基于LM-BP网络的粮食产量预测

利用Levenberg-Marquardt(LM)算法对BP神经网络法进行改进,提出了基于改进型LM-BP神经网络模型的粮食产量预测方法。提取了粮食作物播种面积、化肥施用量、粮食作物有效灌溉面积、受灾面积、农村用电量、农业机械总动力、从事农业的人口、农村居民家庭生产性固定资产原值、农村居民家庭平均纯收入9个因子作为输入因子构筑模型,粮食产量作为网络输出,通过LM算法使网络误差最小化,最后使用相关系数、相对误差等指标对模型的模拟结果进行检验。结果表明,训练样本集中模拟值和实际值的相关系数为0.996,平均相对误差为0.47%;检测样本集中,预测值和实际值的相关系数为0.994,平均相对误差为0.56%;该模型具有较高的拟合精度和预测精度,将此网络模型应用于粮食产量预测是有效的、可行的。

基于LM-BP神经网络的煤层瓦斯含量预测研究

为了高效、便捷地获取煤层瓦斯含量,设计了一种基于LM-BP神经网络的煤层瓦斯浓度预测方法。首先介绍了LM-BP神经网络的预测原理,然后建立了基于LM-BP神经网络煤层瓦斯预测模型,最后采用地勘钻孔的相关参数制作样本进行模型训练和预测,将设计的预测模型的性能与基于BP神经网络模型进行对比,结果表明,2种模型在预测准确率方面达到基本一致,都在90%以上,在收敛速度上基于LM-BP神经网络煤层瓦斯预测模型有明显优势。

基于LM-BP神经网络的采煤机液压系统故障诊断研究

针对采煤机液压系统故障率高,故障种类多样的问题,使用基于LM-BP神经网络对采煤机液压系统故障进行故障诊断。首先对常见故障类型进行分类,制作故障样本库,然后设计并训练基于LM-BP神经网络的采煤机液压系统故障分类模型,最后与BP神经网络模型性能对比,结果表明,模型的故障辨识率和识别速度更好。

LM-BP神经网络在大坝变形预测中的应用

为了对大坝进行切实有效的监控,需要建立一个良好的大坝预测模型。针对传统BP(Back-Propagation)神经网络存在的收敛速度慢和泛化能力弱等缺陷,利用LM-BP(Levenberg Marquardt Back Propagation)算法对大坝变形进行预测,并根据丹江口大坝1996和1997两年的变形观测数据,对大坝挠度预测结果进行分析。结果表明,所建立的LM-BP神经网络的预测精度和收敛速度明显提高。

LM-BP神经网络在泥页岩地层横波波速拟合中的应用

首先依据弹性波理论对影响纵横波波速的参数进行分析,明确影响横波波速的参数主要包括密度、应力载荷及应变量。根据分析结果,分别测试不同岩性、饱和状态、围压及轴压条件下的岩石纵横波波速。最后以实验结果为最初样本,通过训练LM-BP神经网络,对横波波速实验结果进行拟合,拟合平均相对误差为2.22%。结果表明,岩性、含气性及应力状态是影响纵横波波速主要因素,利用LM-BP神经网络的多条件拟合横波波速具有更高的精度。

基于LM-BP神经网络模式的酸性染料分类方法

提出用Levenberg MarquardtBackpropagationNeuralNetwork(LM BP)网络对酸性偶氮染料进行分类,网络结构为4-6-5。优化了隐含层神经元数和网络训练次数,表明隐含层神经元数应比输出层神经元数多一个。考察了训练集样本的选择对结果的影响,测试集的样本参数大小要处于训练集样本之间。本网络把其中22种染料作为训练集,把另外18种染料作为测试集,与采用GCEDM逐次分类法比较,测试集识别率为83%。

LM-BP神经网络在农业总产值预测的应用

农业生产总值是衡量一个地区农业发展水平的重要指标,农业生产总值受多方因素的影响,具有非线性的特征,为此,提出了LM-BP神经网络预测农业生产总值的模型及方法.以农作物播种面积、粮食产量、甘蔗产量、木薯产量、茶叶产量、肉类产量、水产品产量、松脂产量及油茶籽产量等与农业生产总值相关指标作为网络输入,通过广西2000 ～2012年农业生产总值数据仿真试验分析表明,LM-BP神经网络预测结果与实际值有较好的拟合度.

