基于遗传算法优化模糊神经网络的温室温度预测模型

在农业生产发展当中,影响温室农作物产量的因素有很多,温度是最重要的环境参数之一,与其他各环境因素具有很高的耦合度,存在非线性问题。针对上述问题本文提出了一种基于遗传算法优化模糊神经网络(GA-FNN)的温室温度预测模型。在温室内选取湿度、CO_(2)、大气压和光照强度数据作为模型输入,温度数据作为模型唯一输出。试验结果表明,获得最佳隐含层节点数为4、隶属度函数参数(C_(ji),b_(i))参数分别为2.9203和2.2588,RMSE,MAE,MAPE分别提升了51.3%、54.2%、17.1%。

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。

基于径向基函数神经网络的温室室内温度预测模型

试验证实径向基函数神经网络(Radial Basias Function Neural Network)在函数逼近能力、训练速度方面都有良好的性能．采用最小正交二乘法为训练算法,基于传统的数学分析,用PRIVA公司温室监控系统采集数据,选用当前时刻室外温度、风速、太阳辐照度、顶窗开度、内帘幕展开度、水温、室内温度、相对湿度,再加上1个时间间隔、2个时间间隔以前的室内温度作为输入向量,获得了满意的温室室内温度一步预测模型(均方差等于0．0073)．该模型为设计温室环境控制器及分析温室性能奠定了良好基础．

基于改进SSA-BP神经网络的钠硫电池拆解刀具温度预测模型研究

钠硫电池中含有大量的高纯度钠,在自动化拆解过程中存在燃烧、爆炸等安全风险。针对钠硫电池在车削拆解时存在的安全性问题,提出一种改进SSA-BP神经网络算法来预测刀具加工的最高温度。利用ABAQUS软件计算出刀具加工的实时温度,通过电池拆解实验验证仿真数据的可靠性;然后以仿真温度数据建立样本,利用Tent混沌映射对SSA-BP神经网络算法进行优化,建立刀具温度仿真预测模型。实验结果表明:该仿真预测模型收敛速度快,鲁棒性强,模型误差小。

基于BP神经网络的集中供热二次网回水温度预测控制研究

针对集中供热系统二次管网存在的水力失调问题,设计了二次网水力平衡调节及回水温度预测模型,并实施智能控制策略,以实现二次网回水温度的精准控制。首先,构建BP神经网络预测模型,将此模型的输出视为二次网回水温度给定值;其次,在整个系统控制中,实施BP神经网络与PID控制器相结合的策略,进行二次网回水温度的控制。以高邑县某小区换热站数据为基础,通过阶跃响应曲线法建立二次网回水温度控制系统的数学模型,并通过BP-PID控制进行仿真实验。实验结果表明,与传统PID控制器相比,BP-PID控制器具有调节时间短、超调量小的优点,能够快速达到平稳状态。

模糊模式识别神经网络预测模型及其应用

提出了模糊模式识别神经网络预测模型，开辟了神经网络拓朴结构建模的新思路。模型的激励函数采用了模糊模式识别模型。最后给出中长期水文预测的应用实例。

二次聚类与神经网络结合的日光温室温度二步预测方法

精确预测日光温室温度是实现对温室精准调控的前提。由于温室是复杂非线性系统,受室内外众多环境因素影响,且部分因素难以准确测量和建模,因此,难以通过机理分析建立室外因素精确影响室内温度的物理模型。而现有时间序列分析、人工神经网络等仅基于数据的方法预测准确度也较低。本文提出连续时间段聚类与BP神经网络相结合的二步日光温室温度预测方法。首先,进行二次聚类,对室外温度情况相似的日进行聚类,并将全年划分为若干个类似时间段,根据连续时间段内相似日的数量进行聚类,将全年内的连续时间段归入若干类别。其次,对不同类别的时间段,分别采用BP神经网络建立室外温度、相对湿度、太阳辐射、风速和温室室内温度间的关联模型,通过数据训练,能够较为准确的根据室外环境数据预测室内温度。通过涿州实验农场2年数据试验验证,通过二次聚类,全年连续时间段可划分为3类,通过分别建立BP神经网络并分别训练,结果表明本方法预测误差仅为6.23%,与现有未分类的BP神经网络预测算法对比,本文方法有效地提高了准确度,平均误差降低5.4个百分点。

