基于双向多层门控循环神经网络的奶牛乳脂率预测模型研究

通过对奶牛乳脂率进行数据预测以及结合随机森林算法对环境数据进行精准特征选择,确定了对乳脂率影响较大的环境因素。在此基础上,提出了将随机森林算法与双向多层门控循环神经网络相结合的乳脂率预测模型(RF-BiGRU)并进行了相关实验。结果表明,该模型能够提高预测的准确性及效率。

基于WOA-BP神经网络下马铃薯产量预测分析模型

马铃薯是我国重要的粮食作物之一,营养丰富,用途广泛,是一种谷物、蔬菜和水果功能兼具的食物,其蛋白质含量远高于其他块茎类食物,且富含优质的氨基酸。马铃薯生育期短,在湖北平原、丘陵地区冬种春收适宜发展早熟品种,对于填补全国南北方鲜薯市场供应空档期具有重要意义。因此,马铃薯产量的高效预测对于制定生长期间的种植管理措施及相关决策具有重要意义。为此,针对传统BP神经网络在产量预测中存在精度低、鲁棒性差等问题,利用鲸鱼算法(Whale optimization algorithm,WOA)对BP神经网络模型进行优化。同时,基于湖北地区2009-2021年间田间物联网获取的气象因子(大气湿度、大气温度、降雨量)、田间水热因子及马铃薯产量,采用BP神经网络模型、GA-BP神经网络模型(遗传算法优化)及WOA-BP神经网络模型对所选地区马铃薯产量进行预测。研究结果表明:WOA-BP神经网络模型精度明显高于GA-BP神经网络模型及BP神经网络模型,R2达到0.9764,预测值与试验值之间拟合程度较高,表明基于WOA-BP神经网络模型可以更加科学、合理、准确地进行马铃薯产量预测。

基于PCA-BP神经网络的巷道通风摩擦阻力系数预测模型

根据实测巷道通风摩擦阻力系数数据的特点,建立了主成分分析PCA-BP神经网络预测模型。采用PCA法对影响巷道通风摩擦阻力系数的支护类型、断面形状、巷道宽、巷道高、支护部分周边长、巷道断面积和巷道长度7个因素进行降维。将降维后因素的贡献率进行排序筛选,得到3个主成分指标(F_(1)、F_(2)和F_(3)),作为BP神经网络输入层的神经元。利用实测数据对PCA-BP神经网络模型进行训练和测试,并将测试结果与支持向量机回归(SVM)模型和BP神经网络模型的测试结果进行对比,结果显示:全因素的BP神经网络预测模型和SVM预测模型的平均精度分别为92.9420%、93.0235%,而PCA-BP预测模型的平均精度达到了96.4325%。PCA-BP神经网络模型不但简化了网络结构,更提高了网络的泛化能力,使预测误差更小、精度更高,为更准确地获得巷道通风摩擦阻力系数提供了一种有效的方法。

基于BP神经网络的低渗透底水油藏油井见水模式预测模型

注水开发使得低渗透底水油藏油井见水模式更加复杂,需要进一步明确及预测油井见水模式来针对性地指导水淹治理措施。神经网络模型具备处理多元回归问题和计算速度快等优势,可被用于分析地质工程多因素参数与油井见水模式的内在关系,构建见水模式预测模型。在油井见水模式划分的基础上,通过灰色关联理论和神经网络算法对BCL低渗透底水油藏油井见水模式的主控因素和预测模型进行了研究。发现水层厚度、隔夹层数、隔夹层长度和避水高度是该类油藏注水开发下影响油井见水模式的主控因素。基于主控因素结合神经网络算法建立了油井见水模式预测模型。通过对18组测试数据进行验证,平均预测误差1.4%,获得了较好的预测精度。通过易于获取的主控因素快速预测注水开发低渗透底水油藏油井的见水模式,为该类油藏的高含水针对性治理提供基础依据。