基于LM-BP神经网络的耕地土壤养分等级划分模型──以皖南山区为例

研究旨在通过BP神经网络方法,构建起LM-BP网络结构(5-M-1)模型,达到对土壤养分等级划分的目的,为合理的土壤养分管理提供可靠依据。采用Levenberg-Marquardt(LM)训练算法,构建3层网络模型:一个输入层、一个隐含层、一个输出层,利用3层网络作为耕地土壤养分等级划分模型。利用土壤养分各级评价标准作为模型的训练样本和测试样本,以此来对BP神经网络进行训练和测试,并对歙县土壤养分进行综合评价。结果表明:LM-BP网络结构对测试样本输出的预测值和实际参考值是一致的。最终通过灰色关联模型和主成分分析方法对歙县土壤养分的综合评价结果与BP神经网络的模拟结果相对比,发现也是基本一致的。LM-BP网络结构应用于土壤养分等级划分中,得到了很好的预测效果,为智能算法应用于农业领域奠定了良好的基础。

基于改进的LM-BP神经网络的车牌字符识别研究

车牌识别是智能交通系统中一个重要的环节,它可以应用到很多领域,如高速公路自动收费、交通监控系统、停车场管理等。提出一种改进的LM-BP神经网络车牌字符识别方法,该方法根据国内现行车牌编制的特点,结合LM算法改进传统BP神经网络,并增加σ参数修正Ⅲ-BP算法,避免传统BP神经网络收敛速度缓慢并容易陷入局部极小值的缺点,进行了大量实验,达到了预期的识别效果和收敛速度。

利用LM-BP神经网络估算西北地区太阳辐射

气候、生态、水文等模型的应用需要空间连续分布的太阳辐射数据,由于地形等条件的制约,气象站点的分布有限,无法利用稀少的站点获得空间连续分布的辐射数据,而BP(Back-propagation)神经网络模型对太阳辐射具有很好的预测性,但以往的研究都是基于单个站点估算太阳辐射,而且BP神经网络模型存在收敛速度慢、学习时间长等问题,为解决BP算法存在的不足,采用LM(Levenberg-Marquardt)算法优化后的BP神经网络(简称LM-BP神经网络)结合DEM(Digital Elevation Model)数据估算西北地区128个气象站点2011年的太阳总辐射月均值,通过乌鲁木齐和银川两台站的实测数据进行验证,两台站的平均百分比误差分别为2.89%和3.24%,平均偏离误差分别为0.27 MJ·m-2和0.61 MJ·m-2,且拟合优度均>0.90。该模型各项误差指标较小,估算精度较高。最后将模型模拟出的辐射值,结合已有的24个辐射站点的实测值进行空间插值,得到西北地区2011年逐月太阳辐射精细化空间分布图。

基于LM-BP神经网络的西北地区太阳辐射时空变化研究

定量模拟太阳辐射对认识西北地区气候变化至关重要,但西北地区辐射站点稀少,而气象站点较多,利用众多的气象站点观测值模拟太阳辐射是获得太阳辐射数据很好的方法之一。利用LM(Levenberg-Marquardt)算法对普通的BP神经网络进行优化(优化后的BP神经网络简称LM-BP神经网络)模拟太阳辐射,通过与传统气候模型模拟的太阳辐射结果对比发现,LM-BP神经网络模型的模拟精度最高,模拟值与实测值的拟合程度明显优于H-S模型和A-P模型。由此利用西北地区159个气象站点的气象数据和LM-BP神经网络模型模拟了1990~2012年这些气象站点的太阳总辐射月总量,将LM-BP神经网络模拟的气象站点的太阳辐射和25个辐射观测站的实测太阳辐射数据相结合,通过空间插值得到了西北地区太阳总辐射的空间分布,并分析了其时空分布及变化特征。研究结果发现西北地区1990~2012年的年均总辐射月总量变化为262~643 MJ/m^2,呈现"中间高,两端低"的空间分布特征。LM-BP神经网络模型的模拟精度高,是一种很有发展前景的辐射模拟方法,可将其应用在无辐射观测地区的太阳辐射模拟中。

基于LM-BP神经网络的采摘机器人智能运动策略研究

首先介绍了BP神经网络和LM-BP神经网络的原理,然后介绍了采摘机器人运动学模型,最后采用LM-BP神经网络实现了采摘机器人智能运动策略。MatLab仿真表明:对于不同的果树种植布局及不同的起点和终点,采摘机器人采用该算法均能产生可行的无碰撞路径,以顺利完成采摘作业。

