基于多元线性回归和BP神经网络铣削力的预测

合集下载

BP神经网络与多元回归

BP神经网络与多元回归
4
过渡页
TRANSLATION PAGE
2
数据来源、指标选择
数据的出处和自由变量的选取
5
第二章
CHAPTER TWO
数据来源:
从国家统计局官网上面查找数据 ,选取1995-2015年国家全社会用电
指标选择:
将人口以及GDP作为多元回归
的自变量和BP神经网络的输入层神 经元; 全社会用电量作为因变量和输 出层指标。
多元回归模型确定
观察可发现全社会用电量与人口和GDP满足一般线性关系,因此可以参考 多元回归一般数学模型
y 0 1 x1 2 x2 ... n xn
建立问题的多元回归模型为
y b0 b1x1 b2x2
14
MATLAB程序
format long x0=ones(1,17); A=[60693.7 121121 71176.6 122389 78973.0 123626 84402.3 124761 89677.1 125786 99214.6 126743 109655.2 127627 120332.7 128453 135822.8 129227 159878.3 129988 183867.9 130756 210871.0 131448 257305.6 132129 300670.0 132802 335629.2 133450 408903.0 134091 484123.5 134735 534123.0 135404 588018.8 136072 635910.2 136782 676708.3 137462]'; B=[10023.4 10764.3 11273.6 11590.4 12305.2 13472.7 14632.6 16330.7 19032.2 21972.3 24940.8 28588.4 32632.0 32711.8 36430.3 41923.4 46928.0 49592.8 53223.5 55233.6 55500.6]'; A1=A(1:2,1:17);%训练输入数据 B1=B(1,1:17);%训练输出数据 A2=A(1:2,18:21);%测试输入数据 B2=B(1,18:21);%测试输出数据

基于多元回归分析和bp神经网络的水资源承载力的预测问题

基于多元回归分析和bp神经网络的水资源承载力的预测问题

基于多元线性回归和Bp神经网络的水资源承载力预测研究∗——以济南市为例姚慧,郑新奇(山东师范大学人口・资源与环境学院,250014,济南)摘要:水资源承载力的预测对于地区经济发展具有重要意义,利用主成分分析的方法对济南市水资源承载力变化的驱动力进行分析,人口和GDP是影响水资源承载力变化的最主要的驱动因素,通过水资源承载变化驱动因子的多元线性回归模型和人工神经网络模型,分别预测出2010年和2020年年济南市水资源的需求状况,探讨线性和非线性相结合的方法用于水资源预测。

关键词:多元线性回归、Bp神经网络、水资源承载力中图分类号: p6411.水资源承载力的研究现状“水资源承载力”是随水问题的日益突出由我国学者在80年代末提出来的。

水资源承载力是一个国家或地区持续发展过程中各种自然资源承载力的重要组成部分,且往往是水资源紧缺和贫水地区制约人类社会发展的“瓶颈”因素,它对一个国家或地区综合发展和发展规模有至关重要的影响[1]。

迄今为止,水资源承载力的定义仍然没有统一的认识。

1992年,施雅凤等学者提出,水资源承载力是指某一地区的水资源,在一定社会历史和科学技术发展阶段,在不破坏社会和生态系统的前提下,最大可承载的农业、工业、城市规模和人口的能力,是一个随着社会、经济、科学技术发展而变化的综合目标[2]。

1997年,冯尚友、刘国全对水资源承载力下了定义:水资源的承载力多指在一定区域、一定物质生活水平下,水资源能够持续供给当代人和后代人需要的规模和能力[3]。

2000年,何希吾将水资源承载力定义为一个流域、一个地区、一个国家,在不同阶段的社会经济和技术条件下,在水资源合理开发利用的前提下,当地水资源能够维系和支撑的人口、经济和环境规模总量[4]。

惠泱河认为,水资源承载力可被理解为某一区域的水资源条件在自然-人工二元模式影响下,以可以预见的技术、经济、社会发展水平及水资源的动态变化为依据,以可持续发展为原则,以维护生态环境良性循环发展为条件,经过合理优化配置,∗基金项目:山东省自然科学基金项目(编号:Y2004E04)作者简介:姚慧(1982年-),女,在读硕士,从事土地利用、资源等研究。

Python机器学习应用之基于BP神经网络的预测篇详解

Python机器学习应用之基于BP神经网络的预测篇详解

Python机器学习应⽤之基于BP神经⽹络的预测篇详解⽬录⼀、Introduction1 BP神经⽹络的优点2 BP神经⽹络的缺点⼆、实现过程1 Demo2 基于BP神经⽹络的乳腺癌分类预测三、Keys⼀、Introduction1 BP神经⽹络的优点⾮线性映射能⼒:BP神经⽹络实质上实现了⼀个从输⼊到输出的映射功能,数学理论证明三层的神经⽹络就能够以任意精度逼近任何⾮线性连续函数。

这使得其特别适合于求解内部机制复杂的问题,即BP神经⽹络具有较强的⾮线性映射能⼒。

⾃学习和⾃适应能⼒:BP神经⽹络在训练时,能够通过学习⾃动提取输⼊、输出数据间的“合理规则”,并⾃适应地将学习内容记忆于⽹络的权值中。

即BP神经⽹络具有⾼度⾃学习和⾃适应的能⼒。

泛化能⼒:所谓泛化能⼒是指在设计模式分类器时,即要考虑⽹络在保证对所需分类对象进⾏正确分类,还要关⼼⽹络在经过训练后,能否对未见过的模式或有噪声污染的模式,进⾏正确的分类。

也即BP神经⽹络具有将学习成果应⽤于新知识的能⼒。

2 BP神经⽹络的缺点局部极⼩化问题:从数学⾓度看,传统的 BP神经⽹络为⼀种局部搜索的优化⽅法,它要解决的是⼀个复杂⾮线性化问题,⽹络的权值是通过沿局部改善的⽅向逐渐进⾏调整的,这样会使算法陷⼊局部极值,权值收敛到局部极⼩点,从⽽导致⽹络训练失败。

加上BP神经⽹络对初始⽹络权重⾮常敏感,以不同的权重初始化⽹络,其往往会收敛于不同的局部极⼩,这也是每次训练得到不同结果的根本原因BP 神经⽹络算法的收敛速度慢:由于BP神经⽹络算法本质上为梯度下降法,它所要优化的⽬标函数是⾮常复杂的,因此,必然会出现“锯齿形现象”,这使得BP算法低效;⼜由于优化的⽬标函数很复杂,它必然会在神经元输出接近0或1的情况下,出现⼀些平坦区,在这些区域内,权值误差改变很⼩,使训练过程⼏乎停顿;BP神经⽹络模型中,为了使⽹络执⾏BP算法,不能使⽤传统的⼀维搜索法求每次迭代的步长,⽽必须把步长的更新规则预先赋予⽹络,这种⽅法也会引起算法低效。

