共查询到20条相似文献，搜索用时 250 毫秒
1.
《沈阳农业大学学报》2014,(2)
为了减轻洪涝灾害对人类的伤害,将极限学习机(extreme learning machine,ELM)引用到洪涝灾害预测中,利用凌河流域1960~2010年44个观测站(其中大凌河流域33站、小凌河流域11站)的降水资料,对凌河流域洪涝灾害进行预测,并将其与传统神经网络预测结果进行对比分析。结果表明:基于极限学习机预测模型的年均降水量预测值,大凌河流域的均方误差(MSE)为0.003,决定系数(R2)为0.927;小凌河流域的均方误差(MSE)为0.0037,决定系数(R2)为0.8481,均满足误差精度要求,其结果均优于BP神经网络预测模型的均方误差值和决定性系数。说明极限学习机预测模型用于洪涝灾害预测效果良好,为洪涝灾害预测提供了新的方法。 相似文献
2.
《西北林学院学报》2017,(6)
以生态脆弱区典型县域磴口县为研究区,利用经验模态分解法(EMD)处理非线性、非稳定性复杂信号的优势,对磴口县1987—2016年共30a的年均地下水埋深时间序列进行分解,并对分解的结果进行分析;然后将降水量、气温、相对湿度、蒸发量、日照时数5种影响地下水埋深动态变化的因子与地下水埋深进行回归分析,得到其变化规律;把对磴口县地下水埋深影响最为显著的因子作为BP神经网络预测模型输入层的一部分,建立基于EMD的BP预测模型和未经过EMD处理的BP预测模型。结果表明,IMF1、IMF2和IMF3本征模态分量是影响磴口县1987—2016年地下水埋深动态变化的主要原因,方差贡献率之和为95.38%;降水量和蒸发量对磴口县地下水埋深影响最显著,且降水主要集中在秋季和夏季,秋季降水最多;蒸发主要集中在夏季和秋季,夏季蒸发量最大;EMD-BP预测值均方误差(MSE)较小且决定系数(R2)较高,均优于BP预测值,模型预测精度较高,对磴口县地下水埋深预测具有一定的实用性。 相似文献
3.
基于经验模态分解与人工神经网络的参考作物腾发量混合预测模型研究 总被引：1，自引：0，他引：1
为了提高具有非线性和非稳定性特征的参考作物腾发量(ET0)时间序列的预测精度,提出基于经验模态分解(EMD)的BP神经网络预测模型。以大连地区1970~2006年间逐月ET0序列为例,首先应用经验模态分解(EMD)方法将ET0序列分解为具有不同尺度特征的本征模态函数(IMF),然后运用BP神经网络对ET0序列和分解得到的IMF进行训练,得到ET0序列的预测模型,并对ET0进行预测,最后将预测值及单纯的BP神经网络预测值分别与真实值进行对比分析。结果表明:EMD-BP模型预测值的平均绝对百分误差(MAPE)、均方根误差(RMSE)、平均绝对差(MAD)及判定系数(R2)分别为1.32%,0.0327,0.0278,0.9967;而BP模型相应的指标值分别为8.50%,0.2583,0.1839,0.8967。显然,EMD-BP模型的MAPE、RMSE、MAD值较小且R2值较大。因此,其预测精度及稳定性均优于单纯的BP模型,可作为ET0预测的一种参考。 相似文献
4.
《江苏农业科学》2017,(1)
为探索提高BP神经网络在建设用地规模预测中的精度,提出主成分分析(PCA)和BP神经网络相结合的建设用地规模预测模型,并利用PCA-BP模型对山西省晋城市建设用地规模进行预测。首先,利用Pearson相关系数法分析筛选出影响建设用地规模的主要驱动因子;其次,利用主成分分析法(PCA)消除其相关性,并达到降维的目的;最后,以PCA结果作为输入层建立建设用地规模的BP神经网络模型,并利用BP模型进行训练预测,得到最终预测值。预测结果表明,PCA-BP模型的平均绝对误差MAE、平均相对误差MRE、均方误差MSE比传统BP神经网络模型小,平均预测精度R更高,具有较高的拟合度及可行性,在预测效率和预测精度方面都有进一步的改善。该方法的提出能为今后科学合理预测建设用地规模提供一种新思路,同时为土地利用总体规划修编提供重要决策基础。 相似文献
5.