基于T-S模型的模糊神经网络城市需水量预测方法研究

针对需水量预测的非线性、随机性和模糊性等特点,引入模糊系统理论,建立了基于T-S模型的模糊神经网络需水量预测模型。该模型将模糊系统良好的模糊知识表达能力与神经网络强大的自学习和自适应能力有机结合,具有逼近最优、收敛速度快、训练时间短等优点。应用该模型预测了天津市2015年的需水量。结果表明,采用基于T-S模型的模糊神经网络方法进行需水量预测的拟合与预测平均相对误差分别为3.39%和2.67%。将该模型与BP神经网络和非线性回归方法的预测结果进行对比分析,该模型的拟合与预测精度最高。

我国农机总动力需求的模糊神经网络预测模型

利用模糊神经网络建立了具有时间序列对象的预测模型，提出了相应的模糊化方法，并对我国农机总动力需求进行了预测。

基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法

现行方法在火电厂锅炉主蒸汽温度控制中应用效果不理想,阶跃响应性能较差,而且超调量较高,因此本文提出基于模糊神经网络的火电厂锅炉主蒸汽温度控制方法。利用线性化分布参数建模方法建立火电厂锅炉主蒸汽温度参数数学模型,利用模糊神经网络进行锅炉主蒸汽温度误差补偿控制,实现基于模糊神经网络的火电厂锅炉主蒸汽温度控制。经试验证明,本文方法阶跃响应时间较短,超调量在1℃以内,在工业控制领域具有良好的应用前景。

神经网络模型在锂离子电池表面温度预测中的应用研究

基于人工神经网络构建了锂离子电池表面温度的预测模型.该模型为3层网络结构,其中输入层中有4个节点,隐含层中有9个神经元,输出层中有1个节点.训练结果表明,模型具有较快的收敛速度和优秀的训练质量,从而保证了预测的精确度.模型的预测值与实验值吻合程度高,说明了模型工作的有效性.模型预测电池在较高环境温度(80℃)下以10C倍率放电结束时的表面温度为86.71℃,仅比环境温度高出6.71℃.该模型有助于电池热管理系统的研究与开发.

基于PSO-RBF神经网络在温室温度预测中的应用

为提高温室温度模型预测的准确率,提出一种基于PSO-RBF神经网络的温室温度预测模型。针对梯度下降法收敛速度慢的问题,利用PSO算法优化RBF神经网络参数;为验证该模型有效性,以农场实测数据建立样本,对温室温度进行预测,验证了其比梯度下降法优化的RBF神经网络模型具有更好的预测效果;为给温室内调控设备的提前控制提供依据,根据1月-5月温度数据,利用时间序列法预测相关温室参数,作为该模型输入,利用其预测6月份温度,预测结果表明该月温度呈上升趋势。

基于T-S模糊神经网络的模型在台风灾情预测中的应用——以海南为例

使用1992-2011年间海南省台风灾害数据,综合T-S模糊神经网络的模糊逻辑和神经网络学习优化的性能,设计了一种灾害损失预测模型并定量地表达了台风灾害损失致灾因子与灾情指标因子之间的规律。调节模型的参数cji、σji和pji(k),控制学习性能指标误差值Ep和总误差E来优化模型的性能。将模型应用于201108号台风"洛坦"灾害损失预测中,实验结果表明该模型具有较好的预测功能。

基于遗传算法优化的煤粉着火温度BP神经网络预测模型

采用遗传算法(GA)对BP神经网络(结构和初始权值、阈值)进行了优化,获得了影响煤粉着火温度预测的主要煤质指标(Mad,Aad,Vad,Oad),建立了优化的煤粉着火温度BP神经网络预测模型.对20个校验样本的预测结果表明:预测值与试验值的平均相对误差为0.29%,均方差为59.29,达到了较高的预测精度.

