基于粒子群算法及RBF神经网络技术的粮食产量预测方法

发布时间：2017-05-06 12:07

  本文关键词：基于粒子群算法及RBF神经网络技术的粮食产量预测方法，，由笔耕文化传播整理发布。

【摘要】：粮食生产代表着一个国家经济实力的强弱,对一个国家的发展至关重要。粮食生产与人类的生产生活息息相关,给人类的生存发展提供充足的物质保障,而且,粮食也是人民生存的必需品,对一个国家的前途命运有着重要的影响。目前,仍然有许多国家存在着粮食问题,粮食问题依旧是人类面临的最严峻的问题之一,引起了世界各国的广泛关注。众所周知,我国是一个农业大国,但同时也是一个土地资源相对匮乏的国家,所以确保稳定的粮食安全对稳定我国的发展有着深远的影响。因此,科学预测农业粮食生产发展是一项十分重要的举措。本文主要研究了用粒子群算法来改进RBF神经网络,使其预测速率更快,预测的精度更高,不易呈现局部最优。通过在粒子群算法中加入局部搜索算子来不断的更新粒子的位置和速度,使其在全局的搜索范围内具有最优的适应值参数,运用粒子群算法优化RBF神经网络的参数,可以使RBF神经网络的参数最优,从而最后预测出的粮食产量与实际值更接近。首先,对粒子群算法的原理和过程进行了阐述,然后通过对粒子群算法的分析便可以得到随机初始化粒子群,在初始化粒子群的条件下,对样本产量进行不断的迭代,即可得到最优解。然后用优化后的粒子群算法处理RBF神经网络参数,对粮食产量的样本进行归一化处理,对RBF神经网络构成进行初始化,为参数,,i i iw c?赋随机的初值用来初始化粒子群位置、速率和范围,从而可以得到最优的粒子群模型,达到了本文所满足的目的。然后,介绍了RBF神经网络模型。首先介绍了RBF神经网络模型的原理,并对原理进行了分析,介绍了RBF神经网络的来源,以及特点,并简单介绍了RBF神经网络的常见的应用,RBF神经网络因其独特的优点而在生活中使用的越来越普遍。通过对RBF神经网络模型的分析,对粮食产量建立了预测模型,然后对RBF神经网络模型的参数进行优化,使用粒子群算法来优化参数,建立预测效果良好的产量预测模型,根据粮食产量的样本,预测出未来几年的粮食产量,与实际产量进行对比,并做误差分析,可以得出结论使用粒子群算法优化神经网络,建立粮食产量预测模型,预测出的结果与实际值比较接近。最后,采用粒子群算法优化的RBF神经网络,对粮食产量的样本进行训练,使RBF神经网络的参数最优,便可获得粮食产量的预测值。
【关键词】：粒子群算法 RBF神经网络 适应度值
【学位授予单位】：河南师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F326.11;TP18
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 绪论10-14
• 1.1 引言10
• 1.2 研究背景与研究意义10-12
• 1.3 国内外研究进展12-14
• 第二章 粒子群优化算法理论14-22
• 2.1 粒子群优化算法的起源14-15
• 2.2 粒子群算法基本原理15-17
• 2.3 粒子群优化算法的两种模式17-18
• 2.4 粒子群算法的特点18-19
• 2.5 粒子群算法的应用19-22
• 第三章 RBF神经网络模型22-28
• 3.1 RBF神经网络简介22
• 3.2 RBF神经网络的基本原理22-24
• 3.3 RBF神经网络的特点24-26
• 3.4 RBF网络的应用26-28
• 第四章 粒子群算法改进RBF神经网络预测粮食产量28-32
• 第五章 仿真结果32-38
• 5.1 实验样本选定与预处理32-35
• 5.1.1 实验样本选定32-34
• 5.1.2 数据预处理34-35
• 5.2 RBF神经网络粮食产量预测35-38
• 5.2.1 RBF神经网络模型设计35-36
• 5.2.2 RBF神经网络训练36-38
• 第六章 总结与展望38-40
• 6.1 总结38
• 6.2 展望38-40
• 参考文献40-42
• 附录42-54
• 致谢54-55

