ET_0预测的卡尔曼滤波修正ANFIS模型研究

实时、准确地对作物需水量的预测是实现智能节水灌溉的关键技术。预测模型的合理选择及精度提高是作物需水决策系统的核心。本文将陕西西安地区的气象数据环境信息引入自适应神经模糊推理(ANFIS)作物参考蒸腾量(ET_0)预测模型,应用卡尔曼滤波器对气象数据经ANFIS建模得到的ET_0预测值进行滤波去噪,以提高模型的预测精度,并通过仿真和实验验证,从理论和实践两个方面来验证模型的精度。仿真结果得到,反映模型预测值与真实值之间拟合程度的均等系数(EC)值校正前为0.93,校正后达到0.98。实验结果得到,ANFIS预测模型的平均绝对误差是28.94%,平均相对误差是26.37%,卡尔曼修正后的ANFIS预测模型的平均绝对误差是7.24%,平均相对误差是6.59%。仿真和实验结果表明,利用卡尔曼滤波对ANFIS预测模型进行修正,可以提高预测的精度,经卡尔曼修正后的ANFIS模型能更佳地反映ET_0的变化趋势。

ET0影响因素及ANFIS预测模型研究

作物参考蒸腾量(ET0)是作物生长过程中一个非常重要的数据,ET0反应的是大气蒸发能力与作物需水信息的关系。采用自适应神经模糊推理系统(ANFIS)研究易于获得的日最低气温、日最高气温、日平均气温、日平均相对湿度、实际日照时长及风速六项气象数据对作物参考蒸腾量(ET0)的相关程度,通过比较均方根误差找到相关程度最大的组合且结构简单的ANFIS模型来预测ET0值,并通过比较均方根误差来验证所建立的ANFIS模型预测的准确性。结果表明,综合考虑模型的预测精度及结构的复杂程度,日最高气温、日平均相对湿度和风速的三输入组合为最佳的,其平均绝对误差小且ANFIS结构简单。利用该输入组合训练的ANFIS模型预测ET0,其训练的均方根误差相比于用神经网络训练的预测模型小,通过比较可知ANFIS比BP神经网络训练的模型精度提高。

基于ANFIS交通流实时预测及在MATLAB中的实现

分析了模糊推理预测模型和神经网络预测模型在交通流实时预测中的优缺点,采用ANFIS预测模型将二者结合起来,发挥两个模型各自的优势,弥补彼此的不足,通过预测结果表明该模型能够更直观、更精确地对交通流进行实时预测.

基于ANFIS神经网络的水处理药剂采购提前期模型

水处理药剂的采购提前期对自来水的生产保障十分重要。本文基于减法聚类的ANFIS神经网络,以水处理药剂采购提前期的影响因子作为模型的输入层,建立水处理药剂采购提前期预测模型,计算结果证明该模型能够准确预测出水处理药剂的采购提前期,为采购工作提供指导参考。

基于10年大气因子浓度变化的广州麓湖公园社交引导研究

大气质量在一定程度上影响公园社交活动人群健康,使用Spearman趋势检验法对广州麓湖公园10年间的SO2、NO2、O3、PM 10等大气污染因子数据与气候因子进行相关性分析,总结各因子的日、月和季节变化规律,并基于ANFIS模型对4种指标的发展趋势和影响变化进行预测。结果表明,在日变化上AQI峰值出现在上午5~6时,O3浓度从上午10点开始升高,峰值出现在下午至傍晚时段,NO2峰值出现晚上8~11时;在季节变化上,O3浓度秋季高,冬春季低;NO2和PM10浓度冬春高,夏秋低。据此提出以下社交指引:(1)天气冷暖交替时减少公园社交活动;(2)易感人群到公园晨运时间建议选择在8~10点之间,轻度污染时期,建议普通人群的运动方法为慢走,运动时间少于1h;(3)患有哮喘病、肺气肿和慢性支气管炎者,建议秋冬季减少长时间户外活动时间。(4)在园区管理上,因风速对O3等污染物浓度有明显驱散作用,建议对活动场所的植物勤修剪,保持活动场所的通风状态。