烟台果园土壤温度影响因素及其预测模型研究

利用AXWG03自动气象站于2007年3～6月对烟台市-果园内表层土壤温度及其环境气象因子进行了观测,分析了土壤温度与气象因子之间的相关性,并建立了基于气象因子的土壤温度预测模型.结果表明在相对湿度、大气温度、风速、太阳总辐射和大气压5个常规气象因子中,相对湿度、大气温度、风速、太阳总辐射与土壤温度存在极显著相关关系,大气压与土壤温度相关关系不显著;故以相对湿度、大气温度、风速、太阳总辐射等4个气象因子为输入变量,分别利用多元线性回归和BP人工神经网络方法建立土壤温度预测模型,其中BP人工神经网络模型预测值最大相对误差不足1.24%,多元线性回归模型预测值相对误差在1.93%以上.因此建立的神经网络模型具有很高的精度,能很好地满足土壤温度的预测要求.表4,参13.     

基于递归神经网络的焦化废水水质预报

采用铁碳电池预处理、厌氧－好氧－好氧－缺氧多级SBR工艺处理焦化废水实现了稳定的亚硝化反硝化生物脱氮。好氧，缺氧反应器的水质波动大，若能对其水质进行准确预报，对于指导生产操作及工艺流程实现计算控制具有重要意义。本文建立了一个三层递归神经网络模型，对一级好氧、二级好氧、缺氧反应器的主要水质指标实现了准确预测，预报平均相对误差分别为2．86％，4．99％，4．2％。     

用神经网络组合预测法估算反舰导弹研制费用

运用BP神经网络组合预测法对反舰导弹研制费用进行估算。首先利用回归分析法建立三元线性回归模型对导弹研制费用进行估算,然后利用3层前馈型BP神经网络对导弹研制费用进行估算,最后利用人工神经网络中的BP网络对所得结果进行组合预测。计算实例表明,使用该组合预测方法所得的预测结果比单使用神经网络或回归分析方法所得结果的总体误差要小,因而该方法是可行而有效的。     

三江平原典型草甸小叶章湿地土壤的反硝化作用

选择三江平原典型草甸小叶章湿地土壤（草甸沼泽土）为研究对象,采用厌氧淹水培养法,研究了不同土层的反硝化率、反硝化能力及反硝化速率。结果表明,不同土层的反硝化率均随培养时间延长而增加,0～30cm土层的反硝化率较高,30cm以下土层较低且相近;不同土层的氖损失贡献率在不同阶段具有明显的时空分异特征,0～30cm土层的氮损失贡献率较高,介于52．39％和57．91％之间;不同土层的反硝化速率与培养时间均符合一阶指数衰减模型（R2≥0．97）,上层土壤的反硝化速率明显高于下层土壤。不同土层的反硝化率和反硝化速率与土壤理化性质密切相关,反硝化细菌的剖面分布可能对其具有重要影响。图3,表4,参24。     

多元散射校正和逐步回归法建立黑土有机碳近红外光谱定量模型

采用全谱建立近红外校正模型，计算工作量大且冗余信息多。通过特定方法筛选特征波长有可能得到更好的定量校正模型。逐步回归法在波长选取方面起到了重要的作用。多元散射校正技术（Multiple scatter correction，MSC）可以有效剔除由样品颗粒大小、装填密度、湿度等不同引起的散射影响，有效提高光谱的信噪比。以我国东北黑土为研究对象，采集了136个土壤样品3699cm^-1-12000cm^-1范围的近红外光谱，利用多元散射校正技术对近红外原始光谱数据进行预处理，评价MSC的去噪效果，并利用多元线性回归法建立了土壤有机碳含量与校正光谱优选波长点处吸光度之间的关系模型，评价多元逐步回归法优选波长的有效性。结果表明，多元散射校正技术有效降低了散射的影响，提高了相关光谱的信噪比，模型决定系数从0．598提高至0．681。基于手动挑选波长建立的模型决定系数高达0．956，预测样品集模型预测值与实测值之间的相关系数为0．823。手动挑选波长建立的SOC模型预测能力优于基于逐步回归方法建立的定量模型，利用逐步回归分析法优选波长还需要进一步研究。图7,参26。     

