辽阳市参考作物腾发量预测

发布时间：2021-09-07 07:06

　　采用改进的粒子群算法（ADAPPSO）解决了传统PSO算法易陷入局部极值的问题,该算法减少运算过程中PSO算法出现局部极值的途径为利用非线性递减的自适应惯性权重。以辽阳地区为例,将BP网络的有关参数运用ADAPP-SO算法加以优化,并利用平均影响值法（MIV）筛选变量数据,然后对参考作物腾发量（ET0）利用构建的ADAPPSO-BP模型预测,在此基础上构建ADAPPSO-BP、PSO-BP和BP网络预测模型。结果表明:ADAPPSO-BBP、PSO-BP和BP网络预测模型的平均绝对误差MAE为0.2047、0.2415、0.3561,3种模型的决定系数R2为0.9612、0.9530、0.8975;3种模型中MAE最小,R2值最大的为ADAPPSO-BP模型,对于提高ET0的预测能力该模型表现出较强的有效性。 

【文章来源】：黑龙江水利科技. 2020,48(09)

【文章页数】：5 页

【部分图文】：

模型的运算流程

式中:m、n为隐含层节点数和输入变量的个数;a取值范围为[0,1]。将隐含层阶段数m利用公式(7)确定,其取值区间为[2,12],通过实验逐一验证此区间的整数值,其误差输出见图2。研究表明,隐含层节点数取6时BP神经网络的误差最小,从而构造3-6-1的BP网络结构[17]。2.4 PSO-BP的ET0预测

从图3可知,整体上最接近参考作物腾发量(ET0)真实值的为ADAPPSO-BP模型预测值,预测结果最差的为BP模型,PSO-BP模型的精准度居中。可见,对于提高BP模型预测精度PSO算法发挥着明显成效,但受其自身条件限制,使得真实值与预测的突变结果存在很大的偏差,对于此类问题ADAPPSO-BP算法能够较好的解决。不同模型的评价指标对比,见表3。

【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：3389090