【相似文献】

中国期刊全文数据库 前10条

1 秦玉灵;孔宪仁;罗文波;;混沌量子粒子群算法在模型修正中的应用[J];计算机工程与应用;2010年02期

2 陈治明;;新型量子粒子群算法及其性能分析研究[J];福建电脑;2010年05期

3 牛永洁;;一种新型的混合粒子群算法[J];信息技术;2010年10期

4 全芙蓉;;粒子群算法的理论分析与研究[J];硅谷;2010年23期

5 刘衍民;赵庆祯;邵增珍;;一种改进的完全信息粒子群算法研究[J];曲阜师范大学学报(自然科学版);2011年01期

6 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[J];计算机工程与应用;2011年05期

7 熊智挺;谭阳红;易如方;陈赛华;;一种并行的自适应量子粒子群算法[J];计算机系统应用;2011年08期

8 孟纯青;;非线性粒子群算法[J];微计算机应用;2011年08期

9 任伟建;武璇;;一种动态改变学习因子的简化粒子群算法[J];自动化技术与应用;2012年10期

10 刘飞,孙明,李宁,孙德宝,邹彤;粒子群算法及其在布局优化中的应用[J];计算机工程与应用;2004年12期

中国重要会议论文全文数据库 前10条

1 朱童;李小凡;鲁明文;;位置加权的改进粒子群算法[A];中国科学院地质与地球物理研究所第11届（2011年度）学术年会论文集(上)[C];2012年

2 陈定;何炳发;;一种新的二进制粒子群算法在稀疏阵列综合中的应用[A];2009年全国天线年会论文集（上）[C];2009年

3 陈龙祥;蔡国平;;基于粒子群算法的时滞动力学系统的时滞辨识[A];第十二届全国非线性振动暨第九届全国非线性动力学和运动稳定性学术会议论文集[C];2009年

4 于颖;李永生;於孝春;;新型离散粒子群算法在波纹管优化设计中的应用[A];第十一届全国膨胀节学术会议膨胀节设计、制造和应用技术论文选集[C];2010年

5 刘卓倩;顾幸生;;一种基于信息熵的改进粒子群算法[A];系统仿真技术及其应用（第7卷）——'2005系统仿真技术及其应用学术交流会论文选编[C];2005年

6 熊伟丽;徐保国;;粒子群算法在支持向量机参数选择优化中的应用研究[A];2007中国控制与决策学术年会论文集[C];2007年

7 方卫华;徐兰玉;陈允平;;改进粒子群算法在大坝力学参数分区反演中的应用[A];2012年中国水力发电工程学会大坝安全监测专委会年会暨学术交流会论文集[C];2012年

8 熊伟丽;徐保国;;单个粒子收敛中心随机摄动的粒子群算法[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

9 马向阳;陈琦;;以粒子群算法求解买卖双方存货主从对策[A];第十二届中国管理科学学术年会论文集[C];2010年

10 赵磊;;基于粒子群算法求解多目标函数优化问题[A];第二十一届中国（天津）’2007IT、网络、信息技术、电子、仪器仪表创新学术会议论文集[C];2007年

中国博士学位论文全文数据库 前10条

1 李庆伟;粒子群算法及电厂若干问题的研究[D];东南大学;2016年

2 杜毅;多阶段可变批生产线重构的研究[D];广东工业大学;2016年

3 尹浩;求解Web服务选取问题的粒子群算法研究[D];东北大学;2014年

4 王芳;粒子群算法的研究[D];西南大学;2006年

5 安镇宙;家庭粒子群算法及其奇偶性与收敛性分析[D];云南大学;2012年

6 刘建华;粒子群算法的基本理论及其改进研究[D];中南大学;2009年

7 黄平;粒子群算法改进及其在电力系统的应用[D];华南理工大学;2012年

8 胡成玉;面向动态环境的粒子群算法研究[D];华中科技大学;2010年

9 张静;基于混合离散粒子群算法的柔性作业车间调度问题研究[D];浙江工业大学;2014年

10 张宝;粒子群算法及其在卫星舱布局中的应用研究[D];大连理工大学;2007年

中国硕士学位论文全文数据库 前10条

1 张忠伟;结构优化中粒子群算法的研究与应用[D];大连理工大学;2009年

2 李强;基于改进粒子群算法的艾萨炉配料优化[D];昆明理工大学;2015年

3 付晓艳;基于粒子群算法的自调节隶属函数模糊控制器设计[D];河北联合大学;2014年

4 余汉森;粒子群算法的自适应变异研究[D];南京信息工程大学;2015年

5 梁计锋;基于改进粒子群算法的交通控制算法研究[D];长安大学;2015年

6 杨伟;基于粒子群算法的氧乐果合成过程建模研究[D];郑州大学;2015年

7 李程;基于粒子群算法的AS/RS优化调度方法研究[D];陕西科技大学;2015年

8 樊伟健;基于混合混沌粒子群算法求解变循环发动机数学模型问题[D];山东大学;2015年

9 陈百霞;考虑风电场并网的电力系统无功优化[D];山东大学;2015年

10 戴玉倩;基于混合动态粒子群算法的软件测试数据自动生成研究[D];江西理工大学;2015年

  本文关键词：基于粒子群算法及RBF神经网络技术的粮食产量预测方法，由笔耕文化传播整理发布。

本文编号：348361