的BP模型、GA-BP模型和RBF模型)的平均相对误差都在10%以内;3种机播水平预测模型的平均相对误差分别为5.17%,9.0%和13.86%;3种机收水平预测模型的平均相对误差分别为12.11%,7.22%和16.75%。对于机耕水平预测问题,综合考虑预测精度、构建网络的复杂度和稳定性,采用RBF模型较好;机播水平预测采用预测精度最高的基于改进BP算法的BP模型;机收水平预测可采用GA-BP模型。 相似文献
4.
针对农产品价格波动的非线性特征明显、传统时间序列预测方法预测精度不高等状况,构建基于Prophet的农产品价格预测模型,并以生姜为例展开研究。选取2012—2018年生姜每周平均价格数据为研究对象,在对生姜价格的趋势周期分解基础上,通过对生姜价格序列分解的趋势项、周期项和随机项分别进行建模组合实现对2019年上半年生姜价格的预测,并利用统计分析方法对模型性能进行评估。试验结果表明,Prophet算法预测结果的平均相对误差为4%。将Prophet模型的预测结果和BP神经网络预测结果进行比较,其均方误差(MSE为0.20)小于BP神经网络预测结果的均方误差(MSE为0.37)。Prophet预测模型具有较高的预测精度,在农产品价格预测方面具有较广阔的应用前景。 相似文献
5.
黄土高原区水资源严重匮乏，研究土壤水分特征曲线对于提高水分利用率、节约水资源有着重要的现实意义，但直接试验测量土壤水分特征曲线面临操作技术难度大、耗时费力等诸多问题，因此对土壤水分特征曲线进行科学合理预测十分必要。为提高黄土高原区土壤水分特征曲线预测模型精度，以山西省5个县市的试验点黄土为研究对象进行模型比选。基于BP神经网络算法，以土壤基本指标黏粒含量、粉粒含量、干容重、有机质和全盐量共5个影响因素作为预测模型的输入变量，以经验模型的参数作为预测模型的输出变量，分别建立了Gardner经验模型参数和Van Genuchten经验模型参数的预测模型，并根据实测数据库的预测结果进行对比和分析。结果表明：建立的经验模型参数的BP神经网络预测模型，Gardner经验模型建模和验证后的两个参数相对误差的平均值都小于4%,Van Genuchten经验模型建模和验证后的两个参数相对误差的平均值都小于5%；不论是建模的训练数据库还是验证数据库，Gardner经验模型参数的预测模型精度均高于Van Genuchten经验模型参数的预测模型精度。因此，建议针对黄土高原区的黄土水分特征曲线预测模型的建立... 相似文献
6.
基于黄土高原区大田耕作土壤的水分入渗试验,建立了Kostiakov二参数入渗模型参数的BP神经网络预测,实现了以土壤基本理化参数为输入变量,Kostiakov二参数模型参数为输出变量的BP预测方法,并分别对二参数模型中的入渗系数k、入渗指数α以及90min累积入渗量H进行了预测值与实测值的精度比较,结果显示对入渗系数k实现BP预测的平均相对误差为6.082 3%,入渗指数α的平均相对误差为1.045 9%,90min累积入渗量H的平均相对误差为4.973 5%,三者的平均相对误差值均在7%以下,预测精度较高,预测效果较好,表明以土壤基本理化参数为输入变量的BP神经网络预测是可行的。研究结果为获取准确的入渗参数提供技术手段,进而为提高农业灌溉水管理水平和灌水效率提供支撑。 相似文献
7.
土壤水分特征曲线Van-Genuchten模型参数的土壤传输函数比选 总被引：1，自引：0，他引：1
基于黄土高原区多种土壤的水分特征曲线试验数据样本,建立了以土壤黏粒、土壤粉粒、干密度、有机质和盐分含量为输入变量,Van-Genuchten模型参数α与n为输出变量的非线性预报模型和灰色BP神经网络预报模型,在对两种模型误差参数α与n分别进行误差分析比较的基础上,对两种模型的预测结果进行了整体误差分析。结果表明:无论是参数α还是参数n,非线性模型的平均相对误差低于10%,综合精度平均相对误差为15.73%;灰色BP神经网络模型的预测精度的平均相对误差低于4%,综合精度平均相对误差为10.01%,灰色BP神经网络模型的预测精度都要比非线性模型的预测精度高,但灰色BP神经网络模型易出现过度拟合的情况。综合而言,两种模型均能实现Van-Genuchten模型参数α与n的预测,可根据具体情况选用其中一种以达到更好的预测效果。 相似文献
8.
