CN111369074A - 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 - Google Patents
一种基于人工蜂群优化bp神经网络的玉米产量预测方法 Download PDFInfo
- Publication number
- CN111369074A CN111369074A CN202010245307.3A CN202010245307A CN111369074A CN 111369074 A CN111369074 A CN 111369074A CN 202010245307 A CN202010245307 A CN 202010245307A CN 111369074 A CN111369074 A CN 111369074A
- Authority
- CN
- China
- Prior art keywords
- neural network
- prediction
- corn yield
- bee colony
- artificial bee
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 240000008042 Zea mays Species 0.000 title claims abstract description 41
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 41
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 41
- 235000005822 corn Nutrition 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 235000013305 food Nutrition 0.000 claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 230000000739 chaotic effect Effects 0.000 claims description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 241000257303 Hymenoptera Species 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000003062 neural network model Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工蜂群优化BP神经网络的玉米产量预测方法。步骤1:将数据导入BP神经网络,并对样本进行归一化处理;步骤2:构建BP神经网络的网络结构;步骤3:初始化人工蜂群用到的相关参数;步骤4:计算种群的初始值;步骤5:通过目标函数计算出初始的食物源,找到食物源中的最小值,将其保存在全局最小值中;步骤6:雇佣蜂搜索食物源阶段;步骤7:观察蜂选择食物源阶段;步骤8:侦察蜂淘汰食物源阶段;步骤9:人工蜂群算法结束,进入BP神经网络阶段,获取最优数值阈值;步骤10:完成玉米产量的预测。本发明解决在实际玉米产量预测中人工蜂群算法,最优值的寻优技术依旧不够精确问题。
Description
技术领域
本发明属于产量预测技术领域,尤其涉及一种基于人工蜂群优化BP神经网络的玉米产量预测方法。
背景技术
在一个数据预测***中,获得数据之后,一般要对其进行预处理。在农业物联网、智能家居等邻域的智能控制***和预测***中,根据输入的参数会不可避免的从大量的历史数据中寻找相对优秀的值,这会给智能控制***和预测***的处理与分析带来很多困难。因此,在这些***中,寻找最优值就成为了最重要的一部分。
当今时代,尽管智能预测***和控制***已经在许多领域应用,但是仍然应用不够广泛,如农业物联网、车联网等。目前,在农业种植领域,依旧需要雇佣大量的人工来进行灌溉、种植、收割等工作,不仅耗费人力,而且降低了种植效率和产量。通过在物联网中加入智能预测***和控制***,将输入的参数模型与历史模型相比较,寻找最优值,实现产量预测。同时,在物联网发展趋势的背景下,借助人工蜂群算法和BP神经网络实现的预测***,可以有效预测农业种植的产量。然而,在实际预测中人工蜂群算法,最优值的寻优技术依旧不够精确、降低了预测的精确度,无法准确预测产量。
发明内容
本发明提供一种基于人工蜂群优化BP神经网络的玉米产量预测方法,解决在实际玉米产量预测中最优值的寻优技术依旧不够精确,提高预测精确度。
本发明通过以下技术方案实现:
一种基于人工蜂群优化BP神经网络的玉米产量预测方法,所述预测方法包括以下步骤:
