基于人工神经网络的土壤溶质运移模拟与预测

在土壤质地、土壤容重和含水量一定的情况下．把土壤溶质运移时间和运移距离看作影响土壤溶质运移的主要参数，建立2个输入单元和1个输出单元的三层BP网络．对一维垂直土柱Cd^2 的穿透试验进行了模拟和预测。其预测结果同数值解相比，R^2=0．949，精度基本一致。可见BP网络预测模型反映了溶质穿透过程中，土壤溶质含量与运移时间和距离的动态关系；用BP网络预测土壤溶质含量的时空变化具有可行性，而且不需要建立具体的数学模型；工作量大大减小，不需要测定水动力弥散系数、阻滞系数等，具有很强的实用性。     

太湖地区水稻土的硝态氮穿透曲线及影响因素

用模拟土柱的方法对太湖地区三种主要水稻土的硝态氮垂直运移穿透曲线和影响因素进行了研究。结果表明:对同一种土壤而言,土层由上往下土层的出流速度减慢,硝态氮的穿透过程推迟。对这三种土壤而言,乌栅土的各土层的平均流量最小,穿透时间最长。在水分饱和和充分淋洗的条件下,硝态氮能完全穿透土柱,硝态氮的垂直运移过程主要受土壤粘粒含量的影响,随着粘粒含量的增加出流速度减小,硝态氮的穿透开始时间推迟,硝态氮的穿透曲线峰值变低、峰面分布变宽,穿透曲线变化平缓。所有的穿透曲线都显得不对称,粘粒含量越高的土壤越有明显的拖尾现象。土壤容重和有机质含量对硝态氮的垂直运移有很大的影响;容重越小、有机质含量越高,出流的流量就越大,穿透开始的时间也就越提前;有机质与穿透总时间有极显著的相关性;有机质含量越高,穿透总时间就越短。     

基于BP神经网络的土壤水力学参数预测

为了获取区域土壤水分和溶质运移模拟所需的土壤水力学参数,利用黄淮海平原曲周县的试验资料建立基于BP神经网络的土壤转换函数模型。本文采用土壤粒径分布、容重、有机质含量等土壤基本理化性质,来预测土壤饱和导水率Ks、饱和含水量sθ、残余含水量θr、以及van Genuchten公式参数α、n的对数形式ln(α)和ln(n),并与多元线性逐步回归方法进行比较。t检验结果表明,BP神经网络训练和预测得到的模拟值与实测值之间吻合很好,该方法具有较高的预测精度。通过对平均相对误差的比较,得出在粒径分布的基础上增加容重、有机质含量等输入项目,可以提高部分土壤水力学参数的预测精度,而有些参数的预测精度反而降低。以误差平方和为标准的比较结果表明,BP神经网络模型的预测效果总的来看要优于多元线性回归法。     

土壤溶质运移特性研究进展

可溶性化学物质(土壤溶质)在土壤中的运移和分布已成为近年来研究的热点。本文综述了近年来土壤溶质运移机理、吸附模型、溶质运移数学模型等方面的研究进展。     

二维土壤水中溶质运移问题的全离散混合元法研究

本文建立了二维非粘性土壤水中溶质运移问题的混合元格式,讨论了混合元解的存在唯一性,并分析了误差估计.最后给出数值算例,数值模拟结果表明,用该方法模拟溶质运移问题是合理有效的.     

免疫神经网络在固井质量预测中的应用研究

为了克服传统BP网络收敛速度慢,隐含层节点数不确定等缺点,将免疫算法与BP网络理论相结合,提出了应用免疫神经网络建立固井质量预测模型.在免疫神经网络算法实现中,增添了抗体浓度进行免疫调节,提高了群体的多样性.仿真结果表明,方法比BP网络建立的模型具有更短的训练时间和更高的预测精度,能够提高固井质量,实现固井质量的预测和跟踪分析,对固井中各种未知信息的预测有着较好的适用性,为固井质量预测提供了一种新方法.     

时序神经网络算法的短期风速预测研究

采用神经网络对风速进行短期预测,研究BP型短期风速预测网络中BP算法、BP网络构建以及网络训练方法.结合时间序列法和神经网络法提出了时序神经网络预测方法,对短期风速预测网络中输入变量数量和隐舍层节点数量的选择方法进行了探讨.仿真实验结果表明,时序神经网络法建立的网络,训练时间明显缩短,网络输出的预测值与真实的观察值之间...     

