BP神经网络在使用红外热像仪技术预测冬小麦产量中的应用(英文)

通过使用红外热像仪技术获得冬小麦冠层不同温度值,计算得到冬小麦主要需水阶段水分胁迫指标ICWSI(infrared crop water stress index)。并根据此数据,使用一次灌溉周期中3个时段不同的ICWSI的平均值作为输入因子,相应实测冬小麦产量作为输出因子,建立了BP神经网络模型对冬小麦的产量进行预测,本文采用三层BP神经网络,其拓扑结构为3-5-1,数据归一化处理后收敛性能增强。预测结果显示,平均相对误差最大只有3.42%;为了证实这一方法的优越性,同时建立了基于ICWSI和冬小麦产量关系的非线性函数的预测模型,预测结果与实际产量值进行比较,平均相对误差最大达到了18.87%。两种预测方法得到的不同预测结果表明,将红外热像仪技术与BP神经网络预测方法相结合,可以成功用来预测冬小麦产量,比使用非线性函数预测的效果更好,精度更高,可靠性更强,可以用于实际生产需要。     

含有误差校正的小波神经网络交通流量预测

交通流量的准确预测对于高速路管理者进行决策至关重要。建立了小波神经网络(WNN)交通流量预测模型,并通过预测训练误差和测试误差校正预测结果来提高预测精度。首先构建WNN模型对交通流量进行初步预测,然后利用经验模态分解(EMD)和WNN模型对训练误差和测试误差进行预测。分别用训练误差预测值、测试误差预测值和两种误差预测值的加权对流量初步预测结果进行修正得到最终预测值。采用四川省成灌高速路交通流量数据进行了仿真对比实验,仿真结果表明含有误差校正的小波神经网络模型能有效提高交通流量预测精度,并且利用两种误差加权修正模型的预测精度高于利用测试误差的修正模型和利用训练误差的修正模型。     

葡萄浆果糖度可见/近红外光谱检测的研究

针对可见/近红外光谱与水果糖度存在非线性相关的特点,利用漫反射光谱测定方法获取了葡萄浆果的可见/近红外光谱,提出了应用偏最小二乘（PLS）结合人工神经网络（ANN）建立葡萄浆果糖度的预测模型,利用偏最小二乘法（PLS）对原始光谱数据进行处理,得出交叉检验的最佳主因子数为3,并将3个主因子的得分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,用优化的BP神经网络模型对预测集样本进行预测。PLS-ANN模型对样本的预测模型检验参数r2为0.908,RMSEP为0.112,Bias为0.013,好于只使用PLS模型的预测模型检验参数r2为0.863,RMSEP为0.171, Bias为0.024。结果表明,利用近红外光谱技术无损检测葡萄浆果糖度等内部品质是可行的,为今后进一步分析建立浆果内部品质预测模型奠定了基础。     

基于多尺度小波变换和灰色神经网络的稻种发芽率红外热预测模型的研究

基于老化不同时间的稻种的生理学和物理学特性,提出一种基于多尺度小波变换和灰色神经网络的稻种发芽率红外热预测模型,实现稻种发芽率的快速、无损检测,解决传统发芽实验法实验周期长、操作复杂等问题。从不同发芽率稻种的胚芽部位提取144组数据,通过多尺度小波变换,分析逼近信号和细节信号,得出第3层细节信号(d3)贡献最大。以第3层细节信号作为模型的输入,随机分为校正集和预测集,校正集96组,预测集48组。分析和比较老化不同时间的稻种的红外热差异,通过偏最小二乘算法(PLS)、BP神经网络、径向基神经网络(RBFNN)和灰色神经网络(GNN),建立稻种发芽率红外热预测模型。结果表明,GNN建立的稻种发芽率模型预测效果最优,其中校正集相关系数(RC)和标准偏差(SEC)分别为0.9619、2.5013,预测集相关系数(RP)和标准偏差(SEP)分别为0.9554、2.4172,相关性达到较高水平且误差较小。研究表明采用小波分解和灰色神经网络建立稻种发芽率红外热预测模型的方法是可行的。     