LM-BP神经网络优化酶催化合成维生素C酯化物条件

目的评价LM-BP神经网络模型优化酶催化合成维生素C酯化物条件效果。方法使用Levenberg-Mar-quardt改进BP算法计算了酶催化合成维生素C乳酸酯实验数据,通过LM-BP ANN模型关联预测酶量、温度、底物浓度、反应时间因素对维生素C乳酸酯产率的影响,并且将计算结果与标准多元回归方法比较。结果LM-BPANN模型拟合程度好,预测精度高,优于标准多元回归方法。结论LM-BP ANN可以为酶催化合成维生素C酯化物条件寻优,可有效改善响应曲面分析方法。此方法也可用于其他酶催化实验条件分析。

基于灰色LM-BP神经网络对第三产业综合指数的预测

第三产业发展趋势的预测对于国家或地方政府制定宏观政策有着重要的意义。为更加准确地进行第三产业的预测,从多角度选取指标,利用信息墒理论合成综合指标,建立灰色LM-BP神经网络对其进行预测,实证分析灰色LM-BP神经网络比单一的灰色预测模型和传统BP神经网络预测模型拟合和预测能力要好,说明了模型适应成都第三产业发展趋势的预测。

基于LM-BP神经网络的小班生长预测模型

为了实现小班逐年数据精准预测,使用LM-BP神经网络进行训练仿真,并用传统建模法与生长预测模型进行对比。结果表明:利用LM-BP神经网络法进行小班生长量模型训练精度高于传统方法,其训练方法简便易实施,可应用于森林资源调查工作中。

基于LM-BP神经网络模型的非洲农业投资环境评价——来自2011—2018年49个非洲国家的数据

基于LM-BP神经网络模型,选取国际交往环境和本土发展环境8层面33个指标构建非洲农业投资环境评价指标体系,运用2011—2018年非洲49个国家的数据对非洲农业投资环境进行评价。结果表明:占比接近80%的非洲国家农业投资环境处于好的Ⅰ级和较好的Ⅱ级,6个国家处于投资环境较差的Ⅲ级,4个国家处于Ⅳ级;非洲沿海国家农业投资环境普遍优于内陆国家,西部和东南部国家农业投资环境相较中部国家更好,有5个国家农业投资环境出现优化升级;影响非洲农业投资环境的因素相互作用,中非双边政治经贸关系能有效改善中国农业企业在非投资环境。

PCR和LM-BP神经网络在孔隙度预测中的应用

储层孔隙度是反映储层储集性能的重要参数。目前通常选取与岩心分析孔隙度相关性较高的测井数据与孔隙度建立多元线性回归模型预测储层的孔隙度。因忽略了相关性较低的测井数据可能会造成地层孔隙度部分信息漏失,并且由于变量间的多重共线性会导致采用测井数据进行多变量综合分析时的回归模型不稳定,增大预测误差。针对以上问题,综合选取反映地层声、电、放属性的测井数据,采用主成分回归(PCR)算法、Levenberg-Marquardt(LM)算法优化的BP神经网络以及多元线性回归的方法,分别对靶区Q4段的孔隙度进行预测,结果表明LM-BP神经网络、PCR及多元线性回归的相对误差分别为7.10%、10.63%、14.99%。

基于LM-BP神经网络的农机总动力预测

利用黑龙江省1983-2013年农机总动力数据,运用标准BP神经网络和LM-BP神经网络对黑龙江省未来5年的农机总动力进行预测。预测结果表明:在达到相同的误差目标值(即计算期望精度),LM-BP神经网络与标准PB相比,具有更快的收敛速度。如果需进一步减小误差目标值(即提高计算期望精度)时,标准BP神经网络在16h内都无法满足给定的精度要求;而LM-BP神经网络在20s内即可满足给定的精度要求。此时,LMBP神经网络的收敛速度优势非常明显,而拟合的精度也进一步提高,表明LM-BP神经网络具有较高的预测精度。准确的预测黑龙江省农机总动力,可为黑龙江省农业机械化发展规划的制定和近阶段农业机械化的发展水平提供参考依据。

基于LM-BP神经网络的浮选药剂流量预测模型研究

结合东鞍山选矿厂浮选流程的实际工况,采集现场浮选流程的关键过程变量、工艺指标,提出了基于LM-BP神经网络的浮选药剂流量预测模型。数据交叉验证的结果表明,该方法能够在保证精矿品位、回收率等指标满足生产要求的前提下,合理预测浮选药剂制度,使浮选矿浆达到最佳矿化状态,进而优化浮选各项指标,对于降低选厂浮选流程的生产成本有一定的参考价值。

基于LM-BP神经网络的门式起重机安全评估

根据门式起重机的运行规律和特点,提出了起重机安全评估指标,建立了基于LM-BP神经网络的安全评价模型。实验结果证明,该模型具有对起重机进行安全评估的功能,减少了人为因素对权重确定的影响,为起重机安全评估提供参考。