基于BP神经网络的陕西春季浅层地温预测模型

利用2016—2021年春季(3—5月)陕西98个国家级地面气象观测站逐日观测资料,运用BP神经网络构建了陕西春季不同区域(陕北、关中、陕南)不同月份(3、4、5月)不同土壤深度(5、10、15、20 cm)地温预测模型,并利用2022年数据进行模型预测检验。研究结果表明:模型预测的各深度日平均地温在陕北、关中、陕南地区预测准确率>95%,且整体表现出土壤深度越深预测准确率越高的趋势,10 cm日平均地温预测准确率>98%,15、20 cm日平均地温预测准确率>99%;各深度日平均地温在陕北、关中、陕南地区预测值与实测值的均方根误差≤1.0℃、平均绝对误差≤0.8℃,均方根误差和平均绝对误差整体表现出土壤深度越深误差值越小的趋势;模型预测精度比较理想,可用于陕西春季浅层地温预报业务,为春播及果树花期预报提供技术支持。

基于Gash修正模型与神经网络优化模型的刺槐冠层截留模拟

[目的]对比分析Gash修正模型和神经网络模型在模拟和预测人工林冠层截留的适用性,揭示干旱区刺槐冠层截留及其响应过程,为深入了解森林生态水文过程及其调控机制提供科学依据。[方法]于2019年5—10月,以宁夏河东地区刺槐(Robinia pseudoacacia)人工林为研究对象,定位观测了树干茎流和穿透雨并计算得到冠层截留,采用修正后的Gash模型与神经网络模型对刺槐林林冠截留量进行了模拟。[结果](1)研究区刺槐人工林的穿透雨量、树干茎流量、林冠截留量分别为154.19,5.61,16.5 mm,产生穿透雨和树干茎流的阈值分别为1.37,2.17 mm。(2)Gash修正模型和优化后的神经网络模型均能较好地模拟刺槐冠层截留量,Gash修正模型的绝对误差、均方误差、均方根误差、平均绝对百分比误差分别为0.20%,0.06%,0.24%,52.43%,模拟结果拟合精度达到83%;与Gash修正模型相比,采用麻雀搜索算法优化后的BP神经网络算法模型(SSA-BP),均方误差降低了61.48%,平均绝对误差降低了40.39%,均方根误差降低了37.93%,平均绝对百分比误差降低了50.52%,决定系数提高了1.2%。[结论]在林木冠层截留模拟研究方面,加入麻雀搜索算法后的BP神经网络模型具有较好的可靠性,可以有效降低模拟误差,提高模型的预测精度。

日光温室环境因子预测模型及应用——基于BP神经网络

为探讨北方日光温室内空气温湿度的变化规律,预测其变化趋势,进而确定合理的调控措施,采用L-M算法建立BP神经网络预测模型;选择S型函数作为网络激活函数,建立一种适用于北方日光温室空气温湿度环境因子的模拟预测模型。选取正常生产的日光温室为试验基地进行数据采集,采用皮尔逊相关系数确定模拟预测模型的输入因子,从1个月1440组实测数据中选取前29天的数据进行训练,对最后一天预测出的数据进行验证。研究结果表明:分段预测的预测值与实测值的符合度值大于全天预测,且分段预测的符合度大于0.99,均方根误差小于0.4,模型可用于模拟和预测北方日光温室大棚内空气温度与湿度的变化趋势,具有良好效果。

基于人工神经网络模型的碳排放预测研究进展

碳排放是一个受多因素交互作用的动态过程,准确预测碳排放量有利于碳减排措施的制定。由于碳排放本身模型具有动态变化性、非线性、社会性等特点,传统预测方法不能满足实际情况的需要。人工神经网络模型能够较好地描述碳排放时间系列数据的非线性特性,被广泛应用于预测国家、区域、行业等层面的碳排放量变化。其中,误差反向传播(Back Propagation,BP)神经网络模型和长短期记忆(Long Short-Term Memory,LSTM)神经网络模型备受关注。在模型预测过程中,通过识别目标模型的碳排放影响因素类型、提高输入层数据的准确性、构建适宜的线性—非线性耦合的组合模型等途径,进一步提高模型预测的准确性。研究结果对人工神经网络模型在碳排放预测中的应用情况进行梳理,为碳排放预测技术的进一步发展提供参考。

