共查询到20条相似文献，搜索用时 78 毫秒
1.
提出一种基于遗传算法优化BP神经网络的方法预测日光温室湿度环境因子。实测日光温室内影响空气湿度的环境因子组成数据样本作为神经网络的输入,采用基于实数编码的遗传算法替代随机设定神经网络的初始权阈值,然后通过改进的BP算法在由遗传算法确定的搜索空间中对网络进行精确训练。模型预报值和实测值基于1：1线的决定系数R2和预测平均相对误差MSE分别为0.9857和3．1％。结果表明,遗传算法优化BP神经网络预报模型收敛速度快、预测精度高。可为日光温室的湿度环境调控制提供理论依据和决策支持。 相似文献
2.
将柑橘幼苗作为试验对象,利用传感器采集空气相对湿度和温度,以基质相对湿度、温度和EC值作为环境因子,采用称重法实时采集作物的质量变化量作为作物的蒸发量;以环境因子为模型输入,作物蒸发量为模型输出,构建长短期记忆神经网络(LSTM)预测模型,优化后的最优模型结构以及训练参数包括LSTM模型的隐藏层1层,隐藏层节点数为120,迭代样本数为128,训练迭代次数为175,网络的激活函数选择tanh函数,学习率为0.001,时间步长为72。LSTM预测模型的决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.993 9、0.015 5 g、0.011 3 g;与循环神经网络(RNN)、门控循环单元(GRU)的预测效果进行对比,LSTM预测模型的预测蒸发值更接近真实蒸发值,预测结果相对误差范围波动最小,RMSE、MAE最小,R2最大,说明这3种模型中LSTM预测模型的预测效果最佳。 相似文献
3.
4.
5.
【目的】本研究以野外考察数据为基础,尝试构建基于模糊神经网络方法的干旱区土壤盐分预测模型,对表层土壤盐分进行预测模拟。【方法】首先,根据研究区实际情况选取7个土壤盐渍化影响因子并提取所需信息,利用灰色关联分析法得出土壤盐分与各影响因子之间的关系,然后利用土壤盐渍化的影响因子作为输入样本,土壤盐分作为输出因子,建立了基于T-S模糊神经网络的表层土壤盐分预测模型。【结果】预测结果表明,平均相对误差为13.092%,最小误差为0.875%,最大相对误差为41.733%,预测精度较高。【结论】T-S模糊神经网络模型的预测效果较好,可以用于预测土壤盐渍化状况,为干旱区土壤盐渍化变化规律提供了一种有效的方法。 相似文献
6.
现代化温室自然通风时湿热环境CFD模拟研究 总被引：1，自引：0，他引：1
选取现代化温室室内区域和室外区域作为CFD模拟的计算域,建立温室同等大小的三维模拟,采用标准k-ε湍流模型,选择合适的辐射模型,番茄作物区采用多孔介质模型,对温室内部湿热环境进行了数值模拟.对模拟结果与试验测试结果进行对比,温室内部空气温度的模拟值与实测值的绝对误差为0.2～2.2℃,平均误差为0.91℃,平均相对误差为3.1%,最大相对误差为7.7%.温室内部空气相对湿度的模拟值与实测值的平均相对误差为6.4%,最大相对误差为16.6%,数值模拟结果与试验测试结果吻合较好. 相似文献
7.
为探寻更精确有效的南果梨始花期预报方法,采用灰色关联分析法确定与始花期关联较大的冬季气象因子,以此作为BP(Black Propagation)神经网络与RBF(Radial Basis Function)神经网络建模的输入因子并预测南果梨始花期,利用均方根误差(RMSE)和相对误差(RE)评价该模型的预测效果,同时对比与南果梨始花期显著相关的冬季气象因子建立逐步回归方程并进行回代后的预测结果。结果表明：（1）与南果梨始花期灰色关联较大的气象因子为冬季日均气温、日最高气温、日最低气温、日均相对湿度,关联度均在0.6以上,故将这4个因子作为BP和RBF神经网络模型的输入层来预测南果梨始花期;（2）与始花期显著相关的气象因子有日均气温、日均5 cm地温、日最低气温、日最高气温,相关系数分别为-0.646、-0.628、-0.638、-0.663,所建回归模型均通过了显著性检验且具有统计学意义;（3）BP和RBF方法建立的模型拟合精度总体上较接近;（4）基于灰色关联下BP神经网络和RBF神经网络预测结果误差分别为1 d和2.25 d,BP神经网络预测的开花日期更接近实际开花日期;（5）基于灰色关联下BP神经网络模型RMSE为1、RE为6.34%、R2为0.7,而RBF神经网络模型RMSE为2.25、RE为13.13%、R2为0.568。综上,灰色关联分析法建立的BP神经网络模型较RBF模型预测南果梨始花期更精确。 相似文献
8.
