基于改进的PSO-BP神经网络的参考作物腾发量预测

发布时间：2021-05-16 08:15

　　针对传统PSO算法易陷入局部极值的缺点,提出了一种改进的粒子群算法（ADAPPSO）。该算法通过利用表现为非线性递减特性的自适应惯性权重来有效减少PSO算法在运算过程中出现局部极值的情况。利用ADAPPSO算法对BP神经网络所涉及的一系列参数进行优化,并在此基础上建立ADAPPSO-BP模型对参考作物腾发量（ET₀）进行预测。以商丘地区数据为例,通过平均影响值法（MIV）对变量进行筛选,并在此基础上建立了BP神经网络、PSO-BP和ADAPPSO-BP 3种预测模型。根据相关实验结果表明,BP模型、PSO-BP模型和ADAPPSO-BP模型的决定系数R²分别为0.898 3、0.952 7和0.960 6,3种模型的平均绝对误差MAE分别为0.355 8、0.240 1和0.205 6。3种模型中,ADAPPSO-BP模型的R²值最大,MAE最小,这表明提出的ADAPPSO-BP模型能够有效地提高ET₀的预测能力。 

【文章来源】：节水灌溉. 2020,(05)北大核心

【文章页数】：5 页

【文章目录】：
0 引 言
1 改进的PSO-BP算法
    1.1 改进的PSO算法
    1.2 改进的自适应PSO-BP优化神经网络
2 实验数据分析
    2.1 实验数据来源
    2.2 MIV特征值筛选变量
    2.3 确定BP神经网络的结构
3 基于ADAPPSO-BP的ET0预测模型
4 结 语


【参考文献】：
期刊论文
[1]基于PSO算法的中型灌区输水调度模型研究[J]. 吴复昌.  水利建设与管理. 2019(07)
[2]改进PSO-BP神经网络对尾矿坝地下水位的预测方法[J]. 郑店坤,许同乐,尹召杰,孟庆民.  山东大学学报(工学版). 2019(03)
[3]粒子群算法的改进与比较研究[J]. 武少华,高岳林.  合肥工业大学学报(自然科学版). 2019(02)
[4]基于MIV-GA-BP神经网络的我国棉价预测研究[J]. 吴叶,刘婷婷,方少勇.  棉纺织技术. 2018(07)
[5]BP神经网络隐含层节点数确定方法研究[J]. 王嵘冰,徐红艳,李波,冯勇.  计算机技术与发展. 2018(04)
[6]基于粒子群算法和广义回归神经网络的ET0预测[J]. 周瑞,魏正英,张育斌,张帅.  中国农村水利水电. 2017(06)
[7]BP神经网络方法在灌区需水预测中的应用[J]. 黄曦妮,查思慧.  江西水利科技. 2017(02)
[8]非线性递减惯性权重的简化粒子群算法[J]. 张志宇,白云霞.  咸阳师范学院学报. 2017(02)
[9]基于经验模态分解与人工神经网络的参考作物腾发量混合预测模型研究[J]. 迟道才,郑俊林,许杏娟,吴奇,陈涛涛.  沈阳农业大学学报. 2015(01)
[10]基于PSO-BP神经网络的参考作物蒸腾量预测[J]. 张志政,周威.  节水灌溉. 2014(11)

硕士论文
[1]基于作物蒸腾量智能预测的农田优化灌溉系统[D]. 刘天凤.东华大学 2018



本文编号：3189329