面向Hughes效应改善的EM-BP模型——以运载火箭研制经费估算为例

小样本、特征维度高,特征数多于样本数会导致大部分模型分析结果误差较大,这种现象称为Hughes效应。其中运载火箭经费估算就是典型案例.而通过EM算法改进BP神经网络得到EM-BP模型,可有效改善Hughes效应。该模型首先将高维样本输入至输入层,其后EM算法基于输入神经元提取出低维神经元,并激活传送至隐藏层后,再判断是否需继续使用EM算法,直至最终多次迭代至输出层得出分析结果。该模型使用TcnsorFlow实现,并以长征系列运载火箭经费估算为例验证效果。结果表明:EM-BP模型较其他常用模型的预测精度有所提高,预测结果平均相对误差绝对值为3.93%,模型的训练误差波动小更稳定,且只需4000次迭代即收敛,表明该模型不仅有效改善Hughes效应,同时提高模型分析效率。     

海伦地区黑土农田土壤水分动态平衡特征研究

通过对中国科学院海伦农业生态实验站综合观测场的大气降水量、土壤水的蒸散量和1．5m土体含水量连续观测结果，分析了黑土地区降水规律与分布状态、土壤对大气降水的接纳能力、土壤含水量的动态变化和土壤蒸散量，其结果表明：大气降水是黑土区唯一水分来源，统计观测场50年降水量平均为550．7mm；土壤水年平均蒸散量为477．8mm，与蒸散对应年份的平均降水量为491．8mm，97％的降水参加了农田生态系统内水分循环，其循环方式为土壤-作物-大气。1．5m土体内水分变化为4llmm-647mm，土壤含水量处于458mm-505mm时间为90％以上，土壤水通过气象上的旱、涝、常规水分年达到平衡，年内是通过春、夏、秋、冬四季达到土壤水分平衡。图5，表2，参5。     

基于粒子群模糊神经网络的丙烯腈收率软测量建模

对粒子群优化算法与模糊神经网络的结合进行研究，提出粒子群模糊神经网络，并将其应用丙烯腈收丰软测量建模．该方法采用模翱神经网络来杓建丙烯腈收率软测量模型，用粒子群优化算法优化模糊神经网络的参数；并结合实际工艺，对所建软测量模型进行仿真研究。实验结果表明，该模型的性能优于粒子群神经网络模型，能够准确预测丙烯腈收率，具有较高的精度和良好的应用前景。     

基于BP 神经网络的煤与瓦斯突出预测方法的研究

为准确预测矿井煤与瓦斯突出的危险性,针对反向BP神经网络收敛差的缺点,分别采用基于MATLAB神经网络工具箱中的VLBP和LMBP算法的改进BP神经网络模型对煤与瓦斯突出的危险性进行了预测.根据煤与瓦斯突出的特点,选取开采深度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数与地质破坏程度等五个关键影响因素作为煤与瓦斯突出的评判指标,建立了煤与瓦斯突出预测的神经网络模型.实际应用效果表明,采用基于MATLAB神经网络工具箱的BP网络模型,能克服一般BP网络收敛较慢的缺点,能加快收敛速度;运用LMBP算法比VLBP算法快,但需较大计算机内存;与常规预测方法相比较,该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.     

用神经网络组合预测法估算反舰导弹研制费用

运用BP神经网络组合预测法对反舰导弹研制费用进行估算。首先分别利用神经网络和回归分析方法对导弹研制费用进行估算 ,然后利用BP网络对所得结果进行组合预测。计算实例表明 ,使用BP神经网络组合预测方法所得的预测结果比单一使用神经网络或回归分析方法所得结果总体误差要小 ,因而该方法是可行的、有效的。     

基于神经网络方法的大型电网短期负荷预报

电力系统负荷预报研究现状,介绍了神经网络方法应用于电力系统短期负荷预报的可行性及存在的问题。详细讨论了应用BP神经网络、共轭梯度算法改进BP神经网络方法进行电力系统短期负荷预报的算法,及在预报过程中对电网负荷数据进行预处理方法。分别应用二种方法对东北电力系统进行了72小时短期负荷预报仿真。仿真结果表明,BP神经网络训练时间长,预报精度低;而共轭梯度算法改进BP神经网络算法训练步数大大减小,缩短了网络训练时间,而且提高了预报精度。该方法可行,可用于电力系统短期负荷在线预报。     

最小二乘支持向量机应用于西安霸河口水质预测

利用西安霸河10年的水质平均数据作为数据集,建立了基于最小二乘支持向量机的水质预测模型。通过适当的参数选择,其平均相对误差只有4.95%,预测的准确率达到95%。通过实例计算且与误差逆传播(BP)神经网络、RBF神经网络等预测方法进行了对比分析,表明该方法的平均预测精度较传统的神经网络方法提高约4%,且具有收敛速度快、泛化能力强等优点,可有效用于水质预测。     