基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型

基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型

㊀山东农业科学㊀2023ꎬ55(7):159~166ShandongAgriculturalSciences㊀DOI:10.14083/j.issn.1001-4942.2023.07.022收稿日期:2022-10-12基金项目:国家重点研发计划项目(2019YFD1001401-5ꎬ2019YFD1001404-5)ꎻ河北省重点研发计划项目(21326308D-14)ꎻ河北省现代农业产业技术体系梨创新团队项目(HBCT2018100202)ꎻ现代产业梨气象保障工程项目 河北省梨气象服务能力建设 (22302001)作者简介:王鹏飞(1998 )ꎬ男ꎬ硕士研究生ꎬ研究方向为果树结实生理与分子生物学ꎮE-mail:1071034112@qq.com李涛(2002 )ꎬ女ꎬ本科生ꎬ研究方向为果树结实生理与分子生物学ꎮE-mail:1181240555@qq.com∗共同第一作者ꎮ通信作者:马辉(1988 )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事果树结实生理与分子生物学研究ꎮE-mail:tianma1203@126.com许建锋(1978 )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事果树结实生理与分子生物学研究ꎮE-mail:xjf@hebau.edu.cn基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型王鹏飞1ꎬ李涛1∗ꎬ于春亮2ꎬ薛敏3ꎬ张玉星1ꎬ张海霞1ꎬ权畅4ꎬ许建锋1ꎬ马辉1(1.河北农业大学园艺学院ꎬ河北保定㊀071000ꎻ2.威县农业农村局ꎬ河北威县㊀054700ꎻ3.邯郸市气象局ꎬ河北邯郸㊀056000ꎻ4.河北省气象科学研究所ꎬ河北石家庄㊀050000)㊀㊀摘要:本研究基于2002 2020年河北省魏县鸭梨盛花期观测资料和气象数据ꎬ采用线性趋势法揭示其盛花期变化趋势ꎬ并通过相关性分析筛选出显著影响盛花期的气象因子ꎬ然后分别用BP神经网络㊁多元线性逐步回归方法建立盛花期预测模型ꎬ以决定系数㊁均方根误差㊁预测准确/误差率为评判指标对模型预测精度进行评价ꎮ结果表明ꎬ2002 2020年魏县鸭梨盛花期呈现提前趋势ꎬ每10年平均提前2.4天ꎮ有13个气象因子与盛花期极显著相关(P<0.010)ꎬ相关系数在-0.575~-0.852ꎮ两种预测模型均可在3月上旬对盛花期进行预报ꎬ基于最早盛花期可提前13天预报ꎬ基于最晚盛花期可提前29天预报ꎮ多元线性逐步回归模型的R2为0.905ꎬRMSE为1.45ꎬRd1为94.7%ꎬRd2为5.3%ꎻBP神经网络的R2为0.950ꎬRMSE为1.05ꎬRd1为100%ꎬRd2为0ꎻ用2021和2022年的数据对两个模型的预测效果进行验证ꎬ除多元线性逐步回归模型预测的2021年盛花期日序数与实际日序数差2天外ꎬ两模型对两年盛花期的预测值与实测值一致ꎮ综合来看ꎬBP神经网络模型的预测效果更好ꎬ准确率更高ꎬ可用于鸭梨盛花期预测ꎬ这为制定河北魏县鸭梨花期管理措施及梨花节活动方案奠定了基础ꎮ关键词:鸭梨ꎻ盛花期预测模型ꎻ相关分析ꎻ多元线性逐步回归ꎻBP神经网络中图分类号:S661.2㊀㊀文献标识号:A㊀㊀文章编号:1001-4942(2023)07-0159-08ForecastingModelforYaliPearFull ̄BloomTimeBasedonMultipleLinearStepwiseRegressionandBPNeuralNetworkWangPengfei1ꎬLiTao1∗ꎬYuChunliang2ꎬXueMin3ꎬZhangYuxing1ꎬZhangHaixia1ꎬQuanChang4ꎬXuJianfeng1ꎬMaHui1(1.CollegeofHorticultureꎬHebeiAgriculturalUniversityꎬBaoding071000ꎬChinaꎻ2.WeixianBureauofAgricultureandRuralAffairsꎬWeixian054700ꎬChinaꎻ3.HandanMeteorologicalBureauꎬHandan056000ꎬChinaꎻ4.HebeiInstituteofMeteorologicalScienceꎬShijiazhuang050000ꎬChina)Abstract㊀InthisstudyꎬbasedontheobservationdataandmeteorologicaldataofYalifull ̄bloomtimeinWeixianꎬHebeiProvincefrom2002to2020ꎬthelineartrendmethodwasusedtorevealthechangetrendoffull ̄bloomtimeꎬandthemeteorologicalfactorssignificantlyaffectingthefull ̄bloomtimewereselectedthroughcorrelationanalysisꎬandthentheBPneuralnetworkandmultiplelinearstepwiseregressionwereusedtoes ̄tablishpredictionmodelsoffull ̄bloomtime.Thedeterminationcoefficientꎬrootmeansquareerrorandforecastaccuracy/errorratewereusedasjudgmentindicatorsforcomparativeanalysisofmodelpredictionaccuracy.Theresultsshowedthatthefull ̄bloomtimeshowedanearlytrendfrom2002to2020withanaverageadvanceof2.4daysperdecade.Atotalof13meteorologicalfactorsshowedhighlysignificant(P<0.010)correlationwithfull ̄bloomtimewiththecorrelationcoefficientsrangedfrom-0.575to-0.852.Boththepredictionmodelscouldforecastthefull ̄bloomtimeinMarch1thto10thꎬwiththeearliestfull ̄bloomtimebepredicted13daysinadvanceandthelatestfull ̄bloomtimebepredicted29daysinadvance.TheR2ofmultiplelinearstepwiseregressionwas0.905ꎬRMSEwas1.45ꎬRd1was94.7%ꎬandRd2was5.3%ꎬandtheR2ofBPneuralnetworkwas0.950ꎬRMSEwas1.05ꎬRd1was100%ꎬandRd2was0.Thepredictiveeffectsofthetwomodelswerever ̄ifiedusingdataof2021and2022.Exceptadifferenceof2daysbetweenpredictedandactualfull ̄bloomtimein2021bymultiplelinearstepwiseregressionmodelꎬthepredictedvaluesofthetwomodelsforthetwoyearfull ̄bloomtimewereconsistentwiththemeasuredvalues.OverallꎬtheBPneuralnetworkmodelhadbetterpredictionperformanceandhigheraccuracyꎬsoitcouldbeusedtopredictthefull ̄bloomtimeofYalipear.ThisresearchlaidthefoundationforformulatingmanagementmeasuresforYalipearatfloweringstageandpearflowerfestivalactivitiesinWeixianꎬHebeiProvince.Keywords㊀YaiiꎻPredictionmodelforfull ̄bloomtimeꎻCorrelationanalysisꎻMultiplelinearstepwisere ̄gressionꎻBPneuralnetwork㊀㊀梨是河北省优质水果之一ꎬ截至2021年底ꎬ种植面积达115466.67公顷㊁产量366.6万吨㊁产值140.3亿元ꎬ均居全国第1位ꎮ其中鸭梨作为河北省邯郸市魏县主栽品种之一ꎬ栽培面积大ꎬ历史悠久ꎬ是当地农业的支柱产业之一ꎬ近年又通过举办 梨花节 等活动进一步助力当地乡村振兴[1]ꎮ魏县鸭梨盛花期集中在早春气温变化幅度较大的3月下旬 4月上旬ꎬ期间若发生 倒春寒 ꎬ不仅会造成当年梨果大量减产ꎬ也会影响 梨花节 等活动的方案制定和开展ꎮ近20多年来全球气候波动明显ꎬ每年观测到的气象数据和盛花期时间已明确表明气候变暖影响到了梨花期[2]ꎬ使梨花期提前ꎬ导致遭遇 倒春寒 的概率进一步增大[3ꎬ4]ꎮ因此ꎬ利用多年连续观测的鸭梨花期资料和气象数据建立模型对鸭梨盛花期进行预测ꎬ是预防 倒春寒 和制定 梨花节 活动预告的重要前提[5]ꎮ目前已有学者开展了花期预测模型相关研究ꎬ大多是基于气象因子与花期的相关关系进行的ꎮ如刘璐等[6]使用偏最小二乘回归法分析明确平均气温和平均地温是影响中国北方主产地苹果始花期的最关键主导因子ꎬ进一步利用逐步回归法建立预测模型ꎬ误差小于5天ꎻ柏秦凤等[7]对0㊁3㊁5㊁10ħ活动/有效积温与始花期进行相关性分析ꎬ筛选出影响富士系苹果花期的气象因子ꎬ并建立了5个主产区富士系苹果始花期预测模型ꎻ谭静[8]㊁冯敏玉[9]等也通过分析气象因子与花期的相关性ꎬ选出显著影响花期的气象因子ꎬ通过建立多元回归模型ꎬ分别对樱花㊁油菜花的花期进行预测ꎬ取得了一定成效ꎮ近年来ꎬ随着计算机技术的快速发展ꎬ机器学习算法的使用越来越广泛ꎬ已成为现代农业气象科研和业务开展的重要工具[10]ꎮ例如随机森林[11]㊁神经网络[12]㊁ARMA[13]等已经较好地应用于苹果[14]㊁小麦[15]等的花期预测ꎮ本研究以通过相关分析筛选出的气象因子作为自变量(输入层)㊁盛花期日序数作为因变量(输出层)ꎬ分别利用BP神经网络算法㊁多元线性逐步回归建立魏县鸭梨盛花期预测模型ꎬ经评价筛选出预测精度较高的模型ꎬ以期为预防魏县鸭梨花期 倒春寒 和保障 梨花节 等相关活动顺利开展提供技术支持ꎮ1㊀数据来源与研究方法1.1㊀研究区概况魏县位于河北省邯郸市ꎬ地处河北㊁山东㊁河061㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第55卷㊀南三省交界处ꎬ北纬36ʎ03ᶄ6ᵡ~36ʎ26ᶄ30ᵡ㊁东经114ʎ43ᶄ42ᵡ~115ʎ07ᶄ24ᵡꎬ卫河㊁漳河横贯县城ꎮ地势由西南向东北缓缓倾斜ꎬ开阔平缓ꎬ海拔45.8~58.5mꎮ日照时数在1855~2373h之间ꎬ年平均气温为13.7ħꎬ年降水量为333.8~746.2mmꎮ鸭梨种植面积10000公顷ꎬ总产量达35万吨ꎮ1.2㊀数据来源2002 2020年鸭梨逐年盛花期观测资料和气象数据ꎬ分别由河北省邯郸市魏县林果开发服务中心㊁河北省梨气象服务中心提供ꎮ其中ꎬ气象数据为魏县1 3月气温㊁降水量㊁积温㊁日照时数等气象因子逐年数据ꎬ由河北省气象局在魏县建立的国家气象站(东经114.95ʎꎬ北纬36.33ʎ)收集ꎻ盛花期为逐年观测记录资料ꎬ以梨树植株50%以上花朵展开的日期作为盛花期标准[16]ꎮ本研究所预测的盛花期并不针对某一个梨园ꎬ而是根据魏县林果开发服务中心提供的全县鸭梨平均盛花期进行预测的ꎮ1.3㊀数据处理与分析将逐年盛花期时间转化为日序数进行统计分析ꎬ即1月1日为起始日ꎬ日序数为1ꎬ以此类推ꎬ2月1日的日序数为32ꎮ魏县鸭梨盛花期多集中在3月下旬 4月上旬ꎬ为了展现预测的提前性ꎬ将选择的各类气象因子指标计算截止时间定为较历年最早盛花期(3月23日)早13天的3月10日ꎮ选用1月1日 3月10日的逐月与逐旬平均气温㊁平均最高气温㊁平均最低气温㊁平均降水量㊁平均日照时数及ȡ0ħ活动积温㊁ȡ3ħ活动积温㊁ȡ5ħ活动积温㊁ȡ10ħ活动积温㊁ȡ3ħ有效积温㊁ȡ5ħ有效积温㊁ȡ10ħ有效积温等气象因子ꎬ通过Pearson相关性分析选出与盛花期相关性较高的气象因子用于预测模型建立ꎬ并用2021㊁2022年预测结果与实际盛花期时间进行对比分析ꎬ以验证模型的预测效果ꎮ气象因子及盛花期日序数采用MicrosoftEx ̄cel软件进行统计ꎬ气象因子与盛花期的相关性用SPSS25软件㊁Pearson法进行分析ꎮ1.4㊀基于多元线性逐步回归的建模方法多元线性回归(MLR)主要是研究一个因变量与多个自变量之间的线性回归关系ꎬ由多个自变量的最佳组合来预测因变量ꎬ但由于自变量之间可能存在多重共线性ꎬ因此ꎬ本研究利用SPSS25ꎬ采用逐步法ꎬ考察引入模型的自变量是否仍然具有统计学意义ꎬ以检验其是否有继续保留在方程中的价值ꎬ并以P值最小且具有统计学意义为依据进行自变量的引入和剔除ꎮ引入自变量的显著性概率为P<0.05ꎬ剔除自变量的显著性概率为P>0.10ꎮ采用方差膨胀系数(VIF)诊断自变量之间是否存在多重共线性ꎬVIF>10表示存在严重的多重共线性ꎻ对回归方程进行F检验ꎬ若F>F0.01ꎬ则表示建立的回归方程有效ꎮ1.5㊀基于BP神经网络的建模方法BP神经网络由输入层㊁隐含层㊁输出层及每层之间的结点连接组成ꎬ使用梯度搜索技术并利用反向传播不断调整网络的权值和阈值ꎬ最终实现网络实际值与预测值的误差最小化[17]ꎮ在网络设计过程中ꎬ隐含层神经元个数的确定十分重要ꎬ若隐含层节点数过多ꎬ会加大计算量并容易产生训练过度的问题ꎻ若节点数过少ꎬ则从样本中获取的信息较少ꎬ达不到较好的效果[18]ꎮ因此ꎬ本研究根据经验公式q=k+m+α[18]确定隐含层节点数(式中k为输入层节点数ꎬm为输出层节点数ꎬa为[1ꎬ10]之间的常数)ꎬ以通过Pearson相关系数筛选出的与鸭梨盛花期相关显著(P<0.01)的气象因子作为输入层节点ꎬ以盛花期作为输出层ꎬ利用Matlab2018aꎬ建立了3层前馈型单隐含层BP神经网络ꎬ用于鸭梨盛花期的预测ꎮ1.6㊀模型精度评价以实际鸭梨盛花期观测资料作为最终的预测精度验证数据ꎬ利用决定系数(R2)㊁均方根误差(RMSE)㊁预测准确率/预测误差率(Rd(1ꎬ2))对预测模型进行精度评价和误差分析ꎮR2=1-ðni=1(y^i-yi)2ðni=1y(-yi)2㊀ꎻ(1)RMSE=ðni=1(yi-y^i)2nꎻ(2)Rd(1ꎬ2)=RwRzˑ100%ꎮ(3)式中ꎬn为盛花期年份数量ꎬy为实际鸭梨盛花期日序数ꎬy^为预测鸭梨盛花期日序数ꎬy为鸭梨盛花期日序数的均值ꎻRw表示预测盛花期时间与实际盛花期时间误差在ʃ1天和ʃ2天及在ʃ3天以161㊀第7期㊀㊀王鹏飞ꎬ等:基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型上的年份数ꎻRz表示进行预测的总年份数ꎻ当误差在ʃ1天和ʃ2天时ꎬ计算的Rd1表示预测准确率ꎻ当误差在ʃ3天时ꎬ计算的Rd2表示预测误差率ꎮ2㊀结果与分析2.1㊀鸭梨盛花期变化特征2002 2020年魏县鸭梨平均盛花期日序数为90ꎬ与之对应的盛花期出现在3月30日(平年)或3月31日(闰年)ꎮ盛花期最早出现在3月23日(2002年)ꎬ最晚出现在4月8日(2005㊁2012年)ꎬ最早与最迟盛花期日序数相差16ꎮ有12年出现在3月下旬ꎬ占总样本的63.15%ꎻ有7年出现在4月上旬ꎬ占总样本的36.85%ꎮ采用线性倾向估计法对鸭梨盛花期总体变化趋势进行分析ꎬ结果(图1)表明ꎬ2002 2020年间ꎬ鸭梨盛花期日序数呈减少趋势ꎬ即盛花期呈提前趋势ꎬ其线性倾向率为-2.4d/10aꎮ图1㊀鸭梨盛花期变化趋势2.2㊀影响鸭梨盛花期的气象因子筛选2.2.1㊀平均气温、降水量及日照时数与盛花期的相关性㊀分别对1 3月上旬逐月与逐旬的平均气温㊁平均最高气温㊁平均最低气温㊁平均降水量㊁平均日照时数等共计45个因子进行分析ꎬ结果有16个气象因子与盛花期的相关性通过显著检验(P<0.05)ꎬ包括平均气温的5个㊁最高气温的6个㊁最低气温的4个㊁降水量的1个ꎬ见表1ꎮ其中ꎬ气温因子中ꎬ鸭梨盛花期与1月㊁1月上旬㊁3月上旬的平均气温和1月上旬的平均最高气温以及1月㊁1月上旬㊁3月上旬的平均最低气温呈极显著(P<0.01)负相关关系ꎬ相关系数在-0.626~-0.776之间ꎻ1月平均降水量与盛花期也呈现极显著相关关系ꎬ相关系数为-0.575ꎮ逐月及逐旬日照时数与盛花期未通过显著性检验ꎬ1 