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
6.
多元线性回归与神经网络模型在森林地上生物量遥感估测中的应用 总被引：3，自引：0，他引：3
利用遥感影像构建森林生物量估测模型,能够快速、实时估算区域森林生物量。采用吉水县TM影像以及森林资源调查固定样地数据,构建估算森林地上生物量的多元线性回归模型及BP神经网络模型,并对两种模型进行了比较。结果表明:两种模型对样地生物量的预测值大部分比实测值小,多元线性回归模型预测值与实测值的偏差幅度比BP神经网络模型更大,偏差幅度分别为-110.24~38.09 t·hm-2、-35.12~26.17 t·hm-2;多元线性回归模型与BP神经网络模型的决定系数(R2)分别为0.470和0.869,均方根误差(RMSE)分别为30.52和12.69 t·hm-2,预测精度分别为50.07%和71.65%。因此,运用BP神经网络模型估测森林地上生物量优于多元线性回归模型。 相似文献
7.
《南京农业大学学报》2014,(5)
针对作物蒸腾速率与温室环境参数间非线性耦合时延性关系,以温室环境参数:空气温度、空气湿度、太阳辐射度、土壤温度、叶面温度、土壤含水量的时间序列为输入量,温室黄瓜蒸腾速率时间序列为输出量,采用小波分解重构方法,分别建立低频时间序列和高频时间序列的非线性自回归动态神经网络(NARX)子网络预测模型,以子网络的预测叠加值为蒸腾速率预测值。结果表明:1层小波分解重构的低频时间序列A1和高频时间序列D1的子网络预测值与蒸腾速率分解重构目标值间相关性决定系数R2分别为0.949和0.853,平均绝对误差(MAE)分别为5.36和2.00 g·h-1。2层小波分解重构的低频时间序列A2和高频时间序列D2的子网络预测值与蒸腾速率分解重构目标值间相关性决定系数R2分别为0.983和0.849,MAE分别为2.88和2.56 g·h-1。1层小波分解重构的时间序列的NARX子网络预测值合成值(A1+D1),2层小波分解重构的时间序列的NARX子网络预测值合成值(A2+D2+D1)和未小波分解重构的原时间序列的NARX预测值与蒸腾速率测量值间相关性决定系数R2分别为0.945、0.974和0.857,MAE分别为5.76、4.42和10.09 g·h-1。小波分解重构的高频和低频时间序列预测合成,能够提高时间序列的预测准确性。同时采用相同网络结构的BP神经网络和NAR动态神经网络预测蒸腾速率时间序列,其预测值与测量值间决定系数R2分别为0.596和0.839,MAE分别为19.55和9.45 g·h-1。NARX预测性能优于NAR和BP神经网络的预测性能,能够应用该方法预测温室黄瓜的蒸腾速率。该方法可推广至多变量非线性强耦合时延性系统中的变量预测。 相似文献
8.
基于ARIMA和GA-Elman神经网络的新疆年降水耦合预测研究 总被引：1，自引：0，他引：1
[目的]提高降水预报的预测精度,准确预测一个地区未来的降水量,可以提高该地区防灾减灾的能力,更好地为工农业生产生活提供决策参考.[方法]以年降水时间序列为研究对象,利用差分自回归移动平均(ARIMA)和GA-Elman神经网络技术建立一种耦合预测模型.该模型首先根据年降水时间序列建立ARIMA模型,拟合它的线性结构部分,基于原始降水序列和ARIMA模型的预测值、残差序列,利用GA-Elman神经网络技术进行耦合建模.将该模型应用于新疆年降水量的预测预报,并与单一的ARIMA模型、GA-Elman神经网络模型进行比较.[结果]耦合模型的归一化均方误差、平均绝对误差、后验差比值及小误差概率分别为0.287,9.581,0.241和1,均优于ARIMA模型、GA-Elman神经网络模型,预测精度得到了明显的提高,预测精度等级为好.[结论]基于ARIMA和GA-Elman神经网络的耦合预测模型具有更高的预测精度,可用于新疆的年降水量预报. 相似文献
9.
