共查询到19条相似文献，搜索用时 828 毫秒
1.
2.
【目的】将粒子群优化神经网络组合预测方法引入地下水位预测中,以提高地下水位预测的精度。【方法】以回归分析法、指数平滑法、灰色GM（1,1）模型的地下水位预测结果及预测结果平均值作为网络的输入,以实际地下水位值作为输出,对3个单一模型进行非线性组合,建立地下水位的粒子群优化神经网络组合预测模型,应用实例对模型的预测结果进行了验证,并与3个单一模型及等权平均组合模型的预测结果进行比较。【结果】实例运用结果表明,粒子群优化神经网络组合预测模型的均方误差为0.740 9,平均绝对误差为0.657 6,均小于单一模型及等权平均组合模型的相应值。【结论】粒子群优化神经网络组合预测方法适用于地下水位的预测。 相似文献
3.
基于灰色神经网络与马尔科夫链的城市需水量组合预测 总被引：1，自引：0，他引：1
【目的】针对城市需水量预测系统具有非线性和随机波动性的特点,建立基于马尔科夫链修正的组合灰色神经网络预测模型,以提高模型的预测精度。【方法】比较分析灰色GM(1,1)模型、BP神经网络模型以及二者线性组合的灰色神经网络预测模型的预测效果,建立基于马尔科夫链修正的组合灰色神经网络预测模型,并以榆林市2000-2009年的用水量实际数据为研究对象,通过实例比较分析模型的检验预测精度。【结果】经马尔科夫链修正处理后,建立的基于马尔科夫链修正的灰色神经网络组合模型的预测精度更高,预测误差的绝对值均小于4%,且均方差σ为1.00,小于组合灰色神经网络模型与GM(1,1)模型、BP神经网络模型预测误差值的均方差。【结论】基于马尔科夫链修正的组合灰色神经网络需水量预测模型,对城市需水量的预测优于灰色神经网络及各单项预测模型,不仅预测精度高,而且能同时反映出数据序列发展变化的总体趋势和系统各状态之间的内在规律,适合描述随机波动性较大的预测问题。 相似文献
4.
组合预测方法在玉米施肥预测中的应用 总被引：4，自引：0，他引：4
为提高玉米施肥量预测的精度,利用拉格朗日乘数法,基于预测误差平方和最小这一目标,对肥料效应函数、神经网络施肥预测方法这2种单一施肥量预测模型进行加权组合,建立了玉米施肥组合预测模型。预测结果显示:肥料效应函数、神经网络施肥预测方法和组合预测模型的预测误差平方和分别为2789.40,653.79,421.72,说明玉米施肥组合预测模型优于单一施肥预测模型;采用组合预测方法对玉米施肥量进行预测,能够显著提高预测精度。 相似文献
5.
提出将3种灰色模型(残差GM(1,1),无偏GM(1,1)和pGM(1,1))与神经网络模型进行有机组合,建立一种新的灰色神经网络组合预测模型,并以中国股票市场上证指数为例进行模拟预测.实证表明:组合预测模型的模拟预测精度较原有方法更为精确,可作为股市预测的有效工具. 相似文献
6.
7.
基于灰色理论和回归分析的需水量组合预测研究 总被引：3，自引：0，他引：3
【目的】建立精度更高的需水量预测模型,为水资源规划提供理论依据。【方法】建立基于灰色预测和线性回归预测的需水量组合预测模型,以深圳大鹏半岛需水量为例,对组合预测模型的预测结果与单独采用灰色预测、线性回归模型预测的结果进行了比较。【结果】单独采用灰色预测模型和线性回归模型进行预测的平均误差分别为6.5%和2.5%,而基于灰色预测和线性回归的组合预测模型的平均误差仅为1%。【结论】组合模型的预测精度较单一模型的预测精度明显提高,并且该模型可以更全面地反映需水量的变化规律。 相似文献
8.
9.