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
9.
利用Levenberg-Marquardt (LM)算法对BP神经网络法进行改进,提出了基于改进型LM-BP神经网络模型的粮食产量预测方法.提取了粮食作物播种面积、化肥施用量、粮食作物有效灌溉面积、受灾面积、农村用电量、农业机械总动力、从事农业的人口、农村居民家庭生产性固定资产原值、农村居民家庭平均纯收入9个因子作为输入因子构筑模型,粮食产量作为网络输出,通过LM算法使网络误差最小化,最后使用相关系数、相对误差等指标对模型的模拟结果进行检验.结果表明,训练样本集中模拟值和实际值的相关系数为0.996,平均相对误差为0.47％;检测样本集中,预测值和实际值的相关系数为0.994,平均相对误差为0.56％;该模型具有较高的拟合精度和预测精度,将此网络模型应用于粮食产量预测是有效的、可行的. 相似文献
10.
日光温室内温度是温室微气候控制的常用参数,但是植物本身的温度(主要是叶温)影响着植物的生理活动,温室内温度要根据叶温的变化来调控。建立叶温的模拟模型可为日光温室内气温的调控及将能量平衡模型结合到温室环境控制系统中提供理论依据。该研究根据植物叶片能量平衡原理建立了一个以日光温室内环境条件(净辐射、气温、空气相对湿度)为主要驱动变量,以气孔阻力和空气动力学阻力为参数的番茄植株叶温模拟模型,并通过阴天、晴天土壤水分亏缺和土壤水分充足条件下叶温实测数据对模型进行了试验验证。结果表明,阴天、晴天土壤水分亏缺和土壤水分充足条件下番茄植株叶温模拟值与实测值的变化趋势一致。模型很好地模拟了晴天土壤水分充足条件下叶温的变化,其模拟值与实测值的决定系数R2=0.845,模拟方程的斜率k=0.961,截距f=-0.121,估计标准误差RMSE=2.1℃,相对误差RE=9%。 相似文献
11.
12.
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
13.
水产养殖池塘是一个多变量、非线性和大时延系统,很难用传统方法建立水质预测的精确模型.神经网络具有良好的非线性函数逼近能力,非常适合处理水质预测等复杂问题.利用BP神经网络模型,通过自适应的动态学习方法和模型优化,采用MATLAB神经网络工具箱建立了水产养殖水环境因子pH值预测模型.在预测模型中输入测试样本,将预测结果与实测值进行比较,平均相对误差小于1％.结果表明,所构建的基于自适应BP算法的水产养殖水质预测模型具有良好的精确性和准确性,能有效地预测养殖池塘的水质状况. 相似文献
14.
为建立“突变”增长条件下建设用地需求预测模型以利于区域土地资源的可持续利用和土地利用总体规划的
定期修编,本文提出了基于主元分析(PCA)与径向基函数(RBF)神经网络模型相结合的建设用地需求预测方法.首
先,利用灰色关联分析筛选出主要驱动因子作为输入数据;然后,利用主元分析消除其相关性,并达到降维目的;
最后,以PCA结果为输入建立建设用地需求的RBF神经网络预测模型.实例研究表明,建设用地需求PCA-RBF
神经网络预测模型具有较好的预测效果,平均绝对误差(MAE)、误差均方根(RMSE)、平均相对误差(MRE)、分
年度残差和突变点残差都较常规的多元线性回归(MLR)模型更小,更适宜在复杂非线性条件下应用. 相似文献
15.
结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化:采用BP神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型,利用试验样本数据计算并确定预测模型的网络权值及阈值,再采用PSO算法进行参数优化。试验验证结果表明,对比BP网络模型和PSO–BP模型,发现BP网络仿真值相对误差最大值为4.5%,而PSO–BP仿真值最大相对误差小于2.93%。 相似文献
16.