3月上旬的日照时数对魏县鸭梨开花早晚无显著影响ꎮ选择通过极显著(P<0.01)水平的气象因子作为后续建立预测模型的自变量ꎬ共8个ꎬ分别为T1㊁T2㊁T5㊁T7㊁T12㊁T13㊁T15㊁T16ꎮ㊀㊀表1㊀㊀2002 2020年1 3月逐月和逐旬㊀气象因子与盛花期的相关系数序号变量符号气象因子相关系数1T11月平均气温-0.675∗∗2T21月上旬平均气温-0.776∗∗3T32月平均气温-0.557∗4T42月中旬平均气温-0.492∗5T53月上旬平均气温-0.626∗∗6T61月平均最高气温-0.536∗7T71月上旬平均最高气温-0.705∗∗8T82月平均最高气温-0.561∗9T92月上旬平均最高气温-0.459∗10T102月中旬平均最高气温-0.461∗11T113月上旬平均最高气温-0.498∗12T121月平均最低气温-0.676∗∗13T131月上旬平均最低气温-0.724∗∗14T142月中旬平均最低气温-0.484∗15T153月上旬平均最低气温-0.701∗∗16T161月平均降水量-0.575∗∗㊀㊀注:∗㊁∗∗分别表示通过0.05㊁0.01水平显著性检验ꎬ下同ꎮ2.2.2㊀积温与盛花期的相关性㊀对1 3月上旬7个活动/有效积温因子与盛花期的相关性进行Pearson相关分析ꎬ结果(表2)表明ꎬ仅有5个积温因子与盛花期的相关性通过0.01水平显著检验ꎬ分别为ȡ0ħ活动积温㊁ȡ3ħ活动积温㊁ȡ5ħ活动积温㊁ȡ3ħ有效积温㊁ȡ5ħ有效积温ꎬ用于后续建立预测模型ꎮ其中ꎬ活动积温与盛花期之间呈现较强的负相关关系ꎬ相关系数为-0.820~-0.852ꎬ即ȡ0ħ㊁ȡ3ħ㊁ȡ5ħ活动积温值越大ꎬ盛花期越早ꎬ反之越迟ꎮ2.3㊀基于多元线性逐步回归建立鸭梨盛花期预测模型2.3.1㊀多元线性回归模型的建立㊀选择2002 2020年鸭梨盛花期日序数作为因变量ꎬ以上文筛选出的13个与盛花期极显著相关的气象因子作为自变量ꎬ利用逐步回归法进行建模ꎮ经过 逐步法 筛选出ȡ5ħ活动积温㊁ȡ5ħ有效积温㊁1月平均降水量㊁1月上旬平均气温仍然存在严重的共线性ꎬ由于ȡ5ħ活动积温与盛花期的相关性极强ꎬ所以剔除掉ȡ5ħ有效积温ꎬ然后再进行逐261㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第55卷㊀步回归ꎬ建立了多元线性逐步回归(MLSR)模型ꎬ见式(4)ꎮ表3㊁表4㊁表5分别是对模型中各个系数检验和自变量多重共线性诊断结果ꎮ结果表明ꎬ自变量VIF小于10ꎬ条件指数在0~10之间ꎬR2=0.905ꎻ模型通过了F检验ꎬF=47.631>F0.010(3ꎬ15)=5.42ꎬP<0.01ꎬ自变量通过了t检验ꎬ即模型回归显著ꎬ不存在多重共线性ꎮY=94.908-0.045H5-0.777T2-8.591T16ꎮ(4)式中ꎬY是盛花期日序数ꎬH5是1 3月上旬ȡ5ħ活动积温ꎬT2是1月上旬平均气温ꎬT16是1月平均降水量ꎮ㊀㊀表2㊀积温因子与盛花期相关系数序号变量符号气象因子相关系数1H0ȡ0ħ活动积温-0.833∗∗2H3ȡ3ħ活动积温-0.820∗∗3H5ȡ5ħ活动积温-0.852∗∗4H10ȡ10ħ活动积温-0.2645Y3ȡ3ħ有效积温-0.796∗∗6Y5ȡ5ħ有效积温-0.593∗∗7Y10ȡ10ħ有效积温-0.070㊀㊀表3㊀自变量之间多重共线性诊断结果模型特征值条件指数方差比例常量H5T2T1612.7501.0000.010.010.020.0420.8221.8290.000.010.310.1630.3892.6580.020.050.110.7540.0408.3370.970.930.550.04㊀㊀表4㊀模型系数检验结果模型非标准化系数B标准错误标准化系数Betat值P值共线性统计容差方差膨胀因子常量94.9081.38768.4130.000H5-0.0450.011-0.468-4.2800.0010.5341.874T2-0.7770.191-0.419-4.0660.0010.6011.663T16-8.5912.357-0.315-3.6460.0020.8501.179㊀㊀表5㊀模型方差分析检验结果变异来源平方和自由度均方F显著性回归375.3363125.11247.6310.000残差39.401152.627总计414.737182.3.2㊀模型回代检验㊀利用建立的多元线性逐步回归模型对2002 2020年盛花期数据进行拟合ꎬ结果(表6)显示ꎬ实际盛花期与预测盛花期完全一致年份为2003㊁2015㊁2020年ꎬ占15.8%ꎻ拟合误差在ʃ1㊁ʃ2天的有15年ꎬ占78.9%ꎻ拟合误差为ʃ3的仅有2009年ꎬ占5.3%ꎮ㊀㊀表6㊀㊀鸭梨盛花期与气象因子模型回代检验年份实际值预测值拟合误差2002(03-23)82(03-22)81-12003(04-06)96(04-06)9602004(03-28)88(03-26)86-22005(04-08)98(04-07)97-12006(03-31)90(04-01)9112007(04-03)93(04-02)92-12008(03-28)88(03-27)87-12009(03-30)89(04-03)9232010(04-07)97(04-06)96-12011(04-05)95(04-06)9612012(04-07)98(04-06)96-22013(04-04)94(04-03)93-12014(03-28)87(04-01)8922015(03-30)89(03-30)8902016(03-28)88(03-29)8912017(03-27)88(03-26)86-22018(03-30)90(03-31)9112019(03-27)86(03-28)8822020(03-23)83(03-23)830㊀㊀注:括号内为日期(月-日)ꎬ括号外数值为盛花期日序数ꎮ2.4㊀基于BP神经网络建立鸭梨盛花期预测模型首先将筛选出的极显著影响盛花期的13个气象因子进行归一化处理ꎬ作为输入层ꎬ输出层为盛花期日序数ꎬ然后对气象因子数据集进行网络训练ꎮ采用公式q=k+m+α确定隐含层节点数ꎬ此处k=13ꎬm=1ꎬa 为[1ꎬ10]之间的常数ꎬ确定隐含层节点数选取区间为[4ꎬ13]ꎮ通过10次试验结果(表7)可见ꎬ当隐含层个数为10时ꎬ训练误差最小ꎬ为0.0084ꎬ训练结果最佳ꎮ神经元传递函数采用非线性的激活函数tan ̄sigꎬ其收敛速度快ꎬ可以有效减少迭代次数ꎮ训练算法采用Trainlm函数ꎬ训练次数1000次ꎬ学习速率设为0.01ꎬ训练目标最小误差设为0.001ꎬ输出层神经元传递函数采用Purelin函数ꎮ选择2002 2016年数据为训练集进行训练ꎬ2017 2020年数据进行测试ꎮ通过计算盛花期预测值与实测值的相关系数ꎬ训练集样本两者间的相关系数都在0.860~0.972之间ꎬ因此ꎬ根据测试集相关系数高低来选择模型ꎬ最终选出训练集R2=0.970㊁测试集R2=0.700的模型为最佳模型ꎬ训练集㊁测试集预测误差均在ʃ2天以内(图2361㊀第7期㊀㊀王鹏飞ꎬ等:基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型5)ꎬ未出现误差为ʃ3天的年份ꎬ预测精度较高ꎬ较好地模拟出2002 2020年实际盛花期与预测盛花期的波动变化ꎮ㊀㊀表7㊀不同隐含层节点数的训练误差节点数45678910111213训练误差0.02460.06640.03290.14880.03690.03390.00840.03540.09630.0101图2㊀训练样本实测值与预测值图3㊀测试样本实测值与预测值图4㊀训练集样本误差2.5㊀两种模型预测精度的比较评价通过计算决定系数(R2)㊁均方根误差(RMSE)㊁预测准确率(Rd1)㊁预测误差率(Rd2)ꎬ比较两种鸭梨盛花期预测模型精度ꎬR2越高ꎬRMSE越小ꎬRd1越高ꎬ预测效果越好ꎮ由表8可知ꎬBP神经网络模型的R2为0.950ꎬ明显高于多元线性逐步回归模型的R2值(0.905)ꎬ说明BP神经网络模型对盛花期波动趋势拟合度更高ꎻ进一步分析两种模型的RMSE㊁Rd1㊁Rd2表明ꎬ基于多元线性逐步回归的RMSE为1.45ꎬRd1为94.7%ꎬRd2为5.3%ꎮBP神经网络RMSE为1.05ꎬRd1为100%ꎬNd2为0ꎮ对比发现ꎬ基于BP神经网络建立的预测模型对鸭梨盛花期的预测精度较高ꎮ图5㊀测试集样本误差㊀㊀表8㊀两种建立模型预测精度检验模型R2RMSERd1(%)Rd2(%)BP模型0.9501.051000MLSR模型0.9051.4594.75.32.6㊀两种建立模型对2021、2022盛花期的预测效果利用2021㊁2022年的数据对建立的多元线性逐步回归㊁BP神经网络模型的预测效果进行验证ꎬ结果(表9)显示ꎬ多元线性逐步回归模型预测的2021年盛花期在第84天ꎬ与实际盛花期(2021年3月23日)日序数误差为2天ꎻ2022年盛花期在第86天ꎬ与实际盛花期(2022年3月27日)相符ꎮBP神经网络模型预测的2021年盛花期在第82天ꎬ2022年盛花期在第86天ꎬ均与实际盛花期观测值相符ꎮ总体来看ꎬ两种模型都能很好地预测出2021㊁2022年的盛花期时间ꎬ且误差较小ꎬ尤461㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第55卷㊀以BP神经网络模型的预测准确度更高ꎮ㊀㊀表9㊀两种建立模型预测效果的验证结果年份盛花期时间实际日序数MLSR模型BP模型20213月23日82848220223月27日8686863㊀讨论筛选显著影响花期的气象因子是建立预测模型的基础及提升预测精度的有效方法ꎮ前人研究认为植物花期与其前期气象因素显著相关[19-25]ꎬ其中温度是影响花期的重要因素ꎮ因此ꎬ本研究通过分析鸭梨盛花期与前期的平均气温㊁平均最高气温㊁平均最低气温㊁活动/有效积温㊁平均降水量㊁平均日照时数等气象因子的相关性ꎬ筛选出13个与鸭梨盛花期极显著相关的气象因子作为预报因子ꎬ用于预测模型构建ꎮ这13个因子中ꎬ1月上旬的平均气温㊁平均最高气温㊁平均最低气温㊁1月平均降水量与鸭梨盛花期负相关的程度最高ꎬ可能与当地的气候条件及地理位置有关ꎻ1 3月上旬的ȡ5ħ活动积温与盛花期相关关系最为紧密ꎬ这与郭连云[26]㊁郭睿[23]等的结论相符ꎬ即完成某一发育期需要一定数量的积温ꎮ建模方法是影响鸭梨盛花期预测精度的一个重要因素ꎮ在多元线性回归分析中ꎬ由于入选的自变量之间容易存在共线性ꎬ需要采用 逐步法 剔除冗余信息ꎬ以确保自变量之间不存在高度相关性ꎬ该算法不仅可以简化计算过程ꎬ更能显著提升花期预测模型精度和可靠性[27]ꎻ但随着样本数量和自变量的增多ꎬ入选的影响花期早晚的因素可能较少ꎬ从而导致预测精度不高ꎮBP神经网络作为一种按照误差逆向传播算法训练的多次前馈网络ꎬ不仅可以储存和学习大量的数据输入和输出ꎬ而且不需对变量的映射关系进行表述ꎬ具有处理非线性能力ꎻ应用反向传播途径不断调整网络的阈值与权值ꎬ直到满足误差最小精度条件ꎬ输出最优结果[18ꎬ28]ꎮ传统的回归模型需要人为选择被预测变量与预测变量之间的模型形式ꎬ尤其在数据量较大的情况下ꎬ更难选择一个合适且具有代表性的预测模型ꎬ所以ꎬ在实际应用过程中往往选择简单的多元线性回归模型ꎬ但预测精度降低ꎻ而BP神经网络只要建模数据有足够的代表性ꎬ利用网络自身的学习能力和速算能力ꎬ可以得到一个预测效果比较好的模型ꎮ本试验对魏县鸭梨盛花期的预测结果表明ꎬBP神经网络预测模型要优于多元线性逐步回归模型ꎮ本研究所建立的模型仅适用于魏县整个区域的鸭梨盛花期预测ꎬ而每个梨园的管理水平㊁地势㊁地温㊁树势等条件存在差异ꎬ也会影响盛花期ꎬ后期有必要针对单个梨园开展更精准的花期预测ꎮ4㊀结论魏县地区2002 2020年的19年间鸭梨盛花期总体呈现提前趋势ꎬ每10年平均提前2.4天ꎮ1月平均气温㊁1月上旬平均气温㊁3月上旬平均气温㊁1月上旬平均最高气温㊁1月平均最低气温㊁1月上旬平均最低气温㊁3月上旬平均最低气温㊁1月平均降水量及1 3月上旬的ȡ0ħ㊁ȡ3ħ㊁ȡ5ħ活动积温和ȡ3ħ㊁ȡ5ħ有效积温与鸭梨盛花期极显著负相关ꎬ相关系数在-0.575~-0.852ꎮ逐步多元线性回归㊁BP神经网络两种预测模型均可在3月上旬提前预测盛花期ꎬ基于最早盛花期可以提前13天预报ꎬ基于最晚盛花期可以提前29天预报ꎮ其中ꎬBP神经网络模型的预测精度更高ꎮ参㊀考㊀文㊀献:[1]㊀牛桂草ꎬ周绩宏ꎬ马红燕ꎬ等.基于ARMA模型的河北鸭梨价格预测及预警[J].山东农业科学ꎬ2021ꎬ53(11):151-156.[2]㊀张倩.影响库尔勒香梨开花与果实生长的气象条件分析[D].乌鲁木齐:新疆师范大学ꎬ2013.[3]㊀屈振江ꎬ刘瑞芳ꎬ郭兆夏ꎬ等.陕西省苹果花期冻害风险评估及预测技术研究[J].自然灾害学报ꎬ2013ꎬ22(1):219-225.[4]㊀王润红.陕西富士系苹果花期冻害和水分适宜度研究[D].杨凌:西北农林科技大学ꎬ2021.[5]㊀李德ꎬ陈文涛ꎬ乐章燕ꎬ等.基于随机森林算法和气象因子的砀山酥梨始花期预报[J].农业工程学报ꎬ2020ꎬ36(12):143-151.[6]㊀刘璐ꎬ王景红ꎬ傅玮东ꎬ等.中国北方主产地苹果始花期与气候要素的关系[J].中国农业气象ꎬ2020ꎬ41(1):51-60. [7]㊀柏秦凤ꎬ霍治国ꎬ王景红ꎬ等.中国富士系苹果主产区花期模拟与分布[J].中国农业气象ꎬ2020ꎬ41(7):423-435. [8]㊀谭静ꎬ陈正洪ꎬ肖玫.武汉大学樱花花期长度特征及预报方法[J].生态学报ꎬ2021ꎬ41(1):38-47.561㊀第7期㊀㊀王鹏飞ꎬ等:基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型[9]㊀冯敏玉ꎬ孔萍ꎬ胡萍ꎬ等.基于花前物候利用灰色关联分析法建立油菜花期预报模型[J].中国农业气象ꎬ2021ꎬ42(11):929-938.[10]李颖ꎬ陈怀亮.机器学习技术在现代农业气象中的应用[J].应用气象学报ꎬ2020ꎬ31(3):257-266.[11]杨丽丽ꎬ田伟泽ꎬ徐媛媛ꎬ等.谷物联合收割机油耗随机森林预测模型[J].农业工程学报ꎬ2021ꎬ37(9):275-281. [12]王怡宁ꎬ张晓萌ꎬ路璐ꎬ等.通径分析结合BP神经网络方法估算夏玉米作物系数及蒸散量[J].农业工程学报ꎬ2020ꎬ36(7):109-116.[13]刘双印ꎬ黄建德ꎬ徐龙琴ꎬ等.基于PCA-SVR-ARMA的狮头鹅养殖禽舍气温组合预测模型[J].农业工程学报ꎬ2020ꎬ36(11):225-233.[14]张兴伟ꎬ陈超ꎬ田姗ꎬ等.基于机器学习的苹果始花期预测[J].中国农业科技导报ꎬ2020ꎬ22(10):93-100. [15]徐敏ꎬ赵艳霞ꎬ张顾ꎬ等.基于机器学习算法的冬小麦始花期预报方法[J].农业工程学报ꎬ2021ꎬ37(11):162-171. [16]曹玉芬ꎬ刘凤之ꎬ胡红菊.梨种质资源描述规范和数据标准[M].北京:中国农业出版社ꎬ2006.[17]石云.Bp神经网络的Matlab实现[J].湘南学院学报ꎬ2010ꎬ31(5):86-88.[18]刘秀英ꎬ余俊茹ꎬ王世华.光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型[J].农业工程学报ꎬ2020ꎬ36(22):308-315.[19]柏秦凤ꎬ王景红ꎬ屈振江ꎬ等.陕西苹果花期预测模型研究[J].中国农学通报ꎬ2013ꎬ29(19):164-169.[20]刘璐ꎬ王景红ꎬ柏秦凤ꎬ等.气候变化对黄土高原苹果主产地物候期的影响[J].果树学报ꎬ2020ꎬ37(3):330-338. [21]张艳艳ꎬ赵玮ꎬ高庆先ꎬ等.气候变化背景下陇东塬区 红富士 苹果始花期研究[J].果树学报ꎬ2017ꎬ34(4):427-434.[22]李晓川ꎬ陶辉ꎬ张仕明ꎬ等.气候变化对库尔勒香梨始花期的影响及其预测模型[J].中国农业气象ꎬ2012ꎬ33(1):119-123.[23]郭睿.杨凌地区桃树花期预测模型研究[D].杨凌:西北农林科技大学ꎬ2016.[24]张爱英ꎬ张建华ꎬ高迎新ꎬ等.SW物候模型在北京樱花始花期预测中的应用[J].气象科技ꎬ2015ꎬ43(2):309-313. [25]李美荣ꎬ杜继稳ꎬ李星敏ꎬ等.陕西果区苹果始花期预测模型[J].中国农业气象ꎬ2009ꎬ30(3):417-420.[26]郭连云ꎬ赵年武.贵德县梨树始花期与气象因子的相关分析及预报模型[J].中国农学通报ꎬ2016ꎬ32(7):147-151. [27]于雷ꎬ洪永胜ꎬ周勇ꎬ等.高光谱估算土壤有机质含量的波长变量筛选方法[J].农业工程学报ꎬ2016ꎬ32(13):95-102.[28]张景阳ꎬ潘光友.多元线性回归与Bp神经网络预测模型对比与运用研究[J].昆明理工大学学报(自然科学版)ꎬ2013ꎬ38(6):61-67.661㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第55卷㊀。