基于模糊边界模块化神经网络的混沌时间序列预测

提出一种模糊边界模块化神经网络（FBMNN）的混沌时间序列预测方法,该方法先对混沌时间序列观测点重构的相空间进行模块化划分,划分点的选取由遗传算法自动寻优.然后定义一个模糊隶属度函数,在划分边界一侧按照一定的模糊隶属度设定模糊边界带,通过模糊化处理,解决了各模块划分点附近预测结果的跳跃问题.最后每一模块,及其模糊边界的样本点都对应一个递归神经网络进行训练,通过预测合成模块输出结果.该方法对三个混沌时间序列基准数据集Mackey-Glass,Lorenz,Henon进行实验,结果表明该方法有效地提高了混沌时间序列预测效果. 关键词： 模糊边界 模块化神经网络 混沌时间序列 预测     

基于XRF-CNN土壤重金属Zn元素含量预测模型研究

结合X射线荧光光谱法,针对土壤中重金属元素Zn含量的预测问题,提出基于深度卷积神经网络回归预测模型。对原始土壤进行相关预处理,用粉末压片法制作土壤压片,采用X射线荧光光谱法(X-Ray-fluorescence,XRF)获取土壤光谱,相比于传统检测方式,XRF法具有检测速度快、精度高、操作简单、不破坏样品属性并且可实现多种重金属元素同时检测等优点,故将XRF与深度卷积神经网络相结合,实现对土壤中重金属Zn元素含量的精确预测。采用箱型图来剔除X射线荧光光谱中的异常数据,采用熵权法结合多元散射校正来对样品盒数据进行校正,采用Savitzky-Golay平滑去噪法以及线性本底法对光谱数据进行预处理,可以有效地解决由外界环境和人为因素产生的噪声及基线漂移等问题。针对卷积神经网络结构的特殊性,将获取的一维光谱数据向量,采用构建光谱数据矩阵的方式来进行处理,将同一浓度、同一含水率下5组平行光谱数据向量转化为二维光谱信息矩阵,以该矩阵作为深度卷积神经网络预测模型的输入,以适应卷积层的操作要求,利用深度卷积神经网络特殊的结构模式,能有效提取土壤光谱数据特征,提高了深度卷积神经网络预测模型的学习能力,降低模型的训练难度。深度卷积神经网络预测模型采用3层卷积层搭建,使用ReLU激活函数激活,采用最大池化方式,减少数据的维度,增加Dropout层,防止过拟合,使用ADAM优化器对预测模型进行优化。实验以平均相对误差(mean relative error, MRE)、损失函数(LOSS)、平均绝对误差(mean absolute error, MAE)确定了模型的最优学习率为10-3以及最优迭代次数为3000,并将深度卷积神经网络预测模型与BP预测模型、ELM预测模型、PLS预测模型进行对比,以均方误差(mean square error, MSE)、均方根误差(root mean square error, RMSE)、以及拟合系数R2来分析比较预测模型的好坏,结果表明,基于深度卷积神经网络预测模型在对土壤中重金属Zn元素含量预测方面优于BP,ELM,PLS三种预测模型,提高了预测精度。     

光谱油样分析监测技术中的神经网络预测方法

光谱油样分析是机械磨损状态监测与故障诊断的重要技术,基于光谱数据的机械状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测,与传统预测模型相比具有明显的优势,文章将神经网络预测方法运用于光谱分析,提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了三层BP网络模型,针对神经网络的结构对于信号预测或模型辨识的精度具有影响很大的问题,文章利用遗传算法,对神经网络输入节点数、隐层节点数和网络收敛的均方误差(MSE)目标值进行了优化,得到了最优的网络预测模型。最后,对某发动机实际的光谱分析数据进行了预测和分析,并与传统ARMA模型的预测结果进行了比较,结果充分表明了本方法的有效性和优越性。     