小波神经网络模型的改进及其应用

将优化函数的连续型蚁群算法与小波神经网络耦合,用蚁群算法优化神经网络的权值和小波参数,找到蚁群算法中信息素更新的最佳衡量标准,且建立了基于蚁群优化的小波神经网络模型,旨在准确预测水稻需水量,为制定合理的灌溉制度、提高水利用率提供科学依据.通过对三江平原富锦市1985至2001年的井灌水稻区全生育期需水量预测检验,确定网络结构为6-12-1,训练最大次数20次时网络收敛,误差精度达到0.0024.研究结果表明,该模型不但计算简便,而且具有较强的逼近能力、较快的收敛速度和较好的预报精度,并且为网络模型的参数优化提供一种新方法,也为预测、预报的研究拓宽新思路.     

基于支持向量机的时间序列预测模型分析与应用

阐述了支持向量机在时间序列预测中应用的理论基础,给出了时间序列预测分析的基本框架。将支持向量机预测模型应用于某型航空发动机的滑油金属含量监测中,并与递归神经网络预测器进行了比较。得出支持向量机由于采用了新型的结构风险最小化准则表现出优秀的推广能力,可预测区间较长且具有较高的准确度,而递归神经网络模型在中、短期预测中与支持向量机相差不大,在较长区间预测中效果较差的结论。     

基于神经网络矫正的非线性短时负荷预测模型

为了解决传统神经网络负荷预测模型中,当预测日天气出现快速变化时预测误差随之增加的问题,提出了一种改进的未来一小时实时负荷预测模型。在该模型中,预测负荷通过对预测日的类似日负荷数据加一个矫正值来获得,矫正值从神经网络产生,网络结构得到简化。由于采用在线实时学习方式,该模型可以学习快速的天气变化和预测误差之间的关系,减小预测误差。仿真结果验证了该模型的有效性。     

粗正交小波网络及其在交通流预测中的应用

基于交通流预测的特点和输入向量的主成分分析方法,把粗集理论与正交小波网络相结合,给出了一种基于粗集的正交小波网络交通预测模型,并成功应用于城市交通流的实时预测.粗正交小波网络具有极强的鲁棒性,可以有效克服季节、天气等随机因素对交通流量预测性能的影响;主成分分析方法解决了正交小波网络多维输入时的维数灾难.实验结果表明,该模型的预测精度和收敛速度明显优于常规BP网络和小波框架神经网络,对交通流量等预测问题具有较高的应用价值.     

基于NCAGA-投影寻踪混合优化城市客运量预测

为了提高参数投影寻踪回归(parameter projection pursuit regression,PPPR)模型对城市客运量的预测精度, 基于cat映射、高斯分布和精英局部搜索对加速遗传算法进行改进. 提出了新的混沌加速遗传算法(new chaosaccelerating genetic algorithm, NCAGA),用于对PPPR模型的最佳投影方向α的优选.建立了在外层优化岭函数个数M的同时,内层利用NCAGA优化最佳投影方向a的NCAGA-PPPR混合优化城市客运量预测模型,结合某市统 计资料进行了仿真预测.结果表明该方法的预测精度优于BP神经网络模型、传统PPR模型和基于加速遗传优选的PPPR模型, 平均绝对相对误差小于3.1%,提高了城市客运量的预测精度,可有效应用于城市客运量的预测.     

人工神经网络模型在种植业劳均耕地面积预测中的应用

利用人工神经网络建立了具有时间序列的对象的预测模型 ,并提出了基于本模型的数据处理方法 ,在此基础上 ,对吉林省榆树县大坡镇西山村的种植业劳均耕地面积作了预测 .证实了本模型的正确性和科学性.     

精英遗传改进的非线性灰色神经网络算子与军费开支多目标组合预测应用

军费开支属于复杂经济系统下具有宏观经济特征的一类非线性时间序列。在多目标组合下的军费开支预测问题研究背景下,提出了一种基于精英遗传算法(elite genetic algorithm,EGA)改进的非线性灰色神经网络计量组合预测模型,给出了总体建模思路与非线性灰色神经网络算子分系统和EGA分系统设计方法,解决了多准则目标优化的NP完全问题,并对模型的预测效果进行比较分析。采集美国27年间(1990-2016年)军费开支时间序列进行实证检验,分析结论认为非线性灰色神经网络算子能够有效提高模型精度,EGA算法在收敛速度与精度上优于标准遗传算法,采用所建立的预测模型进行军费开支预测精度更高,效果更好。