基于“多元回归分析法和BP神经网络”的坝体沉降预测研究

基于“多元回归分析法和BP神经网络”的坝体沉降预测研究

基于“多元回归分析法和BP神经网络”的坝体沉降预测研究目录1. 内容概览 (2)1.1 研究背景 (2)1.2 研究意义 (4)1.3 研究内容与方法 (5)1.4 章节结构安排 (6)2. 文献综述 (7)2.1 坝体沉降的基本理论 (8)2.2 多元回归分析法的应用 (9)2.3 BP神经网络的基本原理 (10)2.4 相关研究动态与发展趋势 (11)3. 坝体沉降的原理论基础 (13)3.1 坝体沉降的基本概念 (14)3.2 影响坝体沉降的因素 (15)3.3 相关参数的计算与确定 (17)4. 多元回归分析法 (17)4.1 多元回归分析的模型建立 (19)4.2 回归系数的估计与意义 (19)4.3 预测模型的评估与优化 (20)4.4 应用实例分析 (21)5. BP神经网络技术 (22)5.1 BP神经网络的结构与工作原理 (23)5.2 参数设置与学习算法 (25)5.3 训练质量的评估与优化 (25)5.4 BP神经网络在坝体沉降预测中的应用 (26)6. 坝体沉降预测模型的建立与验证 (28)6.1 数据收集与处理 (29)6.2 模型的构建与训练 (31)6.3 模型的验证与评估 (32)6.4 模型的实际应用与案例分析 (33)7. 研究成果分析与讨论 (34)7.1 两种方法的预测结果对比 (36)7.2 模型的优缺点分析 (38)7.3 模型的进一步改进建议 (39)8. 结论与展望 (40)8.1 研究总结 (42)8.2 对未来研究的展望 (43)8.3 对坝体沉降预测工作实践的建议 (44)1. 内容概览本研究旨在通过深入分析和实证研究,探讨基于“多元回归分析法”和“神经网络”的坝体沉降预测方法。

首先,我们将对坝体沉降的基本原理、影响因素及其内在联系进行详细介绍,为后续的预测模型构建提供理论基础。

在多元回归分析法部分,我们将详细阐述该方法的基本原理、数学模型构建以及参数优化过程。

基于BP_神经网络的切削ZL114A_铝合金表面粗糙度预测

基于BP_神经网络的切削ZL114A_铝合金表面粗糙度预测

100
net.trainParam.mc=0.4;% 设置动量因子
net=train(net,inputn,outputn);% 训练函数
预测流程如图 2 所示。
最佳验证性能是第1571轮的0.030627
训练 验证 最佳 目标
均方误差(mse)
3 预测和误差分析
10-2
在 MATLAB 中根据流程编写程序,设置目标误
1 实验平台和方案
1.2 试验方案
影响零件表面粗糙度的因素除了切削速度、进给量和切
削深度外,还有主轴振动和刀具磨损等因素。为了研究在其他
因素基本一致的条件下,切削速度、切削深度和进给量对零件
表面粗糙度的影响规律,该文试验设计了三因素、四水平的正
交切削试验,切削用量的选用见表 2。
表 2 切削试验因素水平表
分别为第 k+1 次的权值和阈值的改变量 ;gw(k) 和 gb(k)为当前性能函数对权值和阈值的梯度 ; ak 为学习率;mc 为动量因子(动量系数),取值范 围为 [0,1] ;∆w(k-1)和 ∆b(k-1)为第 k-1 次
输入层
隐含层
输出层
的权值和阈值的该变量。
图 1 BP 神经网络结构图
- 60 -
工业技术
2023 NO.11(上) 中国新技术新产品
基于BP神经网络的切削ZL114A铝合金表面
粗糙度预测
王欣瑞 章 继 (昆明铁道职业技术学院,云南 昆明 650000)
摘 要 :该文针对铝合金 ZL114A 铣削加工中切削参数选择不合理的问题,搭建铣削加工试验系统,对铝合金
ZL114A 进行铣削试验。采用正交试验法,研究切削速度、切削深度和进给量对铝合金 ZL114A 表面粗糙度的影响。

多元线性回归与BP神经网络预测模型对比与运用研究

多元线性回归与BP神经网络预测模型对比与运用研究

多元线性回归与BP神经网络预测模型对比与运用研究一、本文概述本文旨在探讨多元线性回归模型与BP(反向传播)神经网络预测模型在数据分析与预测任务中的对比与运用。

我们将首先概述这两种模型的基本原理和特性,然后分析它们在处理不同数据集时的性能表现。

通过实例研究,我们将详细比较这两种模型在预测准确性、稳健性、模型可解释性以及计算效率等方面的优缺点。

多元线性回归模型是一种基于最小二乘法的统计模型,通过构建自变量与因变量之间的线性关系进行预测。

它假设数据之间的关系是线性的,并且误差项独立同分布。

这种模型易于理解和解释,但其预测能力受限于线性假设的合理性。

BP神经网络预测模型则是一种基于神经网络的非线性预测模型,它通过模拟人脑神经元的连接方式构建复杂的网络结构,从而能够处理非线性关系。

BP神经网络在数据拟合和预测方面具有强大的能力,但模型的结构和参数设置通常需要更多的经验和调整。

本文将通过实际数据集的应用,展示这两种模型在不同场景下的表现,并探讨如何结合它们各自的优势来提高预测精度和模型的实用性。

我们还将讨论这两种模型在实际应用中可能遇到的挑战,包括数据预处理、模型选择、超参数调整以及模型评估等问题。

通过本文的研究,我们期望为数据分析和预测领域的实践者提供有关多元线性回归和BP神经网络预测模型选择和应用的有益参考。

二、多元线性回归模型多元线性回归模型是一种经典的统计预测方法,它通过构建自变量与因变量之间的线性关系,来预测因变量的取值。

在多元线性回归模型中,自变量通常表示为多个特征,每个特征都对因变量有一定的影响。

多元线性回归模型的基本原理是,通过最小化预测值与真实值之间的误差平方和,来求解模型中的参数。

这些参数代表了各自变量对因变量的影响程度。

在求解过程中,通常使用最小二乘法进行参数估计,这种方法可以确保预测误差的平方和最小。

多元线性回归模型的优点在于其简单易懂,参数估计方法成熟稳定,且易于实现。

多元线性回归还可以提供自变量对因变量的影响方向和大小,具有一定的解释性。

基于BP神经网络的切削表面粗糙度预测方法

基于BP神经网络的切削表面粗糙度预测方法

基于BP神经网络的切削表面粗糙度预测方法张永顺;孙华;丁伟;黄雷【摘要】利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法.简单分析了粗糙度的影响因素及预测原理.介绍了BP神经网络的特点、原理、算法和公式.在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析.结果表明,该方法的预测误差小于3%.【期刊名称】《机械管理开发》【年(卷),期】2011(000)005【总页数】3页(P71-72,74)【关键词】BP神经网络;切削振动;Matlab;表面粗糙度预测【作者】张永顺;孙华;丁伟;黄雷【作者单位】西华大学机械工程及自动化学院,四川成都610039;西华大学机械工程及自动化学院,四川成都610039;西华大学机械工程及自动化学院,四川成都610039;西华大学机械工程及自动化学院,四川成都610039【正文语种】中文【中图分类】TP391.90 引言表面粗糙度是衡量工件加工质量的一个重要指标。

根据经验或试验选用合理切削参数是传统的切削加工中保证表面粗糙度要求的主要方法。

切削过程是动态的,材料的金相组织、硬度、韧性、切削振动等诸多影响表面粗糙度的因素在不断变化,在同一切削工序中采用统一的切削用量在兼顾加工质量和效率方面无法令人满意【1】。

如果数控系统能根据加工状况实时预测表面粗糙度值,就可在线自动优化切削用量,大大减少加工过程中财力、人力和时间的浪费。

高精度、柔性预测模型的建立是工件表面粗糙度趋势分析技术中的关键。

本文设计切削表面粗糙度预测系统时,采用了神经网络预测模型,目的是利用BP神经网络的非线性信息处理能力,将非线性预测和多因素预测技术引人工件表面粗糙度趋势分析,提高预测的精度和适应性。

1 表面粗糙度预测的原理表而粗糙度同加工中切削状态参数有直接关系。

因此,可以通过建立粗糙度与切削过程状态参数,如切削速度、进给量、背吃刀量等。

神经网络对于磨削力预测

神经网络对于磨削力预测

神经网络对于磨削力预测摘要:将人工神经网络(ANN)技术引入磨削加工领域,研究预测切向磨削力和法向磨削力,来提高磨削力的预测精度。

以多层前反馈神经网络为基本结构,以误差逆传播算法(BP算法)为网络的训练方法。

通过分析,以砂轮速度vs、工件速度vw和磨削深度ap 为输入,以切向磨削力Ft和法向磨削力Fn作为网络输出,选定网络的层数、隐含层神经元个数、训练函数、传递函数等内容,建立预测磨削力的BP神经网络模型。

然后比较不同网络模型,来确定最优的预测模型。

关键词:磨削力;砂轮速度;工件速度;磨削深度;BP神经网络一、磨削力预测的研究现状在磨削加工过程中,磨削力是评价材料科磨削性的一个重要指标。

它的存在,不仅对系统的变形有影响,在磨削过程中会造成能量的损耗、磨削时的振动和产生磨削热量。

而且磨削力的大小是随磨削时间的增长而增长,这将会使磨削质量指标的变化,不能保证加工要求[ 1]。

而现在近年来随着人工神经网络理论的发展,现已应用于许多的工程领域,取得了很好的效果,它是一种应用类似于大脑神经突触联接的结构进行信息处理的的数学模型,具有强大的非线性适应性信息处理能力,可以任意精度逼近任何连续函数,具有较高的精度[ 1]。

则利用人工神经网络预测磨削力,具有广泛的适应性和有效性。

二、人工神经网络在磨削力预测应用人工神经网络的建模是一种复杂有效的建模方式,即把实际系统看作是一个黑箱,仅在输入输出行为水平上认识系统,而在建模时不必了解系统内部的实际运行规律。

因此,利用人工神经网络进行建模解决磨削问题是非常方便和有效的。

只需用已有的磨削参数对模型进行训练,满足给定的误差要求,即可用该模型对磨削过程进行仿真,并按照实验加工的参数自行选择输入层,对复杂不确定性问题具有自适应和自学习能力。