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
10.
《沈阳农业大学学报》2014,(2)
为了提高降水量预测的精度,采用BP神经网络与灰色模型相结合干旱预测的理论方法,研究数据的灰色建模与预测,再对模拟值与真值残差进行BP网络建模,利用残差模拟值修正总体降水量预测值,并对朝阳地区降水量进行预测。研究结果表明:BP神经网络与灰色模型预测相结合降水量平均预测误差为0.0799,比单纯用灰色模型预测误差降低0.1311,说明BP神经网络与灰色模型相结合的预测方法适合朝阳地区降水量的预测。 相似文献
11.
为精准把控并及时调节葡萄大棚棚内小气候,利用清徐县葡萄大棚农田小气候站观测数据及气象站、辐射站、土壤水分站资料,建立以棚外气温、相对湿度、风速、总辐射、土壤湿度为输入变量,棚内气温、相对湿度、土壤温度为输出变量的基于BP神经网络葡萄大棚小气候预测模型。为了对比分析BP神经网络的精确度和稳定性,同时建立多元线性回归模型。结果表明,基于BP神经网络建立的预测模型,其训练值和实测值之间的绝对误差分别为1.55 ℃、4.46%、0.77 ℃,标准误差分别为2.18 ℃、5.94%、1.00 ℃;预测值和实测值之间的绝对误差分别为1.37 ℃、2.84%、0.42 ℃,标准误差分别为1.96 ℃、4.60%、0.53 ℃。预测效果明显优于多元线性回归模型,预测精度满足棚内小气候要素预报要求。 相似文献
12.
《沈阳农业大学学报》2019,(6)
纹枯病是水稻生产中三大病害之一,其早期检测对病害的及时防控、保证粮食安全具有重要意义。高光谱技术为水稻病虫害高通量、实时监测提供了有效的技术手段。基于高光谱病害检测中高光谱的降维,或检测特征的提取至关重要,利用2017和2018两年水稻盆栽纹枯病接种试验与大田纹枯病调查试验样本高光谱数据,探讨了分窗Gram-Schmidt变换的高光谱数据降维与特征波段提取,构建纹枯病检测模型,对比分析了本研究方法与主成分分析、连续投影法高光谱降维效果与病害检测精度。结果表明:基于分窗GramSchmidt变换可有效实现高光谱数据的降维,盆栽样本高光谱降到4维,纹枯病检测模型决定系数R2为0.8373,均方误差MSE为0.0406;大田样本高光谱降到4维,纹枯病检测模型决定系数R2为0.9701,均方误差MSE为0.0065。主成分分析法降维,盆栽样本高光谱降到6维,纹枯病检测模型决定系数R2为0.7931,均方误差MSE为0.049,大田样本高光谱降到6维,纹枯病检测模型决定系数R2为0.9658,均方误差MSE为0.0078;连续投影法降维,盆栽样本高光谱降到8维,纹枯病检测模型决定系数R2为0.8132,均方误差MSE为0.0466,大田样本高光谱降到4维,纹枯病检测模型决定系数R2为0.9685,均方误差MSE为0.0072。对比主成分分析法和连续投影法,基于分窗Gram-Schmidt变换的高光谱降维效果与纹枯病检测精度均效果较好,可为高光谱降维与水稻纹枯病防治提供一定的理论基础和技术支撑。 相似文献
13.
14.
蛋鸡产蛋率受生物、化学、物理以及人为等多方面因素影响,准确地预测蛋鸡产蛋率的变化趋势,建立蛋鸡的产蛋率预测模型对蛋鸡养殖具有重要的意义。将蛋鸡采食量、蛋鸡鸡龄、体质量、温度、光照时间以及是否服用营养素等6类影响因子进行处理,作为支持向量机(SVM)的输入数据,对蛋鸡的产蛋率进行预测,得到了一个稳定性好、适用范围广、预测结果准确的蛋鸡产蛋率模型,且预测结果符合蛋鸡的实际产蛋情况;同时为评估和分析SVM蛋鸡产蛋率预测模型的性能,以同样样本建立BP神经网络的预测模型,并用网络训练、测试用时、均方误差MSE以及相关系数r作为预测模型性能的评价指标。结果表明,基于支持向量机的蛋鸡产蛋率预测模型精度和耗时均优于神经网络预测模型。 相似文献
15.