基于混沌径向基神经网络模型的洪水预测研究 总被引：1，自引：0，他引：1
【目的】建立更为理想的洪峰大流量预测模型。【方法】针对目前大部分预测模型对洪峰大流量数值预测结果不太理想的问题,根据自然界中普遍存在的混沌现象,在对洪水系统进行混沌识别的基础上,建立了基于混沌理论和径向基神经网络(RBF)的预测模型,将实测洪水序列进行相空间重构得到训练样本,利用MATLAB 7.0工具箱确定网络结构。【结果】将所建立的RBF模型用于汾河石滩水文站2004年最大洪水的预测,结果表明,该模型预测结果的合格率、平均相对误差、相关系数(R)、均方根误差(RMSE)和Nash-Sutcliffe系数(NSC)分别为100%,4.69%,0.9793,4.2260和0.9552,而传统Volterra级数自适应预测模型的分别为93.75%,8.97%,0.9540,10.2632和0.7358,可见RBF模型的预测结果较好,并且对预测洪峰大流量数值取得了较理想的预测效果。【结论】将混沌理论和径向基神经网络结合建立预测模型,作为提高洪水预报精度的一种新尝试,对以后进行洪水预测研究具有一定的参考价值。 相似文献
17.
【目的】建立地下水位预测的正则化RBF网络模型,为区域地下水资源的利用、规划和管理提供决策依据。【方法】以MATLAB7.0为平台,用函数newrb创建正则化RBF网络模型,基于宝鸡峡灌区B210号观测井1983-2009年的地下水位埋深资料,对网络模型进行训练后再用测试集检验,分别绘制训练集与测试集的拟合曲线,同时计算实测值与预测值间的相对误差(RE)、平均绝对偏差(MAD)和均方误差(MSE),并将其与BP网络模型的相应值进行对比。【结果】正则化RBF网络模型和BP网络模型的相对误差均小于5%,平均绝对偏差分别为0.53和0.85,均方误差分别为0.54和1.15,相比之下,正则化RBF网络模型的预测精度更高。【结论】训练样本和测试样本的合理选取为时间序列的拟合扩展了思路,良好的泛化能力使正则化RBF网络模型在区域地下水位预测中具有一定的可行性。 相似文献
18.
利用RBF神经网络和支持向量机两种算法建模,分析落叶松高温高压蒸汽改性工艺参数与其力学性能关系;以落叶松热处理的温度、相对湿度、处理时间3个主要工艺参数作为网络输入,建立了RBF神经网络和支持向量机预测模型,并对两者进行比较。结果表明:支持向量机模型,在网络建立结构、收敛速度和泛化能力上更具优势。 相似文献
19.
武汉市日光温室冬季温湿度环境的神经网络模拟 总被引：1，自引：0，他引：1
《江苏农业科学》2017,(3)
选取武汉市农业气象试验站聚氯乙烯(polyvinyl chloride,简称PVC)温室的小气候观测数据及台站资料,以PVC温室外的气温、相对湿度、风速、太阳辐射为输入变量,温室内温度、相对湿度为输出变量,分别建立典型天气状况下PVC温室温湿度环境的逆向反馈(back propagation,简称BP)神经网络预测模型。结果表明:气温模拟值与实测值的标准误差(root mean squared error,简称RMSE)为1.1~1.4℃,相对误差为4.0%~5.7%,相对湿度的RMSE为2.1%~3.4%,相对误差为1.7%~3.0%;气温预测值与实测值的气温RMSE为1.5~2.4℃,相对误差为0.7%~1.7%,相对湿度RMSE为1.5%~4.2%,相对误差为1%~3%。模型模拟效果良好,可为PVC温室内温湿度环境的合理调控提供科学依据。 相似文献
20.
为探究胶东地区日光温室内部环境的变化情况及对番茄栽培的适宜性,并对内部温湿度进行预测,利用不同传感器,全天候监测并分析了2019-06-01至2020-05-31温室内外温湿度,同时建立了该地区日光温室内部不同季节不同天气条件下气温及相对湿度的预测模型,并利用根均方差（RMSE）进行统计分析。结果表明,日光温室内部7月平均气温最高,1月平均温度最低,分别为29.7和14.1 ℃。温室内春秋季日期数较外部增加了78 d,冬季减少了118 d。不利于番茄生长的时期集中在夏季和冬季,温室内易产生夏季高温低湿、冬季低温高湿现象。温室内气温、相对湿度预测模型的预测值与实际值的平均RMSE值分别为4.1 ℃、10.1%,模型的模拟效果整体较好。 相似文献