三、磨削力的信号分析磨削力是作用于砂轮和工件之间接触的整个磨削弧区,它的大小和方向是不断变化的。

通过设备采集到磨削力的原始信号和滤波后力的信号,再通过计算取信号的净增值,最终的磨削力结果为磨削阶段b部分和初始阶段a部分的平均力的差值。

基于BP神经网络的高速磨削磨削力预测研究

基于BP神经网络的高速磨削磨削力预测研究

基于BP神经网络的高速磨削磨削力预测研究罗宁【摘要】A prediction model of grinding force per unit area of high-speed grinding is built,using the BP neural network paring the experiments results and predicted value,this model has certain prediction accuracy,and by increasing the learning samples or a modifying network model,the prediction accuracy can be further increased.%应用BP神经网络算法建立高速磨削单位面积法向磨削力的预测模型.对比实验结果和预测值,表明该模型有一定的预测精度,通过增加学习样本或采用改进型的神经网络模型,能够进一步提高预测精度,对于高速超高速磨削研究有一定的帮助.【期刊名称】《厦门理工学院学报》【年(卷),期】2011(019)003【总页数】4页(P44-47)【关键词】高速磨削;磨削力;BP神经网络;预测【作者】罗宁【作者单位】厦门大学物理与机电工程学院,福建厦门361005;厦门理工学院机械系,福建厦门361024【正文语种】中文【中图分类】TG580.614高速磨削能够大幅度提高磨削效率,明显降低磨削力,提高零件加工精度,降低加工表面粗糙度值,提高砂轮耐用度,能对脆硬材料实现延性域磨削,对高塑性等难磨材料也有良好的磨削表现,显示出了极大的优越性[1-2].高速磨削的磨削机理不同于普通磨削,由于高速磨削实验设备装置以及实验手段的限制,实验的成本很高,如何能够降低实验成本,提供符合要求的实验数据,进行高速磨削过程的仿真和控制是必须要解决的问题.但由于在磨削加工过程中参与切削工件材料的磨粒数量众多,并且影响磨粒性能的因素相互耦合[3],一直以来,磨削加工过程的建模和仿真都是研究磨削过程的一大难题,所以到目前为止真正应用于工业中的各种计算公式大都属于经验公式,精度不是很高.随着计算机技术的不断发展,基于人工神经网络自适应性和学习能力的预测建模技术能较好地解决这个问题[3-4].在磨削研究中,磨削力反映磨削过程的基本特征,是研究磨削过程的重要参数,也是评价材料可磨削性优劣的一个重要指标,而且磨削力易于控制和测量,因此,磨削力研究有着重要的理论价值和实际意义.目前主要是通过对实验数据进行多元回归分析来预测磨削力,但精度受到回归模型的限制.本文应用BP神经网络对高速磨削单位面积法向磨削力进行了建模,并将网络训练后的输出值与实验结果进行了对比,证明了该网络模型的可行性.1 神经网络建模人工神经网络建模是一种复杂有效的建模方式,具有通过学习逼近任意非线性映射的能力,将神经网络应用于非线性系统的辨识和预测,可以不受非线性模型的限制,便于给出工程上易于实现的学习算法,即把实际系统看作是一个黑箱,仅在输入输出行为水平上认识系统,而在建模时不必了解系统内部的实际运行规律.因此,利用人工神经网络进行建模来解决高速磨削的问题是非常方便和有效的[5].只需用已有的高速磨削数据对系统进行训练,当达到给定的误差要求时,即可用该系统对高速磨削过程进行预测仿真.绝大部分的神经网络模型是采用BP网络和它的变化形式,它也是前向网络的核心,体现了人工神经网络最精华的部分,BP神经网络利用输出层的误差来估计输出层的直接前导层的误差,再利用这个误差估计更前一层的误差,如此下去,就获得了所有其它层的误差估计.这样就形成了由输出端表现出的误差沿着与输入信号相反的方向逐级向输入网络传播的过程,因此,人们将此算法称为向后传播算法.本文选择Cascade前向BP神经网络 (Cascade-forward backprop).该网络的隐含层选用正切S型神经元 (TANSIG),输出层采用了线性神经元 (PURELIN).这样的BP神经网络可以逼近任何的连续函数,如果隐含层包含足够多的神经元,它还可以逼近任何具有有限个端点的非连续函数[6].根据影响磨削力的磨削参数建立BP神经网络模型,因为影响磨削力的因素有三个:砂轮线速度vs、工作台速度vw、磨削深度ap,所以在输入层有三个神经元.隐含层单元个数的选择是一个十分复杂的问题,目前没有解析式可以计算.一般而言,精度越高,要求隐含层个数越多,但网络收敛速度越慢.综合考虑网络的性能和速度,将隐含层神神经元的个数设定为20和2.输出为单位面积法向磨削力Fn',输出层有一个神经元.根据影响磨削力的磨削参数建立的BP神经网络模型如图1所示.BP神经网络建好之后,对网络进行训练,选择动量批梯度下降函数traingdm作为训练函数,实现批处理的前馈神经网络训练算法.相比较其它训练函数,它不但具有更快的收敛速度,而且引入了一个动量项,有效地避免了局部最小问题在网络训练中的出现.2 实验数据及BP网络预测2.1 实验条件实验机床:150 m/s超高速平面磨削实验台;工件材料:45钢;砂轮型号:陶瓷结合剂CBN砂轮,标记为:∣A∣300×16×127×5 CBN80/100V200;测量仪器:YDM-III99型整体式三向压电磨削测力平台.2.2 实验方案及数据处理为了增加同其他工艺实验结果的可比性,用单位面积磨削力代替了磨削力,由实验测得法向磨削力值Fn之后,根据公式计算得出单位面积法向磨削力F'n.磨削实验中,采用了平面磨削方式及水基冷却液,顺磨时测量磨削力.具体磨削参数如表1所示.表1 磨削参数表Tab.1 Grinding parameters table工作台速度vw/(m·s-1) 4.5、9磨削深度ap/mm 0.02、0.05、0.10、0.15砂轮线速度vs/(m·s-1) 60、70、80、90、100、110、120三种参数各挑选一个进行实验,互相组合,共得到56组实验数值实验后经过计算共得到56组单位面积法向磨削力实验数据.为了提高预测精度,训练样本的数值采用各磨削参数最大或最小值时产生的实验数值,以及较均匀地间隔采用部分中间数值.本次实验中,采用40组数据对神经网络进行训练,用其余的16组进行预测检验.建好模型后,通过输入各磨削参数及相对应的单位面积法向磨削力输出数值对模型进行训练.模型经训练后,输入新的磨削参数时,可以输出预测的单位面积法向磨削力,所得的预测值和实验值对比结果如表2所示.表2 实验结果与神经网络预测结果对比表Tab.2 Comparison between experimental results and neural network predicted results样本工作台速度vw/(m·s-1)磨削深度ap/mm砂轮线速度vs/(m·s-1相对误差)实验结果F'n/(N·mm-2)预测结果F'n/(N·mm-2)/%1 4.5 0.02 70 9.49 8.813 1 7.13 2 4.5 0.05 70 10.4 9.533 6 8.33 3 4.5 0.1 70 13.04 14.520 4 11.35 4 4.5 0.15 70 13.65 14.291 2 4.7 5 4.5 0.15 80 12.74 14.095 8 10.64 6 4.50.05 90 8.34 8.954 5 7.37 7 4.5 0.1 90 11.04 11.356 2 2.86 8 4.5 0.1 110 7.81 7.083 7 9.3 9 9 0.05 70 17.04 17.812 8 4.53 10 9 0.15 70 28.37 26.458 6 6.74 11 9 0.1 80 16.69 16.481 3 1.25 12 9 0.02 906.887.217 8 4.9 13 9 0.05 90 13.94 12.547 7 10 14 9 0.1 90 15.33 14.437 9 5.82 15 9 0.1 100 12.4 11.220 4 9.51 16 9 0.05 1108.189.025 1 10.33由表2可以看出,网络预测的相对误差最大值为11.35%,最小值为1.25%,16组预测平均相对误差为7.172 5%,基本上能够反映实际值的大小,有一定的预测精度.其中,神经网络对样本数为3、5、16的样本预测值和实验结果数值相差较大,其原因除了模型本身预测精度之外,并且和训练样本有关,从预测参数可以看到,选取训练数据时此数据附近的训练数据选取较少,导致训练之后预测差别也大,如果能增加训练样本数,并且在选取训练数据时训练数据分布均匀,应该可以较好地避免此种情况的发生.另外,在进行下一轮的神经网络训练时,可以将这几组误差较大的数据加入训练数据组,将提高预测精度.如果想要获得更好的预测精度,可以采取增加学习样本的方式以及调整BP神经网络类型和参数,选用改进型的BP神经网络模型.3 结论针对高速磨削磨削力建立了BP神经网络进行预测,结果表明神经网络有较好的精度,能够达到一定的预测效果,如果能够有更多的实验组数,增加训练样本个数,调整训练数据结构或者选取改进型神经网络,BP神经网络的预测精度还可以进一步提高.这对于降低实验成本,研究高速磨削机理有很一定的帮助.[参考文献][1] 张洪波,石俊强,陈奕.超高速磨削加工及其关键技术 [J].机械工程师,2009(6):96-97.[2] 吴洪微,黄春元.超高速磨削加工的关键技术分析与展望 [J].黑龙江科技信息[J].2009(29):69-70.[3] 胡仲翔,滕家绪,钱耀川,等.用声发射信号和改进的BP神经网络预测磨削表面粗糙度 [J].装甲兵工程学院学报,2009,23(6):76-79.[4] 陆名彰,熊万里,黄红武,等.超高速磨削技术的发展及其主要相关技术 [J].湖南大学学报:自然科学版,2002,29(5):44-48.[5] 王珉,葛培琪,张磊.人工神经网络在磨削加工中的应用 [J].工具技术,2004,38(9):60-63.[6] 闻新,周露,李翔,等.Mtalab神经网络仿真与应用 [M].北京:科学出版社,2003.。

