基于改进的BAS-BP神经网络的参考作物腾发量预测

针对求解参考作物腾发量时较多关联性强的气象因素以及BP神经网络自身的局限性,通过平均影响值法(mean impact value,MIV)和SPSS软件对相关参数进行降维筛选,并通过改进后使用非线性递减步长的天牛须搜索(nonlinear decreasing beetle antennae search,NDBAS)算法优化BP神经网络来进行预测,同时建立基于BP神经网络、BAS-BP神经网络的预测模型进行对比分析。结果表明,NDBAS-BP模型的决定系数R^(2)为0.8858,优于另外两个对比模型;且其平均绝对误差M_(AE)为0.3587 mm/d,低于BAS-BP和BP模型的0.3981和0.3797 mm/d。3种模型中,NDBAS-BP模型的R^(2)值最大,M_(AE)最小,证明NDBAS-BP模型的预测精度更加接近真实数据。