步骤1:导入BP神经网络训练及预测所需要的玉米产量输入样本数据,并对玉米产量样本数据进行归一化处理;
步骤2:构建BP神经网络的网络结构,并初始化BP神经网络的数值阈值;
步骤3:确定参数集,初始化人工蜂群用到的相关参数;
步骤4:通过Tent映射初始化种群,计算种群的初始值;
步骤5:通过目标函数计算出初始的食物源,将BP神经网络训练得到的误差作为适应度函数计算雇佣蜂的适应度值,并找到食物源中的最小值,将其保存在全局最小值中;
步骤6:将计算得到的食物源数组赋值给新食物源数组,并通过非线性公式、贪婪选择策略以及轮盘赌计算选择概率p(xi);
步骤7:利用轮盘赌计算得到的选择概率p(xi)选择雇佣峰搜索到的食物源,将得到的最小值与全局最小值相比较,并将两者中更小的数作为新的全局最小值;
步骤8:利用初始化阶段设置的参数limit,判断在limit次的循环内食物源是否得到改善,若食物源得到改善,则继续运行,否则重新更新雇佣峰的位置;
步骤9:判断人工蜂群算法是否结束,若未结束,则跳转到步骤6继续执行循环,若结束,则进入BP神经网络阶段,获取最优数值阈值;
步骤10:在获取最优数值阈值后,计算BP神经网络训练得到的误差,并计算更新阈值,判断该阈值是否满足终止条件,若满足则进行仿真分类识别,将BP预测得到的玉米产量数据同真实的玉米产量数据进行对比,并输出对比图和相对误差;若不满足则继续执行步骤10,直至满足终止条件,至此,完成玉米产量的预测。
进一步的,所述步骤1具体包括,所述样本分为输入样本与输出样本,其中输入样本数据包括空气温度、空气湿度、土壤温度、土壤湿度、光照强度及二氧化碳含量,输出样本数据为玉米产量。
进一步的,所述步骤4具体包括以下步骤:
步骤4.1随机产生初始值x0(在[0,1]之间且避免x0落在(0.2,0.4,0.6,0.8)),记入标记组,即y(1)=x0,i=1,j=1;
步骤4.2:根据Tent混沌映射的迭代公式产生一个x序列,i=i+1;
步骤4.3:如果达到最大的迭代次数,则停止运行该映射,保留x序列,否则返回到步骤4.2重新迭代。
进一步的,所述步骤6中,非线性公式为:
w=0.1*rand+(wmax-wmin)/2*exp((Tmax-t)/Tmax)
通过上式计算得出非线性控制参数w,
其中wmax=0.9,wmin=0.4,Tmax=1000,t为当前循环次数;
将生成的新解和旧解相比较,并通过贪婪选择策略获取更优的一个解作为新解;
所述轮盘赌公式为:
所述步骤10具体为,把最优初始阀值权值赋予网络预测,计算BP神经网络训练得到的误差,并计算更新阈值;
使用优化的BP神经网络进行值预测,并计算得到的玉米产量数据的预测误差。
本发明的有益效果是:
本发明将BP神经网络与基于Tent映射的非线性人工蜂群优化算法相集合,对玉米产量进行预测,在预测的过程中既解决了BP神经网络学习速度慢容易陷入局部最小值,从而会导致预测误差较大的问题,又因为人工蜂群算法引入混沌优化算子产生初始解,然后通过增加非线性权值更新雇佣蜂的位置信息,从而增加种群的多样性,加快算法收敛速度,提高种群的可进化能力。并利用优化过的人工蜂群算法的优异寻优能力优化BP神经网络的网络权值,继而减小BP神经网络的预测误差,提高玉米产量预测的精确度。
附图说明
图1本发明的方法流程示意图。
图2本发明的BP神经网络预测***的原理图。
图3本发明的涉及到的函数图像,图3-(a)Griewank函数的图像,图3-(b)Rastrigin函数的图像。
图4本发明的CNABC-BP神经网络预测结果示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
一种基于人工蜂群优化BP神经网络的玉米产量预测方法,所述预测方法包括以下步骤:
步骤1:导入BP神经网络训练及预测所需要的玉米产量输入样本数据,并对玉米产量样本数据进行归一化处理;
步骤2:构建BP神经网络的网络结构,并初始化BP神经网络的数值阈值,此次采用的BP神经网络输入层、中间层以及输出层分别设置为6、5和1;
步骤3:确定参数集,初始化人工蜂群用到的相关参数;
步骤4:通过Tent映射初始化种群,计算种群的初始值;
步骤5:通过目标函数计算出初始的食物源,将BP神经网络训练得到的误差作为适应度函数计算雇佣蜂的适应度值,并找到食物源中的最小值,并将其保存在全局最小值中;
步骤6:雇佣蜂搜索食物源阶段,将计算得到的食物源数组赋值给新食物源数组,并通过非线性公式、贪婪选择策略以及轮盘赌计算选择概率p(xi);
步骤7:观察蜂选择食物源阶段,利用轮盘赌计算得到的选择概率p(xi)选择雇佣峰搜索到的食物源,将得到的最小值与全局最小值相比较,并将两者中更小的数作为新的全局最小值;
步骤8:侦察蜂淘汰食物源阶段,利用初始化阶段设置的参数limit,判断在limit次的循环内食物源是否得到改善,若食物源得到改善,则继续运行,否则重新更新雇佣峰(重新随机生成一个雇佣峰,舍弃当前这个不要)的位置;