基于LSTM和BP神经网络模型的净初级生产力预测

基于LSTM和BP神经网络模型的净初级生产力预测

第13卷㊀第11期Vol.13No.11㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用IntelligentComputerandApplications㊀㊀2023年11月㊀Nov.2023㊀㊀㊀㊀㊀㊀文章编号:2095-2163(2023)11-0185-07中图分类号:TP311.13文献标志码:A基于LSTM和BP神经网络模型的净初级生产力预测于明洋,魏霖静(甘肃农业大学理学院,兰州730070)摘㊀要:为研究在气候变化与人类活动影响下植物的净初级生产率(NetPrimaryProductivity,NPP)并加以预测,以利于研究气候变化和人类活动影响下植被净初级生产力㊂为此,首先收集2001 2015年的温度㊁降水㊁NDVI㊁NPP数据,并对数据集进行预处理;进而构建起了基于时间顺序的BP神经网络预测模式和LSTM神经网络预测模式,并利用2种模式对NPP及其影响因素进行了分类与预测;最后,再将2种预测模式的实测结果加以比较㊂结果显示,BP神经网络模型在估计NPP方面的偏差,较LSTM神经网络模型更少㊂关键词:温度;降水;NDVI;净初级生产力;BP神经网络;LSTM神经网络NetPrimaryProductivitypredictionbasedonLSTMandBPneuralnetworkmodelsYUMingyang,WEILinjing(CollegeofScience,GansuAgriculturalUniversity,Lanzhou730070,China)Abstract:TostudytheNetPrimaryProductivity(NPP)ofvegetationundertheinfluenceofclimatechangeandhumanactivitiesandtopredictit,inordertofacilitatethestudyofNPPofvegetationundertheinfluenceofclimatechangeandhumanactivities,thepaperfirstcollectsthetemperature,precipitation,NDVI,andNPPdatafrom2001to2015andpreprocessesthedataset;thenthepaperconstructstheBPneuralnetworkpredictionmodelbasedontemporalorderandtheLSTMneuralnetworkpredictionmodel,andusesthetwomodelstoclassifyandpredictNPPanditsinfluencingfactors;finally,thepapercomparesthemeasuredresultsofthetwopredictionmodels.TheresultsshowthattheBPneuralnetworkmodelhaslessbiasinestimatingtheNPPthantheLSTMneuralnetworkmodel.Keywords:temperature;precipitation;NDVI;NetPrimaryProductivity;BPneuralnetwork;LSTMneuralnetwork基金项目:国家自然科学基金(62103418);中国农业科学院农业信息研究所基本科研业务费(JBYW-AII-2022-08,JBYW-AII-2022-38)㊂作者简介:于明洋(1998-),女,硕士研究生,主要研究方向:智慧农业㊂通讯作者:魏霖静(1977-),女,博士,副教授,主要研究方向:农业信息技术㊂Email:1046082231@qq.com收稿日期:2022-11-170㊀引㊀言由于工业技术的不断进步以及人类城市建设步伐的加快,人类的活动对于全球生态系统所造成的影响正日益增强,也随即导致了全球气候变暖㊁极端气象灾害频繁发生和海平面有所升高等一系列问题㊂作为人们生存和发展所依赖的系统,对气候变化这一大背景下的陆地生态系统变化进行研究已逐渐成为关注热点㊂植被是陆地生态系统的主要组成部分,在全球气候变化中起着非常重要作用㊂植被作为气候变化和人类活动最重要的影响要素之一,是人类生存离不开的物质和环境主体之一,也是链接土壤和承载水系的重要节点,因此关于植被如何响应全球气候变化也是需要研究的核心问题㊂植被生产力对人类自身的日常生活和经济发展产生着重要影响,同时也是各种人类活动中至关重要的基础资源㊂净初级总产量(NetPrimaryProductivity,NPP)是指从总产销量减去植物呼吸的需求量后剩下来的总量;也指特定时间内,经植株的组织形式或贮存产物的形态所表达而蓄积出来的有机物的总量㊂NPP是指示植被环境运动的重要因素,体现了生态稳定CO2的功能㊂NPP与异养循环速度的均衡(即净生态系统生产,NEP)则确定了是否有微生物环境中对过量大气CO2的积累,是大气环境中CO2含量季节变动的主要因素㊂通过正确地计量NPP,可以认识全球碳循环的基本过程㊂另外,NPP也是对陆地生态系统中营养物质和能源平衡运转研究的重要基础㊂除供应了水生植物本身之外,还为整个有机体生活提供了能源和物质基础,因此对陆地NPP的研究也为人们合理开采㊁使用资源提供了依据㊂植物不断进行的光合作用为生态系统的运行提供了大量的能量,对于地球上的大多数生命来说这都是不可缺少的一部分㊂至今人们对于研究陆地植被净初级生产力的变化已经有很长的时间,但是大规模的工作则于20世纪60年代开始[1]㊂上世纪七十年代中,Lieth[2]在计算时逐步构建了首个覆盖全球范围的NPP回归模型,并在此基础上模拟世界NPP的地理分布,从而给出了首张全球NPP的分布图,同时又通过大量研究证明了植被世界NPP是每年降雨量与年平均气温一致的地区函数[3]㊂植被净初级生产力是植物生态过程调控的关键指标,在碳平衡与全球变化过程中起着关键性的影响作用[4]㊂根据植被净初级生产力来确定生态系统的安全与否[5],Rashid等[6]指出,植被NPP并不只是对地区生态演变进行评价的主要指标体系,还在研究碳循环过程中贡献了关键的组成模块,同时也与研究陆地生态系统固定碳能力有关的强弱有着关系㊂研究植被净初级生产力已经成为研究气候因素和人为因素对陆地生态系统的影响中必不可少的一项内容[7-8]㊂近年来的研究表明,中国国内的专家反演出对几十种NPP的模式㊂例如,孙政国等学者[9]利用BIOME-BGC模型对中国南方不同草地类型的NPP进行了评估,发现位于南部区域的低山丘陵草地㊁常见草山草坡以及高山草甸的NPP与净生态系统生产力(NEP)的变化有着差异㊂Li等学者[10]研究了内蒙古草原植被生产力与SPEI指数之间的相关关系,发现水分对内蒙古草原生产力的变化起主要作用㊂国内研究者也通过各种手段对全国及地方的净初级生产力水平展开了深入研究,涉及Theil-SenMedian趋势分析㊁多重共线性检验㊁多元回归分析㊁残差研究和偏自相关分析等传统统计研究方法[11]㊂目前研发了CASA模型[12]㊁RBF神经网络[13]㊁Biome-BGC模型[14]㊁C-Fix模型[15]㊁MIAMI模型[16]等,这些模式都可以较为精确而详尽地说明植物发育的历程,对NPP的评价也具有很大的可信度㊂然而,这些模型无法很好地把握NPP随时间的变化特征,缺少对于其时间维度方面的分析㊂因此,需要一种捕捉其序列特征的方法来改进目前的算法,以利于更好地对NPP进行预测㊂近年来,反传播式(BackPropagation,BP)神经网络算法和长短期记忆神经网络(LongShortMemory,LSTM)已经被应用于很多领域来解决分类和预测等问题,也有很多研究者把LSTM应用于时间序列数据的预测,并且得到相比之前方法更高的准确率[17-19]㊂所以,可以采用LSTM和BP的神经网络模式,通过气温㊁雨量㊁归一化植被指数(NormalizedDifferenceVegetationIndex,NDVI)作为影响因素对NPP进行预测㊂1㊀模型原理和方法1.1㊀BP神经网络BP神经网络算法[20]是一个采用误差反传播方法进行的多层前馈网络系统,是目前使用最普遍的一种神经网络模式㊂BP网络能够用于了解并保存大规模的投入与输出模式的反映关联,并且不要求学校预先公开关于这种反映关联的数学教育过程㊂其基本方法是选择最陡峭的下降法,并采用反向方法来调控网络的权重值和阈值,从而获得最低误差平方和㊂BP神经网络方法已经应用在非线性建模㊁参数逼近㊁系统辨识等领域,且有众多研究者对其进行了改进[21-23]㊂在实际问题中,BP神经网络模型结构需由实验确定,无规律可循㊂一般情况下的神经网络都先期设置好了上网的层数,而BP网络系统也可能具有各种各样的隐层㊂理论上也已证实,在不影响隐含节点数量的情形下,对2层以上(仅有某个隐层)的BP网络,能够进行随机本构非线性映射㊂在模拟样本相比较少的情形下,较少的隐层节点也能够进行模拟样本空间的超平面分析㊂㊀㊀一个通用的BP神经网络架构如图1所示㊂这里,输入数据可以描述为X=(x1,x2, ,xn)T;进入输入层后,将其和权重向量W1=(w1,w2, ,wn)T进行位置乘积后,再通过激活函数就可以获得下一级的输入向量;隐藏层的层数t确定后,每层的输入和输出都与输入层的操作一致,但隐藏层的每一级神经元数量却可能和输入层有所不同;因此,最终将隐藏层的输出视为输出层的输入,经过权重向量的乘积后可以得到输出数据Y=(y1,y2, ,ym)T㊂整体流程可以表示为:(1)输出层yi-fnetj(),j=1,2, ,m(1)netj=ðmi=0vijxi,j=1,2, ,m(2)681智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第13卷㊀输入数据输入层隐藏层输出层输出数据Y 1Y mX 1X 2X n -1X n t 层图1㊀BP神经网络结构图Fig.1㊀Neuralnetworkstructurediagram㊀㊀(2)隐藏层Ok=fnetk(),k=1,2, ,t(3)netk=ðmj=0wjkyi,k=1,2, ,t(4)1.2㊀LSTM神经网络长短期记忆(LSTM)[24]是一款已应用在人工智能和深度学习领域的人工神经网络㊂和标准的前馈神经网络有所不同,LSTM有反馈接口㊂这样一来,循环神经网络(RNN)不但能够管理一个数据点(如图片),还能够管理一个数据序列(如话音或录像)㊂也因此,LSTM已广泛应用在非分割㊁连接的手写辨识㊁语音识别㊁机械翻译㊁机器人操控㊁视频游戏㊁和医疗保健等任务中[25-29],现已成为20世纪被引用最多的神经网络㊂LSTM的名字是指一个标准的RNN同时具有长期记忆 和 短期记忆 的比喻㊂网络中的连接权重和偏差在每级训练中改变一次,类似于突触强度的生理变化如何存储长期记忆;网络中的激活模式在每个时间步中改变一次,类似于大脑中电击模式的瞬间变化如何存储短期记忆㊂LSTM架构旨在为RNN提供一个可以持续数千时间步的短期记忆,因此是 长短期记忆[30]㊂㊀㊀一个LSTM单元由一个单元㊁一个输入门㊁一个输出门,以及一个遗忘门所构成㊂单元可以在任意的时钟间隔内的数值,通过3个门调节一个进出单位的数量㊂LSTM的基本结构如图2所显示,其整体流程可以表示为:ft=σg(Wfxt+Ufht-1+bf)(5)it=σg(Wixt+Uihi-1+bi)(6)ot=σg(Woxt+Uohi-1+bo)(7)c t=σc(Wcxt+Uchi-1+bc)(8)ct=ft☉ct-1+it☉c t(9)ht=ot☉σh(ct)(10)㊀㊀其中,Wq㊁Uq表示输入门与递归连接的权重,q可以是输入门i㊁输出门o㊁遗忘门f或记忆单元c㊂C th th t -1C t -1x tσσt a n h t a n hσσta n h 激活函数逐个元素的运算复制拼接图2㊀LSTM结构图Fig.2㊀LSTMstructurediagram㊀㊀LSTM系统适用于基于时间序列信息的分析㊁管理与估计,但在时间序列中的关键事件之间可能具有未知的滞后时间㊂原始的RNN系统在训练时,由于训练长度的增加和网络层数的增多,会产生梯度弥散爆炸或局部梯度消失的现象,使得系统无法处理更长序列信号,也因此无法得到更长距离数据的信号㊂针对这一状况,提出了后续的改进方案㊁即LSTM神经网络㊂LSTM神经网络在深入学习后可以更好地处理序列化数据分析问题,其对于发电负载㊁流量等预测都有着不错的预知效果㊂LSTM用于了解时间的中短期相关数据,因为神经网络中含有时钟记忆模块,所以适合于分析和检测时钟序列中的间隔和延迟事件[31]㊂1.3㊀激活函数激活函数的引入主要是为了提高神经网络模型的不确定性,因为没有激活函数时每层就等于矩阵的相乘㊂任何一级输入/输出都是最上层的系统的线性函数,所以不论在神经网络哪一层,输入与输出都是系统的线性组合,也都是最本原的感知机㊂通过加入激活函数,为神经元导入非线性参数,神经网络就能够逼近一个非线性函数,而这种神经网络也能够运用在多种非线性模型上㊂本文采用的激活函数有3种:ReLU㊁Sigmoid(σ)以及tanh㊂1.3.1㊀ReLU在人工神经网络的背景下,ReLU(RectifiedLinearUnit)激活函数是一个定义为其参数的正部分的激活函数㊂ReLU函数的定义公式为:f(x)=max(0,x)(11)㊀㊀其中,x是神经元的输入㊂这又被称作斜率函数,类似于电气工程中的半波整流㊂781第11期于明洋,等:基于LSTM和BP神经网络模型的净初级生产力预测该激活函数从20世纪60年代末开始出现在分层神经网络的视觉特征提取中,并有专家认为该函数有着很强的生物学动机和数学理由㊂本文分析后发现,与在2011年以前普遍采用的激活函数比较,该激活函数可以更好地使用在更深的系统,包括logisticsigmoid(受概率论启发,见logistic回归)以及要比logisticsigmoid更实际的对应函数方法㊁即双曲正切中㊂研究可知,该激活函数主要具有以下3个优点:(1)稀疏的激活㊂在一个随机初始化的系统中,有大概50%的隐藏单元被触发(有一个非零输出)㊂(2)更好的梯度传递㊂与双向饱和的正弦波激活函数一样,更少出现梯度消失问题[7]㊂(3)高效的计算㊂只有比较㊁加法和乘法㊂1.3.2㊀SigmoidSigmoid函数是一个具有"S"形特征曲线的逻辑函数,其定义为:S(x)=11+e-x=exex+1=1-S(-x)(12)㊀㊀在某些领域,特别是在人工神经网络方面, Sigmoid函数 一词被用作logistic函数的别名㊂Sigmoid函数的其他情形,包括Gompertz曲线和Ogee曲线Sigmoid函数的值域也为实数,返回值(响应)通常是单调增长的,但也可能是下降的㊂Sigmoid函数最常显示的返回值(y轴)在0到1的范围内㊂另一个常用的范围是-1到1㊂1.3.3㊀tanh在几何上,双曲函数也是普通三角函数的近似物,但用双曲线并没有相应的基本概念㊂即如点(cost,sint)构成单位半径的圆一样,点(cosht,sinht)构成单位双曲线的右半部分㊂另外,与sin(t)和cos(t)的导数分别为cos(t)和-sin(t)相似,sinh(t)和cosh(t)的导数分别为cosh(t)和+sinh(t)㊂双曲函数出现在双曲几何的角度和距离的计算中㊂同时也出现在许多线性微分方程㊁三次方程和直角坐标的拉普拉斯方程的求解中㊂拉普拉斯方程在物理学的许多领域都很重要,包括电磁理论㊁热传递㊁流体动力学和狭义相对论㊂tanh是由基础的sinh与cosh计算得来,其定义式为:tanhx=sinhxcoshx=ex-e-xex+e-x=e2x-1e2x+1(13)2㊀实证分析2.1㊀数据集来源与处理文中选取的4个数据㊁即3个相关因子:气温㊁降水㊁NDVI,以及所要预报的NPP值㊂气温和降水数据均采用了兰州市气象局资料,NDVI采用的是MOD13C2,而NPP则采用的是北纬18ʎ以北的土地生态系统,逐年净初级生产力1km的栅格数据集(1985-2015)[32]㊂选取的时间为2001年1月1日到2015年12月1日㊂在开展试验前,必须对样本进行预处理㊂此次试验,把数据集中按照8:2的标准分类成了训练集和测试集㊂将数据集中输入后,先对数值进行归一化处理,并测试是否出现了异常数值和缺失数据,上述步骤完成后才能进入下一步㊂本研究的样本集经检测均未产生异常值和缺失值,故不要求对其做幅值归一性处理㊂信息的归一化能够使各种信息的计量单位一致,而且能够增加模型的准确性㊂进行归一化分析的方法见式(5):x=xi-x-maxx()-min(x)(14)㊀㊀其中,xi为第i个变量;x-为xi的均值;max(x),min(x)分别表示xi的最大值和最小值㊂本文选取SSE㊁MSE㊁RMSE㊁MAE㊁MAPE㊁SMAPE作为2种神经网络预测模型性能的评价指标㊂其中,SSE㊁MSE㊁RMSE㊁MAE㊁MAPE㊁SMAPE的数学定义及表述详见如下㊂(1)和方差SSE(theSumofSquaresDuetoError)㊂是观测值(ObservedValues)与预测值(PredictedValues)的误差的平方和,定义公式为:SSEy,y^()=ðni=1(yi-y^i)2(15)㊀㊀(2)均方误差MSE(MeanSquaredError)㊂是观测值(ObservedValues)与预测值(PredictedValues)的差值的平方和的平均数,即SSE/n㊂MSE是误差的二次矩,是估计量的方差(Variance)及其偏差(Bias),是衡量估计量质量的指标,定义公式为:MSE(y,y^)=1nðni=1(yi-y^i)2(16)㊀㊀(3)均方根误差RMSE(RootMeanSquaredError),也称作RMSD(RootMeanSquareDeviation),是MSE的算数平方根㊂由于每个误差(EachError)对RMSD的影响与误差的平方(SquaredError)成正比,因此较大的误差会对RMSE影响过大,RMSE对异881智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第13卷㊀常值很敏感㊂其公式为:RMSEy,y^()=㊀1nðni=1(yi-y^i)2(17)㊀㊀(4)平均绝对值差MAE(MeanAbsoluteError)㊂是时间序列分析中预测误差常用的指标,由于MAE使用的是与被测数据相同的尺度(Scale),因此不能用于比较2个不同尺度的序列㊂MAE又被称为L1范数损失函数(就是可以作为损失函数),是真实数据与预测数据之差的绝对值的均值㊂定义公式为:MAEy,y^()=1nðni=1yi-y^i(18)㊀㊀(5)平均绝对值百分比误差MAPE(MeanAbsolutePercentageError),也被称为MAPD(MeanAbsolutePercentageDeviation)㊂是一种衡量预测方法的预测准确性的指标㊂MAPE在解释相对误差(RelativeError)方面非常直观,在评价模型时MAPE通常用作回归(Regression)问题的损失函数(LossFunction)㊂从定义中可以看出,在计算MAPE时如果出现一系列特别小的分母,可能会出现一些问题㊂比如分母为0的奇异点㊁较小的误差引起结果发生非常大的变化等㊂解决这个问题的替代方案是,可以将公式中的实际值,替换为该序列的所有实际值的平均值㊂这种方案等效于求绝对差的总和除以实际值的总和,也被称为加权绝对百分比误差(WAPE),或者wMAPE(WeightedMeanAbsolutePercentageError)㊂定义公式为:MAPEy,y^()=100%nðni=1yi-y^iyi(19)㊀㊀(6)对称平均绝对百分比误差SMAPE(SymmetricMeanAbsolutePercentageError)㊂实际值与预测值差值的绝对值除以实际值与预测值绝对值之和的一半㊂定义公式为:SMAPEy,y^()=100%nðni=1yi-y^iyi+y^i2(20)2.2㊀实验模型介绍本文采用BP神经网络与LSTM对于NPP数据进行预测㊂模型统一输入48天的数据作为历史信息,预测未来1天的NPP值㊂对于BP神经网络,模型设计为输入层为48个神经元;隐藏层为1层,共计4个神经元;输出层为1个神经元㊂BP神经网络采用ReLU激活函数㊂对于LSTM网络,模型设计为48个神经元;LSTM层选择1层,输出层采用48到1的线性映射,并采用sigmoid激活函数㊂LSTM层中采用ReLU与tanh激活函数㊂2.3㊀实验结果及分析考虑到深度学习模型可以无限制地迭代,就会希望在即将过拟合时,或训练效果微乎其微时停止训练,因此研究采用早停(EarlyStop)策略防止模型过拟合㊂LSTM和BP神经网络损失函数如图3所示㊂通过图3可以看出,LSTM神经网络模型和BP神经网络模型的损失函数在迭代20次后达到最小值㊂4.54.03.53.02.52.01.51.002.55.07.510.012.515.017.5(a)LSTM训练集集损失函数02.55.07.510.012.515.017.51.21.00.80.60.4(b)LSTM测试集损失函数02.55.07.510.012.515.017.53.53.02.52.01.51.0(c)BP神经网络训练集损失函数02.55.07.510.012.515.017.51.41.21.00.80.60.4(d)BP神经网络测试集损失函数图3㊀LSTM和BP神经网络损失函数Fig.3㊀LossfunctionsofLSTMandBPneuralnetwork981第11期于明洋,等:基于LSTM和BP神经网络模型的净初级生产力预测㊀㊀LSTM和BP神经网络在测试集上的预测值如图4所示㊂由图4可以发现,BP㊁LSTM等神经网络预测模型的预测结果与NPP的实际走向情况大体相符,误差也较小;而且很明显地,BP神经网络的拟合能力更佳㊂由图4还会发现BP神经网络预测模型的预测值与NPP实际数值最为符合的,而且预测值与NPP实际数值之间的偏差也很小㊂预测值目标值2.52.01.51.00.50-0.5-1.0N P P 051015202530时间(a)LSTM神经网络预测值目标值2.52.01.51.00.50-0.5-1.0N P P51015202530时间(b)BP神经网络图4㊀LSTM和BP神经网络在测试集上的预测值Fig.4㊀PredictedvaluesofLSTMandBPneuralnetworksonthetestset㊀㊀BP神经网络和LSTM神经网络评价指标结果值见表1㊂由表1可以看出,BP神经网络模型所预测的SSE㊁MSE㊁RMSE㊁MAE㊁MAPE㊁SMAPE等的数据,显然都要比LSTM的神经网络模型的小,大小依次836.058㊁24.59㊁4.95883㊁2.75598㊁0.2186㊁0.15219,说明了BP神经网络的预测结果比较精确,并由此再次表明了BP神经网络对该数据的检测结果,相比于LSTM神经网络要更佳㊂表1㊀BP神经网络和LSTM神经网络评价指标Tab.1㊀EvaluationmetricsofBPneuralnetworkandLSTMneuralnetworkSSEMSERMSEMAEMAPESMAPELSTM1070.77031.49335.611883.418990.201890.13384BP836.05824.59004.958832.755980.218600.152193㊀结束语全球气候变化逐渐影响到生态系统的平和稳定,这一现象已日渐成为各学科进行学术研究的重要背景㊂通过研究温度㊁降水㊁NDVI来预测兰州市NPP,能为全球气候变化及环境保护提供重要依据㊂本文采用BP算法和LSTM算法,对NPP进行预测㊂通过对历史数据进行归一化处理后,再比较5种数据的预期结果,从预测结果图的前5种预测指标来看,BP神经网络的预期结果相比于LSTM神经网络更为出色,其SSE能够达到836左右㊂未来相关研究可以考虑将基于统计学的时间序列预测方法与深度学习方法相结合,从而更好地提取NPP序列数据中的相关特征,并对其进行预测㊂参考文献[1]俞静芳.基于CASA模型的浙江省植被净初级生产力估算[D].杭州:浙江农林大学,2012.[2]LIETHH.Primaryproduction:Terrestrialecosystems[J].1973,1(4):303-332.[3]LIETHH.Modelingtheprimaryproductivityoftheworld[J].PrimaryProductivityoftheBiosphere,HumanEcology,1975,13:125-130.[4]宗玮,林文鹏,周云轩,等.基于遥感的上海崇明东滩湿地典型植被净初级生产力估算[J].长江流域资源与环境,2011,20(11):1355-1360.[5]朱文泉,陈云浩,徐丹,等.陆地植被净初级生产力计算模型研究进展[J].生态学杂志,2005,24(3):296-300.[6]RASHIDR,ZHAOF,deJONGR,etal.GlobalandregionalvariabilityandchangeinterrestrialecosystemsnetprimaryproductionandNDVI:Amodel-datacomparison[J].RemoteSensing,2016,8(3):177.[7]张凤英,张增信,田佳西,等.长江流域森林NPP模拟及其对气候变化的响应[J].南京林业大学学报(自然科学版),2021,45(1):175-181.[8]ZHANGF,ZHANGZ,KONGR,etal.ChangesinforestnetprimaryproductivityintheYangtzeRiverbasinanditsrelationshipwithclimatechangeandhumanactivities[J].RemoteSensing,2019,11(12):1451.[9]孙政国,陈奕兆,居为民,等.我国南方不同类型草地生产力及对气候变化的响应[J].长江流域资源与环境,2015,24(4):609-616.[10]LIChunlan,WALTERLF,YINJie,etal.Assessingvegetationresponsetomulti-time-scaledroughtacrossinnermongoliaplateau[J].JournalofCleanerProduction,2018,179:210-216.[11]徐勇,郑志威,戴强玉,等.顾及时滞效应的西南地区植被NPP变化归因分析[J].农业工程学报,2022,38(9):297-305.[12]杨丹,王晓峰.黄土高原气候和人类活动对植被NPP变化的影响[J].干旱区研究,2022,39(2):584-593.[13]张黎明,蔡琦,宋梅村.基于RBF神经网络的NPP运行状态趋势预测[J].原子能科学技术,2013(11):2103-2107.[14]韩红珠.黄土高原植被物候和净初级生产力(NPP)的关系及其对气候变化的响应[D].西安:陕西师范大学,2020.091智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第13卷㊀[15]杨晶.大沾河自然保护区红松与落叶松NPP变化趋势与其树轮年表间相关研究[D].哈尔滨:哈尔滨师范大学,2019.[16]刘智勇,张鑫,周平.广东省未来温度㊁降水及陆地生态系统NPP预测分析[J].广东林业科技,2011,27(1):59-65.[17]KAREVANZ,JAKS.TransductiveLSTMfortime-seriesprediction:Anapplicationtoweatherforecasting[J].NeuralNetworks,2020,125:1-9.[18]GERSFA,ECKD,SCHMIDHUBErJ.ApplyingLSTMtotimeseriespredictablethroughtime-windowapproaches[C]//ProceedingsofICANN2001InternationalConferenceonArtificialNeuralNetworks.Berlin/Heidelberg:Springer,2001:669-676.[19]YADAVA,JHACK,SHARANA.OptimizingLSTMfortimeseriespredictioninIndianstockmarket[J].ProcediaComputerScience,2020,167:2091-2100.[20]YALNME,TUBAA,RAMAZANY.Artificialneuralnetworkmodels[EB/OL].[2002-11-23].https://doi.org/10.1046/j.1469-0705.1999.13010017.x.[21]周永进.BP网络的改进及其应用[D].南京:南京信息工程大学,2007.[22]黄庆斌.BP算法的改进及其应用研究[D].成都:西南交通大学,2010.[23]刘天舒.BP神经网络的改进研究及应用[D].哈尔滨:东北农业大学,2011.[24]HOCHREITERS,SCHMIDHUBERJ.Longshort-termmemory[J].NeuralComputation,1997,9(8):1735-1780.[25]SCHMIDHUBERJ,BLOGA.The2010s:ourdecadeofdeeplearning/outlookonthe2020s[EB/OL].[2020].http://people.idsia.ch/ juergen/2010s-our-decade-of-deep-learning.html..[26]GRAVESA,LIWICKIM,FERNANDEZS,etal.Anovelconnectionistsystemforunconstrainedhandwritingrecognition[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2018,31(5):855-868.[27]MAYERH,GOMEZF,WIERSTRAD,etal.ASystemforRoboticHeartSurgerythatLearnstoTieKnotsUsingRecurrentNeuralNetworks[J].AdvancedRobotics,2008,22(13-14):1521-1537.[28]LIXiangang,WUXihong.Constructinglongshort-termmemorybaseddeeprecurrentneuralnetworksforlargevocabularyspeechrecognition[J].arXivpreprintarXiv:1410.4281v2,2015.[29]WUYonghui,SCHUSTERM,CHENZhifeng,etal.Google'sneuralmachinetranslationsystem:Bridgingthegapbetweenhumanandmachinetranslation[J].arXivpreprintarXiv:1609.08144,2016.[30]ELMANJ.Findingstructureintime-cognitivescience[J].CognitiveScience,1990,14(2):179-211.[31]陆泽楠,商玉林.基于LSTM神经网络模型的钢铁价格预测[J].科技视界,2017(13):116-117.[32]陈鹏飞.北纬18ʎ以北中国陆地生态系统逐月净初级生产力1公里栅格数据集(1985-2015)[J].全球变化数据学报(中英文),2019(1):16.191第11期于明洋,等:基于LSTM和BP神经网络模型的净初级生产力预测。