利用长短期记忆神经网络的改进POD-Galerkin降阶模型及其在流场预测中的应用

针对标准POD-Galerkin降阶模型在流场快速预测中存在误差而导致精度不高的问题,提出了一种利用长短期记忆神经网络的改进POD-Galerkin降阶模型。使用本征正交分解对流场进行降维,投影得到低维降阶模型,引入两个长短期记忆神经网络,建立从POD-Galerkin降阶模型到实际POD模态时间系数之间的修正映射、低阶模态时间系数与高阶模态时间系数之间的扩展映射,分别用于消除标准POD-Galerkin降阶模型的误差累积和扩展降阶模型的阶数,从而实现物理驱动与数据驱动混合的流动降阶模型的构建。将改进POD-Galerkin降阶模型应用于二维圆柱绕流的流场预测,通过与原始标准POD-Galerkin降阶模型的对比,分析了所提模型的精度和计算速度。结果表明:添加神经网络修正项后的降阶模型相较于标准POD-Galerkin降阶模型,有效提升了降阶模型的精度,预测各阶模态时间系数的均方根误差能够减小1~2个数量级,预测的流场更接近原始流场;在预测相同阶数的情况下,计算时间显著减小,基于4阶和6阶扩展的8阶改进降阶模型相较于原始8阶POD-Galerkin降阶模型预测速度分别提高了约56%和25%。

基于改进PCA-BP神经网络模型的海宁市需水预测

需水预测是地区水资源规划中的重要部分,对于实现水资源合理有序开发,保障社会经济的可持续发展有重要的指导意义。采用改进PCA-BP神经网络模型对影响需水量的9个影响因子进行降维处理,并分别以海宁市2001~2014、2015~2020年数据作为训练样本和检验样本完成模型训练,其中,综合灰色预测模型GM(1,1)对降维后的影响因子独立预测,从而预测海宁市规划年需水量,并与传统定额法的需水预测结果进行对比分析。结果表明,人口、GDP、居民生活用水量、城镇公共用水量为影响海宁市需水量的主要因子;通过构建改进PCA-BP神经网络模型得到的2025、2030、2035年需水结果,比传统定额法更为真实、合理,进一步证实了预测模型的合理性,可为海宁市未来水资源规划提供指导。

基于人工神经网络的复合材料层合板隔声性能预测

面向纤维增强复合材料层合板隔声设计需求,应用正交试验方法设计18组对称铺设复合材料层合板结构,并以基于切比雪夫多项式展开的半解析法对复合材料层合板结构在10~1500 Hz频率范围内的传声损失进行预测。以单层厚度、纤维铺设角度作为人工神经网络的输入,复合材料层合板结构1/3倍频程传声损失作为输出,分别建立前馈(Back Propagation,BP)神经网络、径向基函数(Radial Basis Function,RBF)神经网络和广义回归(General Regression,GR)神经网络预测模型。结果表明,RBF神经网络的预测效果最好,均方根误差仅为1.0937,GR神经网络和BP神经网络的预测效果逊于RBF神经网络,均方根误差分别为2.6499和2.9697。最后,基于分析结果构建具有良好局部预测性能的神经网络模型以用于复合材料层合板结构的隔声性能预测。