为更准确预测自来水厂的加矾量,弥补灰色GM(1,1)预测模型和神经网络预测模型在自动加矾系统中预测的不足,采用灰色GM(1,1)预测模型和BP神经网络预测模型相结合的方法,即灰色神经网络耦合模型,并运用于自来水厂自动加矾系统,根据实测数据计算预测值.结果表明:灰色GM(1,1)模型平均相对误差为0.016％,最大相差为0.025％,BP神经网络模型平均相对误差为0.037％,最大相差为0.069％,灰色神经网络耦合模型的平均相对误差0.006％,最大相差0.009％,其模拟精度远远高于其他2种模型的模拟值,具有广泛的实用性. 相似文献
10.
11.
盐渍化是影响土壤质量和作物生长的重要因素之一，利用遥感技术大面积获取土壤盐分信息具有重大意义。以新疆玛纳斯河流域农田为研究对象，将偏最小二乘回归模型(PLSR)和BP神经网络模型(BPNN)相结合，构建组合模型来反演土壤盐渍化状况。结果表明，与土壤盐分相关性较高且具有代表性的遥感指数为归-化植被指数(NDVI)、比值植被指数(RVI)和土壤调整植被指数(SAVI)，其相关性系数分别为-0.746、-0.663和-0.733。单项预测模型中偏最小二乘回归模型的预测精度最高，其决定系数(R2)为0.759，均方根误差(RMSE)为3.159。组合模型R2为0.797,RMSE为3.611，其验证精度较单项预测模型有所提高，较PLSR模型提高了0.038，较BPNN提高了0.094。组合模型可更准确地预测出玛纳斯河流域农田土壤盐分空间分布状况。玛纳斯河流域农田土壤盐渍化以轻度和中度盐渍化为主，所占比例达到35.34%和25.66%，与实测结果一致。组合模型较单项模型可以获得更准确的土壤盐分空间分布状况，为新疆玛纳斯河流域农田土壤盐渍化治理和土地资源... 相似文献
12.
运用GF-1影像光谱和纹理信息构建森林蓄积量估测模型 总被引：1，自引：0，他引：1
以GF-1遥感影像为数据源,研究区森林资源二类调查数据为样地实测数据,综合考虑光谱、地形、纹理特征,利用多元线性回归、BP神经网络、支持向量机和随机森林建立研究区森林蓄积量估测模型,并验证模型预测的性能。结果表明:4种模型预测评价指标的决定系数(R2)和均方根误差(RMSE)相近,但有一定的差异,多元线性回归模型R2和RMSE分别为0.446、39.979 6 m^3·hm^-2,BP神经网络模型R2和RMSE分别为0.474、39.703 9 m^3·hm^-2,支持向量机模型R2和RMSE分别为0.485、38.924 8 m^3·hm^-2,随机森林模型R2和RMSE分别为0.534、37.882 2 m^3·hm^-2;3种机器学习方法构建的蓄积量估测模型预测性能优于传统的多元线性回归模型,随机森林模型的预测性能最优。 相似文献
13.
采用支持向量机的组合预测方法,对黑龙江垦区农机装备水平进行预测。在确定单一预测模型的基础上,运用自组织神经网络方法,将权系数确定问题转化为粗糙集理论中属性重要性评价的问题;计算各单一预测方法对组合模型的依赖度、重要度和权系数;利用建立的基于支持向量机非线性农机装备水平组合预测模型,对黑龙江垦区2002—2012年农机装备水平的历史数据进行检验。误差分析表明:该模型对农机总动力、大中型拖拉机、小型拖拉机、大中型拖拉机配套机具和小型拖拉机配套机具的预测平均相对误差为0.471%、1.328%、3.738%、1.193%、3.574%,均低于各单一预测模型的平均相对误差;利用该模型对黑龙江垦区农机装备水平进行预测,到2020年拥有农机总动力999.33万kW、大中型拖拉机88 921台、小型拖拉机38 453台,大中型拖拉机与配套农机具台数比为1.51∶1,小型拖拉机与配套农机具台数比为1.68∶1。所建模型适用于黑龙江垦区农机装备水平的预测。 相似文献
14.
根据相关系数法筛选出与马尾松毛虫各级危害程度的危害面积相关关系都比较密切的气象因子,分别建立多对多线性回归模型、脉冲响应函数模型、线性差分方程之带输入项的线性自回归模型、人工神经网络模型以及双重筛选逐步回归模型5种马尾松毛虫危害程度分级预报的数学模型。结果表明,运用所建立的5种分级预报模型对预留的4年共16组样本进行预测结果检验,都取得较好的预测效果,其中以线性差分方程之带输入项的线性自回归模型的预测效果最好,人工神经网络模型的预测效果次之,双重筛选逐步回归模型最差。 相似文献
15.