基于BP神经网络的槽类特征铣削加工方案决策和刀具优选

基于BP神经网络的槽类特征铣削加工方案决策和刀具优选

基于BP神经网络的槽类特征铣削加工方案决策和刀具优选钟君焐;邓朝晖;石洋东;刘伟【摘要】为实现CAPP系统中零件特征加工方法的智能决策,完成加工结果相互关联的特征加工方案选择,利用BP神经网络算法对槽类特征加工方法和刀具选择进行智能决策,建立了从输入到输出的网络决策模型,并对网络结构、参数确定问题进行阐述.通过正交表选取试验样本,运用带有自适应lr的梯度下降算法来训练网络,最后通过实例验证了该网络的有效性.结果表明,利用BP神经网络进行零件加工方法的选择和刀具优选是可行且有效的.【期刊名称】《机械制造与自动化》【年(卷),期】2019(048)003【总页数】5页(P51-55)【关键词】槽特征加工;BP神经网络;正交试验;加工方案;刀具选择【作者】钟君焐;邓朝晖;石洋东;刘伟【作者单位】湖南科技大学难加工材料高效精密加工湖南省重点实验室,湖南湘潭411201;湖南科技大学智能制造研究院,湖南湘潭411201;湖南科技大学难加工材料高效精密加工湖南省重点实验室,湖南湘潭411201;湖南科技大学智能制造研究院,湖南湘潭411201;湖南科技大学难加工材料高效精密加工湖南省重点实验室,湖南湘潭411201;湖南科技大学智能制造研究院,湖南湘潭411201;湖南科技大学难加工材料高效精密加工湖南省重点实验室,湖南湘潭411201;湖南科技大学智能制造研究院,湖南湘潭411201【正文语种】中文【中图分类】TP391.70 引言CAPP系统作为连接CAD与CAM的重要桥梁,随着企业对信息化、智能化制造的要求不断提高,其在生产中也扮演着越来越重要的角色[1]。

零件特征加工方案作为CAPP系统的重要一环,目前主要通过两种方式获取:1) 为每个特征选定一个独立的最优加工方案,通过工序的优化排序整合所有特征的加工工步。

但因该最优加工方案仅针对单个特征的加工,未能从整体考虑零件工艺路线的规划,也未考虑加工干涉等问题,难以保证零件工序排序的最优性[2];2) 为每个特征产生多个典型方案的加工方案集合,在工艺路线规划时根据一定的工艺规则或加工经济性原则从中选取其一,但也难以保证特征加工方案的最优工艺计划一定存在于这些典型加工方案中[3]。

基于回归模型与BP神经网络的我国房价与泡沫预测

基于回归模型与BP神经网络的我国房价与泡沫预测

基于回归模型与BP神经网络的我国房价与泡沫预测对于我国房地产市场日益火热的现象以及潜在的泡沫威胁,建立了一种新的预测分析模型。

将回归模型与BP神经网络算法相结合,将时间序列分解为长期趋势与残差,分别进行预测。

选取了我国2002年1月至2017年9月的平均房价以及主要影响因素作为实验数据,对房价进行预测,并对泡沫进行量化研究。

研究结论给出了房地产价格与泡沫的发展趋势,并提出了监测与抑制泡沫的有效手段。

对我国房地产市场健康稳定发展具有一定意义。

标签:房价;房地产泡沫;多元线性回归;BP神经网络;预测分析引言房地产泡沫现象主要指的是土地价格和房产价格上升到极端的高位,与房产的使用价值不符。

近年来,房价不断上涨。

国家为控制房价,先后在2010年与2015年出台了限购令与“去库存”政策,然而并未取得很好的效果。

在三四线城市供远大于需,在一二线城市市场火爆一房难求。

在此背景下,房地产市场可能形成泡沫,存在较高的金融风险。

[1][2]因此,对房价的发展趋势与房地产泡沫的评估具有重要的现实意义。

以往学者如张玉双[3]、骆永民[4]等对房价泡沫的预测研究通常使用回归模型或者时间序列模型。

基于所获得的经济数据,所建模型一般会存在异方差、自相关等违反经典假设的问题。

且大多数情况下使用普通手段难以消除。

針对此问题,本文提出一种新方法,即将原始时间序列数据进行分解,综合采用多元回归模型与BP神经网络算法分别对趋势和残差序列进行预测。

从而弥补了传统回归模型过于依赖经典假设的缺点。

1、数据收集与处理本文根据数据的可获得性与连续性,选取了房地产投资额累计同比增速/GDP累计同比增速(X1)、房地产销售总额/GDP(X2)、房地产开发贷款/房地产开发资金(X3)、房价上涨率(X4)与房价收入比(X5)这五个宏观经济指标作为影响房价与泡沫的因素,并以全国平均房价为因变量(Y),如图1所示。