基于高光谱成像技术的冷鲜羊肉嫩度检测方法研究 总被引：1，自引：0，他引：1
传统羊肉品质检测方法效率低、破坏样品,为实现冷鲜羊肉嫩度快速无损检测,以内蒙古锡林郭勒羊肉为研究对象,采用多元散射校正法对光谱进行校正,利用主成分分析法获得620.23、761.48、819.48 nm波长下的特征图像,并提取其纹理特征和颜色特征,分别建立羊肉嫩度的BP神经网络和支持向量机预测模型。结果显示,BP神经网络模型预测效果优于支持向量机模型预测效果,BP神经网络模型对预测集的决定系数（R2）和预测均方根误差（RMSEP）分别为0.85和1.86;支持向量机模型分别为0.77和2.37。研究表明,利用高光谱和图像信息特征层融合方法对冷鲜羊肉嫩度进行预测具有可行性。 相似文献
16.
基于对神经元模型、网络拓扑结构和学习算法3要素的描述,系统地剖析了一个BP3-2 -1结构的模型模拟非线性函数的一般过程.基于杉木人工林密度实验数据,以初始密度、立地指数和林龄为输入,林分平均胸径为输出,利用MATLAB (R2010b)神经网络工具箱创建、训练BP模型,模型的均方误差Emin=0.01,实测值和预测值之间的相关系数R=0.977. 相似文献
17.
《沈阳农业大学学报》2015,(2)
为提高组合模型的预测精度,使其更好的应用于旱灾预测,采用差分自回归移动平均模型(ARIMA)模型和蒙特卡洛(Monte Carlo)方法分别对降水序列的线性、周期和非线性、随机部分进行预测,并通过博弈论组合赋权,建立基于博弈赋权的ARIMA和蒙特卡洛组合模型。以吉林省松原地区为例,利用1953~2012年逐月降水资料建模并预测,并与最小二乘法赋权法进行对比。结果表明:在对松原地区2012年月降水量的预测中,ARIMA模型预测值的决定系数为0.908,蒙特卡洛方法预测值的决定系数为0.941;应用博弈理论拟合蒙特卡洛方法和ARIMA模型的预测值,其结果的决定系数为0.945,高于最小二乘法拟合结果。蒙特卡洛方法的预测精度高于ARIMA模型,更适合降水量数据。同时将博弈理论应用于拟合两种方法的预测结果,使预测数据的线性和非线性特征有机结合起来,提高了预测精度,是切实可行的。 相似文献
18.
借助电子鼻检测存储60、120、180、240、300、360 d的黄山毛峰茶香气信息,根据电子鼻各传感器响应曲线变化特点,选取出1组能够表征不同香气信息的基本特征变量,分别采用主成分回归(PCR)、偏最小二乘回归(PLS)和BP神经网络(BPNN)方法,建立茶叶存储时间的预测模型。测试样本集对3种预测模型的检验结果表明:PCR、PLS、BPNN模型的预测标准误差分别为10.05、6.04、3.21d;最大预测相对误差分别为11.03%、7.02%、5.89%;平均预测相对误差分别为6.73%、4.74%、3.62%;预测值与实际值之间的决定系数R2分别为0.862、0.896、0.987。3种模型都能较好地对茶叶存储时间进行预测,相比较而言,BPNN模型性能最优,PLS模型性能优于PCR模型。 相似文献
19.
为了提高害虫发生量预测的精度,提出一种基于混沌理论的害虫发生量非线性预测模型(PSR–LSSVM)。通过相空间重构对害虫发生量时间序列进行重构,将重构后的害虫发生量序列输入到最小二乘支持向量机进行学习,建立害虫发生量预测模型,采用云南省普洱市思茅区和浙江省仙居县的松毛虫发生面积数据对模型性能进行检验。结果表明,松毛虫发生面积预测值与实际发生值十分接近,2个地区松毛虫发生面积预测结果的平均绝对百分误差分别为0.90%和2.44%,预测结果要优于BP神经网络、线性预测模型。 相似文献
20.
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