基于改进RBF神经网络的粮仓温度预测

粮食储备对于一个国家来说十分重要,是关乎民生的重要战略资源。储粮对于温度要求十分严格,针对传统粮仓温度预测存在非线性、精度差的问题,选用RBF神经网络建立温度预测模型,利用粒子群算法(particle swarm optimization,PSO)及列文伯格-马夸尔特算法(levenberg-marquard,LM)优化网络的参数。仿真结果可以看出,用PSO算法和LM算法优化后的神经网络模型预测精度更加准确,与PSO优化后的RBF神经网络进行比较,PSO-LM-RBF算法预测误差小,模型更加稳定。

基于SOM聚类算法和灰色改进神经网络的粮仓温度预测

针对传统粮仓温度预测方法非线性度大、输入变量繁杂、精度不高的问题,提出利用SOM聚类算法降低模型非线性度、利用灰色关联分析法简化模型输入变量、利用灰色GM(1,N)模型和改进神经网络相结合提高精度的预测方法。结果表明,所用方法预测误差小、模型更稳定,为粮仓温度预测提供了一种有效研究方法。

基于BP神经网络的仓储小麦的生理生化指标预测

BP神经网络算法在粮食仓储领域拥有巨大的应用价值和潜力。本研究尝试将BP神经网络引入仓储小麦品质预警模型,以天津储粮抽检数据为对象,通过对室内温度的记录,样品水分、淀粉、蛋白质等11项生理生化指标的定期检测,利用BP神经网络算法进行仓储小麦的品质预测与影响分析。仿真结果表明,基于BP神经网络的数据预测方法具有较小的过程误差和较高的结果准确性,为仓储小麦的品质预测提供了一种有效的研究方法。