步骤9:判断人工蜂群算法是否结束,若未结束,则跳转到步骤6继续执行循环,若结束,则进入BP神经网络阶段,获取最优数值阈值;
步骤10:在获取最优数值阈值后,计算BP神经网络训练得到的误差,并计算更新阈值,判断该阈值是否满足终止条件,若满足则进行仿真分类识别,将BP预测得到的玉米产量数据同真实的玉米产量数据进行对比,并输出对比图和相对误差;若不满足则继续执行步骤10,直至满足终止条件,至此,完成玉米产量的预测。
进一步的,所述步骤1具体包括,所述样本分为输入样本与输出样本,其中输入样本数据包括空气温度、空气湿度、土壤温度、土壤湿度、光照强度及二氧化碳含量,输出样本数据为玉米产量。
进一步的,所述步骤3中初始化人工蜂群用到的相关参数包括:蜂群规模ColonySize、最大迭代次数Tmax、维数Dim、侦察蜂限制次数Limit、混沌最大迭代次数Cmax、惯性权值系数wmax及wmin、目标函数ObjFun以及位置变化范围[lb,ub];
初始化全局最小值数组GlobalMins设置为0,代入人工蜂群进行计算。
进一步的,所述步骤4具体包括以下步骤:
步骤4.1随机产生初始值x0(在[0,1]之间且避免x0落在(0.2,0.4,0.6,0.8)),记入标记组,即y(1)=x0,i=1,j=1;
步骤4.2:根据Tent混沌映射的迭代公式产生一个x序列,i=i+1;
步骤4.3:如果达到最大的迭代次数,则停止运行该映射,保留x序列,否则返回到步骤4.2重新迭代。
进一步的,所述步骤6中,非线性公式为:
w=0.1*rand+(wmax-wmin)/2*exp((Tmax-t)/Tmax)
通过上式计算得出非线性控制参数w,
其中wmax=0.9,wmin=0.4,Tmax=1000,t为当前循环次数;
将生成的新解和旧解相比较,并通过贪婪选择策略获取更优的一个解作为新解;
所述轮盘赌公式为:
所述步骤10具体为,把最优初始阀值权值赋予网络预测,计算BP神经网络训练得到的误差,并计算更新阈值;
使用优化的BP神经网络进行值预测,并计算得到的玉米产量数据的预测误差。
实施例2
本实验采用的仿真工具是MATLAB,利用改进的人工蜂群算法对BP神经网络算法的关键参数进行优化。为了验证混沌非线性人工蜂群算法在玉米产量预测***中的有效性,本发明从已有文献中选择5个基准测试函数对优化的人工蜂群算法做仿真实验。其具体的基准测试函数见下表1。
表1基准测试函数
通过这五种个基准测试函数,本发明对基于Tent映射的非线性人工蜂群优化算法进行仿真测试,通过得到的仿真结果将CNABC、LABC和ABC三种算法进行对比,判断三种算法寻优的优劣性。本发明从中选取了Griewank以及Rastrigin两个函数的图像如图3(a)、(b)所示。
从图3中可以看出,CNABC算法在测试函数的平均值、标准方差及最小值方面都较小,性能显著优于ABC和LABC算法。实验结果表明,于Tent映射的非线性人工蜂群优化算法能够作为BP神经网络的优化算法,用以增强BP神经网络的精确度。
CNABC-BP算法的样本及参数设置
本次CNABC-BP预测***所使用的样本数据是从黑龙江大学实验室获取,并且共取了60组样本数据以及6种影响因子。***抽取45组样本数据作为训练数据,将剩余的15组(mi=1,2,3......,15)作为预测数据,并将预测数据与实际数据相比较。样本的部分数据如下表2所示。
表2样本数据
经过多次测试,确定BP神经网络的inputnum=6、hiddennum=5、outputnum=1,初始化编码长度numsum=41,并确定人工蜂群算法的蜂群规模ColonySize=numsum*2、最大迭代次数MaxCycles=1000、维数Dim=30、限制次数Limit=50、惯性权值系数wmax=0.9以及wmin=0.4。
CNABC-BP预测算法仿真分析
为了验证CNABC-BP神经网络预测算法对玉米产量预测精度的效果,本发明通过对60组样本数据分别建立了ABC-BP神经网络模型以及CNABC-BP神经网络模型来对玉米的产量进行预测,通过预测结果分析CNABC-BP神经网络模型的精确度。CNABC-BP神经网络模型的预测结果如图4所示:
本发明为了计算具体的误差以及更清晰地对比两种算法地优劣性,列出了上图中ABC-BP神经网络模型以及CNABC-BP神经网络模型预测结果的具体数据。由于数据过多,该报表中列出了样本数据中预测数据的前五个和后五个,具体数据如下表3所示。
表3 CNABC-BP神经网络模型结果对比
从上图2可以看出,CNABC-BP神经网络模型的预测误差明显小于ABC-BP神经网络模型的预测误差,更加地接近玉米产量的真实值。通过表3的具体数值,可以计算出CNABC-BP神经网络模型以及ABC-BP神经网络模型的绝对误差、相对误差和绝对误差方差,具体数据如下表4所示。
表4 CNABC-BP与ABC-BP神经网络模型预测误差对比