土壤中磷吸附的能量特征

应用同位素(32P)示踪法,对陕西省四种土壤中磷素运移动力学特征进行研究得出(1)提出溶质运移动力学研究命题具有必要性和实际意义;有助于进一步对溶质运移机理进行探讨;(2)将过渡态理论移植到磷运移动力学中加以应用是可行的,所求出的磷运移活化能(Ey++)和假热力学参数--活化焓(△Hy++)、活化自由能(△Gy++)和活化熵(△Sy++)可从不同的角度反映出磷运移过程中的能量变化,本文拟就这方面作一探讨性研究.     

BP神经网络在胸癌诊断中的应用研究

为了提高胸癌识别的识别精度,提出了应用反向传播网络(Back Propagation,BP)建立胸癌诊断.BP网络是一种典型的多层前馈型神经网络,采用有监督学习模式,利用均方误差和梯度下降来实现时网络连接权值的修正.应用BP网络建立的诊断模型是三层网络结构,输入层的9个神经元分别对应描述细胞的特征值;隐层设置4个神经元;输出层的一个单元是对该细胞诊断的类别.数据实验结果显示诊断模型具有较高的识别精度,表明BP网络是一种有效的诊断方法.     

基于特征筛选结合PSO-BPNN和GA-BPNN算法的土壤重金属高光谱定量反演

以连州地区土壤重金属含量为研究对象,分析包括土壤原始光谱在内的经过数学变换后的光谱数据与重金属含量之间的相关性,再采用VISSA-IRIV算法进行光谱特征提取,分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)、粒子群优化BP神经网络、遗传算法优化BP神经网络模型,对比获取土壤重金属元素Cr、Cu含量最优反演模型。结果表明：VISSA-IRIV算法实现了对光谱数据的高效降维;BPNN模型预测效果明显优于PLSR模型;经过优化的BP神经网络模型反演精度和稳定性得到了极大地提升,其中Cr、Cu元素的最佳反演模型组合分别为FD-GABPNN(R²=0.87、RMSE=13.82、RPD=2.95)、SNV-FD-PSO-BPNN(R²=0.92、RMSE=4.25、RPD=3.41)。该研究对土壤重金属含量的准确、快速分析提供了一种有效的方法,对实现土壤重金属污染治理具有重要的现实意义。     

分户热计量系统室温模糊预测控制

研究室温控制问题时,针对分户热计量系统中室温控制具有滞后性、时变性、复杂性,难以建立精确数学模型的特点,为了按需要改变室温,提出一种室温模糊预测控制策略.采用BP网络建立预测模型,对采暖房间升(降)一定温度所需要的时间进行预测,并通过模糊控器对采暖房间温度进行控制,克服了传统室温控制方式不能对升(降)温时间进行预测的缺点,并进行仿真.仿真结果表明,预测模型的时间误差小,预测控制策略具有适应能力、鲁棒性好等特点.     

基于C/S的零售企业销售预测DSS的开发

基于数据仓库、联机分析和数据挖掘技术研究的基础上,采用模块化设计方法,开发了三层C/S模式的零售企业销售预测决策支持系统.系统能够实现数据仓库管理,多维数据集管理,OLAP多维综合分析和基于时间序列AR模型和BP网络算法的销售量、销售利润预测;建立的AR模型和BP网络预测模型,能实现模型的再学习和训练,具有较好的实用性和可扩展性.用FoodMart连锁企业的销售数据进行了验证,具有一定的实用价值.     

混沌时间序列的组合网络预测研究

针对混沌时间序列的解析方程的不确定性,提出了自适应模糊递归网络组合预测网络.网络不依赖混沌时间序列的确定性方程和初始条件,根据给定的训练数据,先采用Anfis网络对训练数据进行处理,然后与Elman网络组合预测,从而提高了预测能力和精度.通过对Mackey2Glass混沌时间序列仿真实验,表明了Anfis-Elman网络增强了局部泛化能力,其预测精度明显高于BP网络和Elamn等网络.     

GRNN神经网络在信息分析预测中的应用

用广义回归网络模型建立糖尿病和高脂血症预测网络模型,结果准确率高,达到了预测的目的.避免了BP网络预测同样的数据库,算法冗长,网络预测结果不稳定的缺点.经过对比,GRNN网络具有更好的拟合精度和预报精度.实例分析证明,广义回归网络模型可以应用于疾病预测数据处理工作,并可以取得更优的分析结果.     