基于BP神经网络和二次指数平滑法组合预测模型的安徽省物流需求预测

为准确预测安徽省的物流需求,从经济发展、产量结构、地区贸易和消费水平4方面选取安徽省的地区生产总值,第一、二、三产业产值,社会消费品零售总额,固定资产投资,人均消费性支出7个影响因素作为安徽省物流需求评价指标,以安徽省货运量作为物流需求规模输出指标,采用灰色关联分析计算安徽省物流需求评价指标与物流需求规模间的关联度,判断评价指标的合理性。通过夏普利值法将BP神经网络预测模型和二次指数平滑法预测模型组合,预测2017—2021年安徽省物流需求。结果表明:BP神经网络预测模型、二次指数平滑法预测模型及二者的组合预测模型预测结果的平均相对误差分别为4.58%、6.70%、3.99%,组合预测模型的平均相对误差最小。通过组合预测模型预测2022—2024年安徽省物流需求分别为405 004.96万t、407 142.09万t、409 108.95万t,安徽省货运量呈持续增长趋势,但增幅降低。安徽省应加快传统物流向智慧物流的转移速度,扩大内需,加强物流枢纽城市间的联系,加速区域一体化发展步伐,确保物流高质量发展。

神经网络模型在大学生在线学习预测中的应用研究

为了较为准确地预测大学生在线学习效果,提出一套基于神经网络的学生在线学习行为分析模型。首先介绍该模型的输入项、输出项、数据处理方法以及整体拓扑结构。利用学生日常学习行为数据对神经网络模型进行训练,并通过该模型对学生的期末考试成绩进行预测。实验研究发现,所提出的神经网络模型在学生学习效果预测方面体现出了较为理想的准确度水平,具有一定的应用价值。

基于双深度输入凸神经网络多模型的中间点过热度预测控制

新能源大量并网,超临界火电机组参与调峰容易造成中间点过热度较大波动,从而导致过热蒸汽超温等问题。为较好控制中间点过热度达到稳定,提出了一种基于双深度输入凸神经网络多模型(muti-DDICNN model)的中间点过热度预测方法,分别训练了不同预测步长下子模型,构建了中间点过热度状态预测网络(SPNN)和误差预测网络(EPNN)。利用此预测网络凸性质,设计了一种基于双深度输入凸神经网络多模型预测控制器(DDICNN-MPC),将控制问题转化为凸优化问题,求取控制矩阵对目标函数的雅可比矩阵,采用梯度下降法计算控制矩阵最优解。仿真结果表明,DDICNN-MPC能快速平稳地跟踪中间点过热度设定值,且稳态误差较小,具有较好的调节能力。

基于灰色GM-BP神经网络组合模型的中国镍原矿多情景需求预测

2016年我国颁布《全国矿产资源规划(2016—2020年)》,首次将镍列为战略性矿产资源。我国是全球最大的镍消费国,但镍资源储量少,对外依存度高,科学预测镍原矿需求量对保障镍矿产业链与供应链安全具有重要的现实意义。从需求侧出发,利用灰色关联度法选取中国不锈钢产量、人均GDP、电镀行业市场规模、城镇化率、产业结构、新能源汽车产量作为镍原矿需求情景预测的驱动变量,再在灰色GM(1,1)模型预测基础上,与BP神经网络算法相结合,构建基于残差优化的GM-BP组合模型,对2025—2035年中国镍原矿需求展开多情景预测。研究结果表明:组合模型实现了对小样本非线性时间序列数据的有效预测,且比GM(1,1)模型拟合误差更小,预测精度更高;根据组合模型,2025年、2030年、2035年我国镍原矿多情景需求均值分别为182.22万t、272.08万t、395.17万t,“十四五”“十五五”“十六五”期间需求年均增长4.26%、10.54%、9.78%。镍原矿需求呈稳定上升态势,镍矿供需矛盾将进一步加剧,我国必须提高镍供应能力,降低对进口镍的依赖程度。对此,提出如下政策建议:1)推进国内不锈钢产业的转型升级,优化生产工艺和产品结构,推广新型合金材料的应用;2)加大对镍矿勘探和开发的支持力度,如鼓励矿业企业技术创新,提高勘探效率和精度,同时积极推动国际合作,吸引国外先进技术、设备进入国内市场;3)促进进口多元化,与多个供应国建立合作关系,鼓励国内企业参与海外镍矿项目。