材料性能的模糊神经网络建模

本文利用模糊神经网络直接从实验数据中提取规则，进行材料性能建模与预测，作为应用示例，建立了基于成份和组织参数的灰铁预测模型，与多元统计分析，模糊回归和广义回归网络所得的结果相比，该方法所得的模型具有学习精度高，且具有更好的泛化能力。     

基于枸杞红外光谱人工神经网络的产地鉴别

应用红外光谱技术,快速鉴别枸杞药材产地。利用傅里叶变换红外光谱, 测定了45个来自青海省不同产地的枸杞样品的红外光谱。以常规预处理方法和小波变换对红外光谱原始数据进行了预处理。对比常用的窗口移动平滑预处理、标准正态变换以及多元散射校正, 小波变换是一种有效实用的光谱预处理方法。为了提高神经网络的训练速度, 在利用人工神经网络建立模型之前, 通过小波变换的方法对光谱变量进行了压缩, 同时对建立的模型的相关参数进行了详细的讨论。结果表明,红外光谱数据压缩到原来的1/8,其分析精度与原始光谱数据基本相当。以压缩了的光谱数据作为反向传播(BP)网络的输入变量,产地类别作为神经网络的输出变量,建立3层人工神经网络。其中隐含层神经元个数为5个,输出层神经元个数为1个。隐层的传递函数是tansig,输出层传递函数是purelin,网络训练函数trainlm,权阈值的学习函数是learngdm。net.trainParam.epochs=1 000,net.trainParam.goal=0.001。对10个未知枸杞产地类别进行了预测,预测结果准确率达100%。实验表明, 建立的模型能够正确地对枸杞样品快速地进行产地鉴别。红外光谱法结合人工神经网络可作为中药材产地分类鉴别的一种新的现代化方法。     

基于果蝇算法优化径向基神经网络模型的白光发光二极管可靠性

根据白光发光二极管失效物理机制选取理想因子、结温、色坐标漂移量等参数作为输入量,利用果蝇算法自学习优化标准径向基神经网络基函数宽度,提高输出精度.研究表明,径向基神经网络模型可以成功预测白光发光二极管可靠性衰变趋势,具有较高的稳定性和鲁棒性;利用果蝇算法优化后,预测平均误差成功减少为3.1%,对未来建立以神经网络为基础的发光二极管可靠性预测模型库提供有益帮助.     

Prediction model of K2CsSb photocathode reflectivity based on LSTM北大核心CSCD

针对目前K₂CsSb光阴极制备过程中无法预判光阴极生长状态的问题,提出一种基于长短期记忆（LSTM）循环神经网络的K₂CsSb光阴极反射率预测模型。一维原始反射率数据集经过清洗、筛选、序列化等预处理手段后重构为二维数据输入模型。为充分利用反射率数据在时序上高度相关的特性,采用双层LSTM网络提取特征,预测结果通过全连接层输出,以均方误差（MSE）作为模型预测效果的评判标准。实验结果表明,该模型的网络结构合理且在不同数据集下的表现良好,预测准确率可达99.21%。该模型可运用在K₂CsSb光阴极的制作过程中,通过反射率预测值反馈调节工艺参数以趋近目标走势,对提高光阴极性能具有促进作用。     

Characterisation of the plasma density with two artificial neural network models

This paper establishes two artificial neural network models by using a multi layer perceptron algorithm and radial based function algorithm in order to predict the plasma density in a plasma system.In this model,the input layer is composed of five neurons:the radial position,the axial position,the gas pressure,the microwave power and the magnet coil current.The output layer is the target output neuron:the plasma density.The accuracy of prediction is tested with the experimental data obtained by the Langmuir probe.The effectiveness of two artificial neural network models are demonstrated,the results show good agreements with corresponding experimental data.The ability of the artificial neural network model to predict the plasma density accurately in an electron cyclotron resonance-plasma enhanced chemical vapour deposition system can be concluded,and the radial based function is more suitable than the multi layer perceptron in this work.     