基于模糊神经网络的池塘溶解氧预测模型

在分析了池塘溶解氧影响因素的基础上,利用模糊神经网络良好的非线性逼近能力建立了池塘溶解氧的模糊神经网络预测模型。神经网络模型如采用常规的BP或其它梯度算法,常导致训练时间较长且易陷入局部极小点,本实验采用快速的粒子群优化算法对模糊神经网络进行训练,收敛速度明显加快。实验结果表明采用该方法预报溶解氧的预测精度较常规BP递推算法的预测精度明显提高,所采用的模型能对溶解氧进行可靠的预测,该方法为研制开发智能水质检测仪以及工厂化养殖工作奠定了基础,对实际生产具有一定的指导意义。

基于相空间重构与模糊神经网络耦合的海温预测模型

在海温预报中引入混沌理论,将相空间重构理论与模糊神经网络相结合,建立了海温预测模型。通过相空间重构,把一维海温时间序列拓展为多维序列,而多维序列包含着各态历经的信息,从而挖掘出了丰富的海温变化空间的信息,有利于模糊神经网络的训练。利用建立好的模糊神经网络模型,对海温预报问题进行了建模、训练和预测。实际的预测结果表明,该模型预报精度较高,预测结果可以为业务工作提供一定的参考与借鉴。

基于GMDH神经网络的超超临界机组过热蒸汽温度预测模型及仿真研究

由于超超临界1 000MW机组过热蒸汽温度控制对象具有大滞后、非线性、动态参数随工况变化大等特点,使得传统的控制方法难以适应过热蒸汽温度的控制,出现过热蒸汽温度波动大,甚至超温等问题。对此,采用数据处理群集方法(GMDH)神经网络建立了过热蒸汽温度动态预测模型,以预测过热蒸汽温度的变化趋势。仿真结果表明,基于GMDH神经网络的过热蒸汽温度预测效果优于线性神经网络和BP神经网络,具有较好的移植性和实用性。

用T-S模型模糊神经网络进行压裂效果预测

压裂效果受多种因素的影响,不同井况的不同参数对压裂效果的影响程度不一样,具有许多的模糊性。运用T—S模型模糊神经网络,建立各种影响因素与压裂效果之间的关系模型和预测模型,可以用来指导压裂选井选层和压裂施工工艺。实践证明,该方法用于压裂效果预测具有良好的适应性和实用性。

基于复数神经网络的智能温室温度预测研究

温度趋势有效预测是实现智能温室环境精准调控的重要基础。作为温室最重要的环境参数,温室内温度与其它环境参数耦合度很高。在智能温室内连续8个月采集其环境数据,利用SPSS对其进行分析,掌握其时间序列特征,温室内温度及其它环境参数间相关性,筛选出与温度相关性高的光照度、空气湿度和土壤湿度,建立双隐层的复数神经网络的智能温室温度预测模型。将采集的12 900组样本数据划分为训练组和测试组数据,使得训练组和测试组数据覆盖到整个采集周期,以便能够全面反映数据规律。经过试验结果表明,网络结构为384-16-500-1时预测精度为0.873,相对测试误差最大为0.548。测试数据集预测精度为0.813,利用该模型进行温室温度预测时,阴天均方根误差RMSE较小。基于复数神经网络的温室温度预测模型可以有效预测温度,用于指导智能温室环境控制策略制定。

基于遗传算法的模糊神经网络温室温度控制器

为了创造适合作物生长的环境,针对温室系统的特点提出了一种新的基于遗传算法的模糊神经网络控制器,利用遗传算法训练模糊神经网络模型,并采用此模糊神经网络控制器控制温室温度系统。运用该方法对温室温度控制系统进行了Matlab仿真,结果表明:采用遗传模糊神经控制器的系统,不但提高了阶跃响应的快速性,而且大大减少了超调量。