很明显,CNABC-BP神经网络预测模型的精度和稳定性大幅度提高。其中,CNABC-BP神经网络预测模型的预测结果的相对误差仅为0.0237,远远小于ABC-BP算法的0.0554,表示CNABC-BP神经网络算法的精确度远大于ABC-BP算法。而且从上表中的绝对误差方差的数据可以看出CNABC-BP神经网络模型的绝对误差方差为0.0005,表明CNABC-BP神经网络误差波动较小,远比ABC-BP算法要稳定。
Claims (5)
1.一种基于人工蜂群优化BP神经网络的玉米产量预测方法,其特征在于,所述预测方法包括以下步骤:
步骤1:导入BP神经网络训练及预测所需要的玉米产量输入样本数据,并对玉米产量样本数据进行归一化处理;
步骤2:构建BP神经网络的网络结构,并初始化BP神经网络的数值阈值;
步骤3:确定参数集,初始化人工蜂群用到的相关参数;
步骤4:通过Tent映射初始化种群,计算种群的初始值;
步骤5:通过目标函数计算出初始的食物源,将BP神经网络训练得到的误差作为适应度函数计算雇佣蜂的适应度值,并找到食物源中的最小值,将其保存在全局最小值中;
步骤6:将计算得到的食物源数组赋值给新食物源数组,并通过非线性公式、贪婪选择策略以及轮盘赌计算选择概率p(xi);
步骤7:利用轮盘赌计算得到的选择概率p(xi)选择雇佣峰搜索到的食物源,将得到的最小值与全局最小值相比较,并将两者中更小的数作为新的全局最小值;
步骤8:利用初始化阶段设置的参数limit,判断在limit次的循环内食物源是否得到改善,若食物源得到改善,则继续运行,否则重新更新雇佣峰的位置;
步骤9:判断人工蜂群算法是否结束,若未结束,则跳转到步骤6继续执行循环,若结束,则进入BP神经网络阶段,获取最优数值阈值;
步骤10:在获取最优数值阈值后,计算BP神经网络训练得到的误差,并计算更新阈值,判断该阈值是否满足终止条件,若满足则进行仿真分类识别,将BP预测得到的玉米产量数据同真实的玉米产量数据进行对比,并输出对比图和相对误差;若不满足则继续执行步骤10,直至满足终止条件,至此,完成玉米产量的预测。
2.根据权利要求1所述一种基于人工蜂群优化BP神经网络的玉米产量预测方法,其特征在于,所述步骤1具体包括,所述样本分为输入样本与输出样本,其中输入样本数据包括空气温度、空气湿度、土壤温度、土壤湿度、光照强度及二氧化碳含量,输出样本数据为玉米产量。
3.根据权利要求1所述一种基于人工蜂群优化BP神经网络的玉米产量预测方法,其特征在于,所述步骤4具体包括以下步骤:
步骤4.1随机产生初始值x0(在[0,1]之间且避免x0落在(0.2,0.4,0.6,0.8)),记入标记组,即y(1)=x0,i=1,j=1;
步骤4.2:根据Tent混沌映射的迭代公式产生一个x序列,i=i+1;
步骤4.3:如果达到最大的迭代次数,则停止运行该映射,保留x序列,否则返回到步骤4.2重新迭代。
5.根据权利要求1所述一种基于人工蜂群优化BP神经网络的玉米产量预测方法,其特征在于,所述步骤10具体为,把最优初始阀值权值赋予网络预测,计算BP神经网络训练得到的误差,并计算更新阈值;
使用优化的BP神经网络进行值预测,并计算得到的玉米产量数据的预测误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245307.3A CN111369074A (zh) | 2020-03-31 | 2020-03-31 | 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010245307.3A CN111369074A (zh) | 2020-03-31 | 2020-03-31 | 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111369074A true CN111369074A (zh) | 2020-07-03 |
Family
ID=71206978
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010245307.3A Pending CN111369074A (zh) | 2020-03-31 | 2020-03-31 | 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369074A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967079A (zh) * | 2020-08-17 | 2020-11-20 | 河海大学 | 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256683A (zh) * | 2018-01-16 | 2018-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