改进的GPC在网络控制系统时延问题中的应用

针对网络控制系统的时延具有随机、时变的特性,常会出现控制效果不理想的问题提出了动态BP网络误差修正的广义预测控制.在BP神经网络中加入误差动态反馈环节,形成动态补偿的神经网络模型,通过动态BP网络建立误差的预测模型,采用误差预测值对传统广义预测控制的输出预测值进行修正.仿真结果表明,将算法应用到时延网络控制系统当中能取得较好的控制效果.     

交通流量VNNTF神经网络模型多步预测研究

研究了VNNTF 神经网络（Volterra neural network trafficflow model,VNNTF） 交通流量混沌时间序列多步预测问题. 通过分析比较交通流量混沌时间序列相空间重构的嵌入维数和Volterra 离散模型之间的关系,给出了确定交通流量Volterra 级数模型截断阶数和截断项数的方法,并在此基础上建立了VNNTF 神经网络交通流量时间序列模型;设计了交通流量Volterra 神经网络的快速学习算法;最后,利用交通流量混沌时间序列对VNNTF 网络模型,Volterra 预测滤波器和BP 网络进行了多步预测实验,比较了多步预测结果的仿真图、绝对误差的柱状图以及归一化后的方均根;实验结果表明VNNTF 神经网络的多步预测性能明显优于Volterra 预测滤波器和BP 神经网络.     

用P-BP预测网络模型预测通信网络指标

结合某通信企业业务数据的特点,为其通信网络数据预测业务建立了一套通用的P BP预测网络模型。它以时间序列分析为建模依据和指导,并改变BP神经网络的学习方法,提出BP L网络用作模型中挖掘数据依赖性的工具,它的预测精度、运算速度、泛化能力明显高于BP网络。此外,P BP模型能依据历史数据自动计算最合适的预测阶数;根据业务数据特点设计的消除非平稳因素的方法,使其在平稳化的同时能很好地提高并行运算性能;用区间估计过滤异常数据,具有较强的抗干扰能力,能适应实际的工作环境。用业务数据测试该模型,得到了快速的、非常精确的预测效果和完备的预测值置信区间。     

改进神经网络模型在光伏发电预测中的应用

针对传统的BP神经网络模型在光伏发电功率预测中,存在着的预测精度不高、收敛速度较慢的弊端,本文提出一种改进型的BP神经网络模型,运用增加动量项以及自适应选取最佳隐含层的方法来改进传统BP模型的缺陷.文中首先进行了各类气象因素对于光伏发电功率输出影响的相关性分析,提取出最能影响光伏发电功率的6个气象因素,作为网络模型的输入,然后建立了改进型的BP网络模型,结合光伏功率输出的历史数据,来进行发电数据的直接预测;最后根据不同气候类型下的预测结果,分析并验证了采用该模型进行功率预测的可行性和有效性.     

列车脱轨系数的精确预测方法研究

研究列车脱轨系数的精确预测问题.列车在运行过程中,脱轨系数过大会产生列车脱轨隐患,因此列车脱轨系数是评价列车运行安全的重要依据.针对传统脱轨系数预测方法成本高和预测精度低等问题,提出RB算法的NARX神经网络的脱轨系数预测方法.以实测的轨道不平顺为输入,脱轨系数为输出,分别建立BP神经网络和NARX神经网络两种预测模型,并分析对比了两种神经网络模型的预测性能.试验结果表明:与BP神经网络相比,基于BR算法的NARX神经网络可实现对脱轨系数的精确预测.     

基于遗传神经网络的超混沌时间序列预测

研究了超混沌系统的预测问题。通过分析混沌时间序列,建立具有多个隐节点的3层前馈网络,基于泛化性考虑采用剪枝算法训练,在保证预测精度的基础上消去部分隐节点以降低网络复杂性,利用遗传算法具有的全局寻优能力重新训练网络,利用具有局部寻优能力BP算法再次训练该网络。对Mackey-Glass时滞混沌系统预测实验结果表明,改进算法的泛化性能优于经典BP网络,归一化预测精度提高10倍多,能够较好地解决超混沌系统的预测问题。