基于AGA-RBF神经网络模型的叶绿素a质量浓度预测研究

叶绿素a质量浓度是预测湖泊水华形成的重要影响因子,但常用的径向基(radial basis function,RBF)神经网络存在容易陷入局部极值,导致预测精度欠佳.针对这一问题,采用自适应遗传算法(adaptive genetic algorithm,AGA)对RBF神经网络进行优化,构建基于AGA-RBF神经网络预测模型,以莆田东圳水库为应用案例,对叶绿素a质量浓度进行预测,通过采集到的数据对预测模型进行仿真,对比均方根误差(RMSE)、相对误差(RE)以及平均相对误差(MRE),验证改进后的AGA-RBF模型具有更好的预测精度,以期对叶绿素a质量浓度进行长期预测.

基于神经网络模型的朝阳市生猪价格预测

选取2020年1月至2023年6月朝阳市生猪日价格和猪饲料中豆粕的日价格作为研究数据,分别建立BP神经网络模型和小波神经网络模型对朝阳市生猪价格进行预测.将前160周的价格数据作为BP神经网络模型和小波神经网络模型训练集数据,161~180周的价格数据作为预测数据,通过图形显示预测值和实际值变化,计算2种神经网格模型的平均绝对误差和均方根误差.通过误差比较分析得出,在朝阳市生猪价格波动领域,小波神经网络模型优于BP神经网络模型,建议推广应用.

基于BP神经网络的乒乓球优秀女子单打比赛结果预测模型构建及仿真应用

为构建优秀女子运动员技战术表现与比赛获胜的理论模型,合理安排技战术训练及比赛策略提供参考借鉴。运用录像观察法、数理统计法及BP神经网络构建乒乓球优秀女子单打比赛结果预测模型。在此基础上,利用预测模型仿真分析新型塑料球时代优秀女子乒乓球运动员在不同水平技战术组合下的比赛获胜模式。本文构建的预测模型R为0.978,R~2为0.956,平均绝对误差为0.0085,模型精度达到98.4%;仿真分析1 024种技战术段组合结果可知,568种组合的预测结果为获胜,456种组合的预测结果为失败。结论:基于BP神经网络构建的乒乓球优秀女子单打比赛结果预测模型拟合效果佳,个案实证预测效果较好,具有较高的预测性能;新型塑料球时代优秀女子运动员在单打比赛中,各技战术段之间的补偿效应因技战术段和等级而有所不同,评估总分17分为女子单打比赛胜负的分界点,不同水平技战术段组合的比赛评估总分大于17分即可取得比赛胜利,低于17分则会落败。

基于正交试验与神经网络模型的双薄壁高墩抗震性能分析与预测

为对双薄壁高墩的抗震性能进行分析和预测,采用正交试验设计和神经网络模型方法开展研究。研究结果表明,试验墩具有较强的耗能能力;在以承载力和延性系数为指标时,壁厚对承载力的影响最为显著;以等效黏滞阻尼系数比为指标时,轴压比对等效黏滞系数比的影响最为显著。经训练后的BP神经网络模型能较好地反映结构设计参数与抗震性能间的非线性关系,并且预测结果与试验模拟结果的误差在10%以内,表明该模型可用于双薄壁高墩抗震性能预测。

基于Probit回归模型和BP神经网络模型的宁夏盐池滩羊产量影响因素及预测研究

通过对滩羊养殖户户主和家庭基本特征、养殖场生产经营特征、优质化生产认知情况以及疫病防治情况进行调查,采用Probit回归模型和BP神经网络模型分析了宁夏盐池县12个滩羊养殖村滩羊肉产量的影响因素,并预测了未来5年的滩羊肉产量情况,预测结果表明到2025年,宁夏滩羊产量将达12.5万t,宁夏滩羊产业总体呈现良好的发展势头。