为预测云南省农机总动力的发展变化趋势,提出一种将GA算法、LM算法与BP神经网络相结合的农机总动力预测方法,克服了BP神经网络易陷于局部极小的缺点。选取1985-2015年云南省农机总动力数据作为样本,建立GA-LM-BP神经网络模型进行仿真预测,结果表明:该模型的平均相对误差为0.313 362%,明显优于BP神经网络的0.926 674%、LM-BP神经网络模型的0.654 053%和GA-BP神经网络模型的0.493 122%,具有较好的预测精度。在此基础上,对云南省2016-2020年农机总动力的发展趋势进行了预测,结果表明:2 0 1 6年农机总动力达3 4 3 9.4 9万k W,超过云南省农业厅预测的3 4 0 9万k W,2 0 2 0年云南省农机总动力达3 952.78万k W,为云南省农机化的发展规划提供了理论依据。 相似文献
9.
农用节水灌溉机械的拥有量是反映一个地区节水灌溉水平的重要指标之一,对其进行预测将有助于了解该类机械的未来需求状况,同时也将为合理制定相关规划提供理论依据。以2000-2010年的河南省农用节水灌溉机械拥有量为观测样本,建立了河南省农用节水灌溉机械拥有量的预测模型,进行了仿真预测实验,并预测出了"十二五"期间河南省各年份的农用节水灌溉机械拥有量。该预测模型为三层BP神经网络模型,各层神经元数目分别为4、9和1。仿真预测实验表明该模型在所有预测点的预测平均相对误差为0.62%,具有高预测精度。预测结果表明"十二五"期间河南省农用节水灌溉机械的拥有量将出现先增加后减少再增加的波动趋势。 相似文献
10.
11.
12.
为研究确定四川省冕宁县山洪灾害临界雨量,及时采取减灾避灾措施,根据冕宁县14个雨量站和气象站的资料,选取山洪灾害发生的关键因子:日时段降雨量和降雨强度,建立BP神经网络预测模型.然后用遗传算法对BP神经网络的权值和阈值进行优化,建立GA-BP预测模型.与BP预测模型相比,GA-BP预测模型能有效克服BP模型训练时间长,易陷入局部最优的缺陷,在临界雨量预测精度方面,GA-BP模型预测的平均相对误差为1.96％,而BP模型预测的平均相对误差为7.22％,明显提高了预测精度.这一临界雨量预测方法与结果,进一步修正完善后将试用于冕宁县山洪灾害监测预警系统. 相似文献
13.
为准确预测冬季果园土壤温度,建立了蓄水坑灌条件下BP神经网络土壤温度预测模型(BP-WSPI-T)、遗传算法优化的BP神经网络土壤温度预测模型(GA-WSPI-T)和增量逆传播学习算法优化的BP神经网络土壤温度预测模型(IBP-WSPI-T),采用坑内平均气温、地表温度、沿相邻两蓄水坑中心连线距坑壁的距离和距坑壁5cm处分层土壤最低温度为模型输入,对距坑壁15、25和35cm处分层土壤最低温度进行预测,并通过与田间实测数据的统计学分析来判定预测效果。结果表明:BP-WSPI-T、GA-WSPI-T和IBP-WSPI-T模型的平均相对误差分别为8.19%、4.41%和7.57%,GA-WSPI-T模型的预测效果最好,较BP神经网络预测精度得到了很大的提高,建议采用GA-WSPI-T模型对蓄水坑灌冬季果园土壤温度进行预测。 相似文献
14.
针对传统的土壤墒情预测方法精度较低、训练周期长的问题,本文对BP神经网络预测模型进行研究,提出一种改进樽海鞘算法优化BP神经网络的预测方法。首先,在标准樽海鞘群算法(Salp Swarm Algorithm, SSA)中引入变异算子增强种群的多样性,提高算法的全局探索能力;同时,采用动态权重调整策略增强局部开发性能,改善收敛速度,在位置更新过程中加入动态权重,进一步平衡全局探索和局部开发能力;其次,考虑到BP预测网络收敛精度低、易陷入局部最优等缺点,将改进樽海鞘算法引入到BP中形成ASSA-BP的预测模型算法,该算法缩短了训练时间、提高了预测精度。最后,将ASSA-BP与PSO-BP、BP不同预测模型进行对比,结果表明ASSA-BP的最优预测相对误差平均值3.37%,绝对误差平均值0.025 8,比BP模型预测误差有所下降。克服了BP预测模型收敛精度低、易陷入局部最优的缺点,具有更好的鲁棒性和预测精度。 相似文献
15.
苹果可溶性固形物含量的检测方法——基于可见光近红外光谱技术 总被引：3，自引：0，他引：3
为了快速检测苹果的可溶性固形物(SSC)含量,采用可见光近红外光谱技术,结合主成分分析(PCA)和BP神经网络技术,来建立苹果SSC的预测模型.获取苹果样本在345～1039 nm波段的漫反射光谱,采用DPS数据处理系统对其进行主成分分析,并提取出累计可信度大于95 %的5个新主成分.建立一个3层的BP神经网络模型,并将这5个新的主成分作为BP神经网络模型的输入量,其结果是98 %以上预测样本的预测相对误差在5 %以下.该研究表明,采用近红外光谱技术来建立苹果可溶性固形物的预测模型是可行的. 相似文献
16.