CN109120610A (zh) * | 2018-08-03 | 2019-01-01 | 上海海事大学 | 一种融合改进智能蜂群算法和bp神经网络的入侵检测方法 |
-
2020
- 2020-03-31 CN CN202010245307.3A patent/CN111369074A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256683A (zh) * | 2018-01-16 | 2018-07-06 | 云南电网有限责任公司电力科学研究院 | 一种基于改进bp神经网络的风电场短期功率预测方法 |
CN109120610A (zh) * | 2018-08-03 | 2019-01-01 | 上海海事大学 | 一种融合改进智能蜂群算法和bp神经网络的入侵检测方法 |
Non-Patent Citations (2)
Title |
---|
王亮: "基于Tent映射的非线性人工蜂群优化算法", 《数码设计》 * |
王亮: "基于微服务架构的灌溉控制平台设计与实现", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967079A (zh) * | 2020-08-17 | 2020-11-20 | 河海大学 | 一种基于改进的人工蜂群算法与bp神经网络的基坑变形预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113282122B (zh) | 一种商用建筑能耗预测优化方法及*** | |
CN109142946A (zh) | 基于蚁群算法优化随机森林的变压器故障检测方法 | |
CN107330902B (zh) | 基于Arnold变换的混沌遗传BP神经网络图像分割方法 | |
CN113469426A (zh) | 基于改进bp神经网络的光伏输出功率预测方法及*** | |
CN113177673B (zh) | 一种空调冷负荷预测优化方法、***及设备 | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
CN112215412A (zh) | 溶解氧预测方法及装置 | |
CN111369074A (zh) | 一种基于人工蜂群优化bp神经网络的玉米产量预测方法 | |
CN117725827A (zh) | 一种基于深度学习的植物工厂数字孪生***及方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN113408622A (zh) | 计及特征量信息表达差异的非侵入式负荷辨识方法及*** | |
CN113962819A (zh) | 一种基于极限学习机的工厂化水产养殖溶解氧预测方法 | |
CN116360266A (zh) | 一种基于多目标优化算法的猪舍温度节能控制方法 | |
CN110991660A (zh) | 基于蝗虫优化的lssvm-arima模型的态势分析方法、***和存储介质 | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN114139937A (zh) | 一种室内热舒适数据生成方法、***、设备及介质 | |
CN115796006A (zh) | 一种基于woa-elm预测模型的新能源储能电站风速预测方法 | |
CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及*** | |
CN115829123A (zh) | 基于灰色模型与神经网络的天然气需求预测方法及装置 | |
Wang et al. | Research on the prediction model of greenhouse temperature based on fuzzy neural network optimized by genetic algorithm | |
CN116090608A (zh) | 一种基于动态加权组合的短期风电功率预测方法及*** | |
CN113188243B (zh) | 一种空调能耗的综合预测方法及*** | |
CN109360607A (zh) | 一种动态基因调控网的网络演化分析方法及装置 | |
CN114819151A (zh) | 基于改进代理辅助混洗蛙跳算法的生化路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200703 |
|
RJ01 | Rejection of invention patent application after publication |