针对绿色农产品消费行为具有多变量非线性相互作用的特点，传统统计方法难以准确预测消费行为的问题，提出基于改进果蝇算法优化的广义回归神经网络消费行为预测模型。首先针对果蝇群搜索不均匀所导致果蝇飞行单一的问题，提出一种均匀的果蝇群搜索机制即扇形果蝇优化算法加快搜索能力和效率；其次针对广义回归神经网络的平滑因子易受人为选择的影响，提出改进果蝇算法优化广义回归神经网络参数，实现参数的自动化选择，提高模型的预测能力。运用提出的模型对绿色农产品消费行为预测。结果表明：相较于广义回归神经网络，遗传算法优化广义回归神经网络、粒子群算法优化广义回归神经网络、果蝇算法优化广义回归神经网络和改进果蝇算法优化广义回归神经网络模型在均方根误差指标上分别下降4.45%、1.89%、4.54%和5.03%,表明遗传算法、粒子群算法、果蝇算法和改进果蝇算法能够优化广义回归神经网络模型的平滑因子，提高模型的预测精度。从平均绝对误差、均方误差、均方根误差3个评价指标看，改进果蝇算法优化广义回归神经网络模型比其他6个单一预测模型具有更高预测精度。结果证明了改进果蝇算法优化广义回归神经网络模型在绿色农产品消费行为预测的有效性，... 相似文献
16.
在分析农业用水特性的基础上,提出了可有效克服单一预测模型预测精度不高的组合预测模型,并给出了农业用水量组合预测模型的权重确定方法,最后基于GM（1,1）模型、回归预测模型和指数平滑模型验证了组合预测模型对我国农业用水量的预测精度。 相似文献
17.
为探究提高土壤有机质预测精度的方法,以黄淮海旱作区为研究对象,分别运用云遗传BP神经网络、BP神经网络和GABP神经网络三种方法比较不同土层的土壤有机质预测精度。结果表明:1)不同土层土壤有机质值的数据分布与正态分布相比具有不同程度的向右偏移,不同土层土壤有机质均属于中等程度变异;2)不同土层土壤有机质的半方差函数最优拟合模型均为指数模型,不同土层土壤有机质的结构因素与随机因素对空间变异的影响大小基本一致,空间自相关性较弱;3)结合云模型与遗传算法的BP神经网络对0～10、10～20、20～30cm土层土壤有机质的预测精度均得到了一定提升,而对30～40cm土层土壤有机质的预测精度则提升不明显,可能是由于30～40cm土层土壤有机质变异系数超过了一定范围所造成。研究结果可为提高土壤有机质的预测精度提供参考,并为进一步调整耕地管理措施及提高土壤质量水平提供依据。 相似文献
18.
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
19.
拟合并选择云南红豆杉单木生物量模型,明确树冠结构调控技术。以3年生福建省明溪县云南红豆杉原料林为对象,采用4种自变量类型模型,并导入树冠结构特征变量拟合生物量模型;经配对t检验、偏差检验与估算预测精度,优选系列单木生物量模型。比较导入树冠结构特征前后模型的拟合与预测效果,明确并验证树冠结构调控技术。结果表明,采用D2H变量拟合的模型效果最优,其次为DH变量,然后是D2变量,最后是D、H变量。采用D2H变量较D、H变量明显提高模型的拟合与预测效果。导入树冠结构特征后明显提高模型拟合与预测效果。冠幅、冠形率显著影响红豆杉系列单株生物量,促进系列生物量的树冠结构调控重点与方向是促进冠幅宽大;经验证,树冠结构调控技术显著提高系列单木生物量是可行的。自变量类型显著影响模型的拟合与预测效果,选择自变量类型以优化红豆杉单木生物量模型是必要和可行的。导入树冠结构特征因子明显提高单木生物量模型的拟合效果与预测精度。选出4个最优红豆杉单木生物量模型,其决定系数不小于0.862,预测精度均不小于95.18%,MAPE均不大于16.95%,可以用于生产中的生物量预测。 相似文献