马铃薯产量的高效预测对于制定马铃薯生长期间的精准管理决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在的精度差、准确度低等问题,选择遗传算法对单一BP神经网络模型开展网格优化。基于朔州市朔城区沙楞河村2010-2019年田间物联网获取的田间环境数据(土壤含水率和土壤温度)、气象环境数据(大气湿度、大气温度、降雨量)和马铃薯产量,采用BP神经网络及GA-BP神经网络模型对所选地区马铃薯产量进行预测分析。研究结果表明：GA-BP神经网络模型下,马铃薯产量的预测精度明显高于BP神经网络模型,R2达到0.993 27,平均相对误差仅为0.88%。试验证明,GA-BP神经网络模型能够更加科学、合理地进行马铃薯产量预测,说明利用遗传算法优化BP神经网络在马铃薯产量预测中是可行且有效的。 相似文献
17.
基于BP神经网络的土壤水热动态预测模型研究 总被引：2，自引：0，他引：2
《节水灌溉》2017,(7)
以土壤施氮量、灌水量、土壤各层初始温度、各层初始含水率以及时间作为神经网络的输入因子,以土壤温度、含水率作为输出因子,基于BP神经网络,建立了拓扑结构为17-21-14的BP-W-T预测模型,利用Matlab软件对BP神经网络进行训练,并结合实测值对温度分布和含水率分布进行检验。结果表明:土壤温度预测模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.28%~3.36%、0.954~0.972和0.910 2~0.944 7;含水率预测模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为1.87%~3.09%、0.974 3~0.992 6和0.949 3~0.985 2;该预测模型具有较高的预测精度和良好的稳定性,可以较好地描述温度梯度下土壤水热动态变化情况,为预测土壤温度与含水率提供了一条新的途径。 相似文献
18.
农业是国民经济的基础，粮食乃重中之重，粮食产量的准确预测对国家粮食安全及政府制定相应粮食生产政策具有重要的意义。该文运用灰色关联分析，从众多模糊因素中计算出云南粮食产量特有影响因子，依次为农业机械总动力、化肥施用量、农田有效灌溉面积和农村用电量，并对这些因子进行了GM（1，1）残差修正预测，把预测所得数据作为相关因素序列，以粮食产量作为系统特征序列，构建了粮食产量的灰色GM（1，N）预测模型。根据云南省1999—2015年的粮食生产相关数据，对云南省2020年的粮食产量数据进行预测，对2015年之前数据进行拟合，和实际产粮数据平均相对误差为1.92%，具有较高的精确度。通过分析预测成果，给出了确保云南省粮食产量稳固增长的对策和建议。 相似文献
19.
利用长短期记忆神经网络(LSTM)构建地下水水位预测模型,解决了传统神经网络预测模型处理时序数据时未考虑时间序列的问题,同时采用多影响变量输入的方式弥补了简单时序模型处理数据时过于依赖时间的缺点。以泰安市岱岳区满庄镇姜家园村046J地下水位监测井为例,采用2001-2016年的监测资料与相关气候数据,利用长短期记忆神经网络构建了地下水水位预测模型,以控制变量的方法确定最优参数,对该井的地下水水位进行了预测,并与单变量LSTM神经网络、BP神经网络预测模型作对比。研究结果表明:基于多变量输入的LSTM神经网络模型能够通过少量历史数据准确的预测未来地下水水位变化情况,特别是在一些资料匮乏的地区,预测误差要显著低于参与对比的预测模型,预测均方根误差仅为2.052。因此,基于多变量的LSTM神经网络模型能够作为简单有效的地下水水位预测工具,为区域水资源管理提供一定的参考。 相似文献
20.
地下水埋深预测对于区域水资源管理利用、生态环境保护和经济社会发展等具有重要的价值与作用。地下水埋深受多种因素影响,其动态变化具有非平稳性、随机性和滞后性等特征。为了准确预测浅层地下水埋深,选用多元线性回归、灰色GM(1,1)、基于马尔科夫链优化的灰色GM(1,1)、BP神经网络和基于遗传算法优化的BP神经网络五种预测模型,以黑龙江省肇州县为应用实例,将1980-2009年数据作为训练样本,2010-2019年数据作为检验样本,以降水量、蒸发量、地下水开采量和前期水位作为输入层输入,以地下水埋深作为输出层输出,选择绝对误差、相对误差、平均绝对误差、平均绝对百分比误差、均方误差和均方根误差作为评价指标,进行地下水埋深模拟预测和对比分析。结果表明：基于遗传算法优化的BP神经网络模型的平均绝对误差0.13 m,平均绝对百分比误差1.58%,均方误差0.02,均方根误差0.15,预测精度较高、拟合效果较好,相较于其他4种模型可以更好的模拟地下水埋深动态变化,为肇州县地下水合理开发和利用提供参考;遗传算法优化提升了BP神经网络的训练效率和稳定性,马尔科夫链理论弥补了灰色GM(1,1)所缺少的波动性... 相似文献