人工神经网络结合多光谱遥感数据用于立地质量评价

多光谱遥感数据蕴含着大量的地表立地信息,而传统立地质量评价体系主要使用了人工地面调查数据。为了建立一套有效的立地质量评价体系,以内蒙古赤峰市旺业甸林场为研究对象,基于研究区域的多光谱遥感数据结合地面小班调查数据,采用一种改进的反向传播人工神经网络(back Propagation artificial neural network,BPANN)模型,以落叶松为例,建立了遥感光谱因子结合立地因子与地位指数关系的神经网络模型,对研究区域的小班进行立地质量评价研究。通过训练数据集的敏感度分析剔除弱相关或不相关的因子,简化了神经网络的规模,提高了网络的训练效率,得到了最优的地位指数预测模型,模型的预测精度达到95.36%,与使用传统小班调查数据建立的神经网络模型的预测结果进行了比较,精度提高了9.83%,说明使用多光谱遥感数据+小班调查数据确定的落叶松地位指数预测模型具有最高的预测精度。多光谱遥感数据十分适用于森林立地质量评价,改进BP神经网络具有理想的预测精度,充分证实了该方法的有效性和优越性。     

基于NW型小世界人工神经网络的污水出水水质预测

为了预测污水处理出水水质,针对污水处理过程具有多变量、非线性、时变性、严重滞后的特点,提出了基于NW型小世界人工神经网络的污水处理出水水质预测模型。首先根据污水处理系统确定模型输入输出变量个数,然后建立了多层前向小世界神经网络模型,并对网络模型的隐层结构进行了优化研究。借助污水处理过程的历史数据进行了仿真研究,结果表明：和同规模的多层前向人工神经网络相比,小世界神经网络对污水出水水质预测具有较高精度和收敛速度,为污水出水水质的实时预测提供了一种有效的新方法。     

基于灰色关联分析的BP神经网络对混流闭式冷却塔出水温度的预测

通过控制变量法对混流闭式冷却塔进行测试, 采用灰色关联分析法对影响出水温度的因素进行筛选, 将关联度较大的5个因子作为输入参数, 进而建立灰色_BP神经网络预测模型, 对混流闭式冷却塔的出水温度进行预测。操作参数包括进水温度、湿球温度、补水温度、循环水流量和风量, 输出值为出水温度。网络采用三层结构, 隐含层神经元数为4个, 迭代次数为30 000次, 使用不涉及训练阶段的实验数据来验证所建立的模型。结果表明, 灰色_BP神经网络模型比传统BP神经网络模型的预测结果更加准确, 其预测值与实际值的相关系数、平均相对误差、均方根误差, 分别为0.998 9、0.293 4%和0.152 9, 因而可认为灰色_BP神经网络是预测混流闭式冷却塔出水温度的有效工具。     

Time series prediction using wavelet process neural network

In the real world, the inputs of many complicated systems are time-varying functions or processes. In order to predict the outputs of these systems with high speed and accuracy, this paper proposes a time series prediction model based on the wavelet process neural network, and develops the corresponding learning algorithm based on the expansion of the orthogonal basis functions. The effectiveness of the proposed time series prediction model and its learning algorithm is proved by the Macke-Glass time series prediction, and the comparative prediction results indicate that the proposed time series prediction model based on the wavelet process neural network seems to perform well and appears suitable for using as a good tool to predict the highly complex nonlinear time series.     

基于小波神经网络的光纤陀螺误差补偿方法

为了提高光纤陀螺的测量精度,提出了一种基于小波神经网络的误差补偿方法。首先使用小波分析中的Mallat分解算法提取出陀螺信号中的主趋势项,对其误差余项进行重构。然后将重构信号作为小波神经网络的目标输出,将原始陀螺信号作为训练样本。为了提高小波神经网络的训练速度同时防止其陷入局部极小值,采用增加动量因子和自适应调整学习速率的方法来改进训练方法。训练后建立的神经网络模型对光纤陀螺误差具有良好的估计能力。结果表明,经过小波神经网络方法补偿后,光纤陀螺的输出精度达到了0. 019 4°/s,光纤陀螺的测量性能得到了提高。