本文选取2002年1月至2017年9月总共189个月的月度数据作为分析样本。

基于BP神经网络和多元回归的边坡稳定性预测研究

基于BP神经网络和多元回归的边坡稳定性预测研究

基于BP神经网络和多元回归的边坡稳定性预测研究郭华; 王建平【期刊名称】《《低温建筑技术》》【年(卷),期】2019(041)009【总页数】4页(P110-113)【关键词】BP神经网络; 多元回归; 边坡稳定性预测; 安全系数【作者】郭华; 王建平【作者单位】张家口市京新高速公路管理处张家口 075000【正文语种】中文【中图分类】TU4320 引言边坡失稳是一种复杂的地质现象,也一直都是各个国家不得不面对的自然灾害。

它包括坡面冲刷、溜坍、滑坡、滑塌、崩塌落石等等一系列病害类型[1]。

相关的研究资料表明,世界各地每年都会出现大量的边坡失稳灾害,造成的经济损失高达数亿美元。

因而,如何进行边坡的失稳预测,进而防止边坡的失稳破坏,需要广大科技工作者和工程技术人员进一步深入研究。

目前的研究中,对于边坡稳定性的评估方法及失稳预测方法主要包括定性分析法和定量分析法两类,定性分析法主要是根据影响边坡稳定的各种因素,结合原有的工程经验,快速地对边坡的稳定性情况进行预测评估;定量分析方法中又包括确定性分析和不确定性分析,例如极限平衡法和数值分析法就属于确定性分析,例如神经网络、模糊综合评判法等,这类方法会综合考虑各种不确定性因素,计算结果的精度准确,应用也越来越广泛[2]。

赵尚毅,郑颖人[3]等运用有限元法强度折减法求算边坡的安全系数;这些方法均为边坡的失稳破坏分析、预测奠定了基础。

然而,边坡岩土体的构成十分的复杂,边坡在受到外部作用的情况下,发生各种破坏失稳的现象多变,其中既有确定性因素,更多的属于定性的或者非线性的问题。

因此,对于边坡的稳定性分析,尤其是预测分析时,需要选用能够处理非线性问题和定性问题的方法或模型。

而BP神经网络就具有这方面的处理能力,适合应用于边坡稳定性分析的研究中。

考虑到边坡稳定性分析的随机性与全局性,运用统计学中的多元线性回归预测方法估算边坡的安全系数。

文中将基于多元回归原理和BP人工神经网络原理,建立相应的预测模型,对公路边坡的稳定性进行预测分析。

用BP神经网络预测数控铣削变形

用BP神经网络预测数控铣削变形

形量 之 间存 在 高度 的非 线 性 , 难 用 与 实验 结 果 相 吻 很 合 的理论公 式来 表 示 。近 年 来 , 工 神 经 网络 理 论研 人
要是铣 削变形) 使得加 工零件 的精 度得 不到保 障。 , 引起薄壁件发生变形的因素很多 , 如铣削力引起变形 , 铣 削热引起 变形 , 毛坯残 余应 力 因铣 削力 、 热作 用重 新 分布引起变形 , 夹紧力大小及位置引起变形等。但是,
唐 东 红① ② 孙 厚 芳① 王 洪艳 ②
( ①北京理工大学机械与车辆工程学院, 北京 10 8 ; 00 1 ②装 甲兵工程学院机械工程系, 北京 10 7 ) 0 02
摘 要 : 削变 形 问题 一直是 影 响薄壁件 J - 精度 的瓶 颈 问题 。 由于 引起铣 削 变 形 的 因素较 多以及 铣 削过 铣 jr  ̄ 程本 身 的复杂 性 。 使得 铣 削参数 与变 形量 之 间的关 系很难 用准确 的解 析式来 表示 。 因此 借助神 经 网 络 的非 线性映 射能 力 。 立 了变 形量 与铣 削参数 之 间 的非 线性 映 射模 型 。结 果显 示 : 建 立的 神经 建 所
网络模 型具有 较高 的精度 和 良好 的 泛化能 力。该 研究 为进 一步 的铣 削参数优 化提 供 了保障 。
关键 词 : 削变 形 铣 B P神经 网络 变形 预测
Min f ma in F r c s t u a e wor l g Deor t o e a twi BP Ne r l t k l i o h N
现 代航 空 、 天 、 航 兵器 等 国防工业 领域 的高 性能零 件 广泛 采用 复杂 薄壁 结 构 , 精 度要 求 越来 越高 。但 其 由于该 类零 件 刚性 差 , 加 工 中很 容 易 产 生 变 形 ( 在 主

应用BP神经网络和多重线性回归模型预测颅内出血患者住院天数

应用BP神经网络和多重线性回归模型预测颅内出血患者住院天数

应用BP神经网络和多重线性回归模型预测颅内出血患者住院天数伍刚;许国宇;白颖;周青;刘策;常鹏飞;安沂华【摘要】目的研究BP神经网络模型与多重线性回归模型对颅内出血患者住院天数的预测性能. 方法回顾中国人民解放军第309医院2011-01~2014-05入院患者诊断为颅内出血的病例资料. 应用SPSS 19. 0实现BP神经网络模型和多重线性回归模型对住院天数进行预测分析. 应用R、R2、调整R2、标准误差和平均相对误差作为评价指标对两模型的预测结果进行比较,得出各模型的预测效果. 结果 BP 神经网络模型预测住院天数的R2 =0. 484,调整R2 =0. 483;多重线性回归模型预测住院天数的R2 =0. 467,调整 R2 =0. 460. 二者预测结果相比较,BP 神经网络模型具有优势(t =4. 099,P <0. 001).BP神经网络和多重线性回归预测住院天数的标准误差分别为7. 188和7. 389;平均相对误差分别为36. 810%和37. 101%.结论本研究中BP神经网络模型的预测性能优于多重线性回归模型,对颅内出血临床路径制定有参考价值.【期刊名称】《山西医科大学学报》【年(卷),期】2015(046)010【总页数】4页(P1007-1010)【关键词】颅内出血;BP神经网络;多重线性回归;数学模型【作者】伍刚;许国宇;白颖;周青;刘策;常鹏飞;安沂华【作者单位】中国人民解放军第309医院细胞治疗病房,北京 100091;中国人民解放军第309医院放射科;中国人民解放军第309医院细胞治疗病房,北京 100091;中国人民解放军第309医院神经外科;中国人民解放军第309医院神经外科;中国人民解放军第309医院神经外科;中国人民解放军第309医院细胞治疗病房,北京100091【正文语种】中文【中图分类】医药卫生山西医科大一学学报, 2015 年 10 月,第 46 卷第 10 期应用 BP神经网络和多重线性回归模型预测颅内出血患者住院天数伍刚房,北 j奠chaung@· 1007 .,许国宇 2 ,白颖‘ ,周青 3 ,刘策 3 ,常鹏飞 3* ,安沂华 1 (‘L1凶人民解放军第 309 医院细胞治疗病 100091 ;:中1 日人K 解放 '鼍:第 309 医院放射科;‘中1 日人民解放军第 309 医院神经外科;‘通讯作着,E-mail:p(JIlgfri_摘要:目的研究 BP 神经网络模型与多重线性川归模型对颅内出IfI 【患者住院天数n勺预测. h 能,方法…顺中罔人民解放军第309 医院2011 -Ol~2014-0-5人院患者诊断为颅内…血的病例资料应用 SPSS19.0 实现BP 神经网络模刊和多垂线性回” 1模型对住院天数进行预测分析嘘Ⅲ 尺、月二、凋整 R- 、标准误差和平均相对误差作为评价指标对两模型的预测结果进行比较,得出各模掣的预测效果结果 BP 神经网络模型预测住院天数的月二=0.484 ,调整腰 =0.483 ;多重线性回归模型预测住院天数的∥ =0.467 ,调整 R二 =0.460 ,,二行颅测结果相比较, BP 神经网络模型具钉优势(f=4.099 . P<O . O01) BP神经网络干¨ 多重线性回归预测住院天数的标准误差分别为7.188 和 7.389 ;平均相刈误差分别为36.810ck.和 37.101c/c.结论本研究t{-BP 神经网络模J魁的预测性能优于多重线性旧归模型,对颅内出血临『禾路径制定有参考价值.,关键词:颅I) 、j…皿; I{I)神经网络;多弧线性叫Ⅱ I;数‘ ’ # 模型中图分类号: l{743.34文献标志码: ^ 文章编号:1007-661l(2015)l()-ltX)7 -()4DOI:I().13753/j.is.in . I(X)7- 6611.2015.1f). 014 Comparison of BPneuralnetworkversusmultiplelinearregressionmodelin predictingthehospitalizedstayin patientswith intracerebralhemorrhageⅦLl(;alig'. \Li(;ut, 、tl:, 13AI Yillgl.7.H()L/ QiIl91,I.Il.Ce".(:HAN(;l'r"gfrj3',AN YihUd('Departmentq[CeH TransplanWi"n.309ihHo.ynlal u[Chim'^ePL4. thljingl00091, Chiim;'Ihlmrlnwrit t 谚R"diology,309thHos/iittilnfChriWSC PH; 'Deparlrm-mufA:eur"snrr_.ery.309th H,,spittnt 巧 c:hi,w."p|A; 'Cf,}rr'.y,mtdingttuth"r,E-mad:peng/eijhaung@iI63.c'run) Abstract: Ol)jettii:e'rc,c'c)J.l|1PvnIuctJf l)ac-kl)n)l)araljoji(BP) iieuralnetworkvel'sUsinL小i 叫‘ . liiiearret:wssicmlbrl)wdic:lirig tIltlll州l,iHlizcil.-lay i" l,ati,-ms w MethotAClinic_alllalal)f.[,atirntswilh ICHwerec-ollec-tetlin 309thHc,tl}iLilcil(:lcillt- 、tI'I.一、fn, lziiiua02011 “'May2014. SPSS19.0 soflware wasaPIJliffilItJaiiLilyzethe lengih uf Ims[}italiZdtionl)rr{lim .【 rtIl,\131'JIt.¨ralJirtw,,rkarul Illuliil)lrlinear rrgwssion. R.R-,adjusirclR'.standardc'rml'amla\rragerelati\wem,J'"rreusnlin rvaluationuf ll1 ‘ lⅥ‘Jmu~lrls. Rf-.UdtS PrccIiL-ciwvalues f"J clieIiospitalizedSldywereR-=0.484dndadjustedR-=0.483l,yBP lI “ uralcwc,rk.aj 川lR:=0.467amladjusicdR- =0.460nl1.inuIli|)IPlif1 ‘ 、arrep;ressi"n.'rHIIiUiIlg~,erit,rmamttlf13P neuralllt- 卜 l,lr Iinc-arirgwssic," (t = 4.099,P<0.001). Tlie sUndanlt-lI 、,rwas7. 188for BPneUJ-al nrlworkaIl(l alltIthc-au'ragrn-lalivr rrn)rwas36.810c/eaml37.101%.…sI'rc“ ivcly. Cont-lu.,ion 'r~ J-al llctwork is lwcce,rihan tlialof niiiltiI)lPlinvar re}grrssi"ns.aIl||ithas areferenrr?val f"r tIlPc-IJni- Keywords:i mmrmi-rc-l,rallu-Jmjl'rliad-; Bl'LII'aJ Ju-iuork; rnulciplrli"rar n-gwssi"n; niathrmaln-almc"lel近年脑 m 管疾病已经成为严重威胁我圈城镇人口 t 命健康的主要病冈之. 1 流行病学调查泣示,我国每年颅内出i 发病率高达 77.1110 万人,高于欧荚等发达旧家引颅内“ {血给患者、家庭和社会带来巨大经济压力和负担,临床路径实施是公认的能够提高疾病治疗效率的临床手段3 .,住院天数是制定临床路径的重要客观指标i3i 分析住院天数的相关影响因素对制定颅内出m 诊疗流程有重要意义由于住院天数在数据分布』:往往不是正态分布,因此应用传统统 i} .学力法分析较为繁琐。

基于多元线性回归和BP神经网络的单井能力预测

基于多元线性回归和BP神经网络的单井能力预测

基于多元线性回归和BP神经网络的单井能力预测佟秀秀; 康志宏【期刊名称】《《科学技术与工程》》【年(卷),期】2019(019)029【总页数】7页(P96-102)【关键词】日产油水平; 地震属性; 相关性分析; BP神经网络; 多元线性回归【作者】佟秀秀; 康志宏【作者单位】中国地质大学(北京)能源学院北京100083【正文语种】中文【中图分类】TE344塔里木盆地北部塔河油田是中国最大的海相碳酸盐岩缝洞型油气藏,总面积约1 800 km2[1],生油层位主要包括三叠系、石炭系、泥盆系以及奥陶系,其中主要生产层段是埋深5 500 m以上的奥陶系地层[2,3],其油气产量约占总产量的73%[4]。

塔河奥陶系油藏经历了加里东期、海西期以及印支-燕山期等多期构造运动,受风化剥蚀和表生岩溶作用的影响,形成了独特的奥陶系碳酸盐岩岩溶缝洞体储层,该类储集体类型以溶洞和溶蚀孔为主,发育不规则,非均质性十分严重。

由于缝洞储集体非均质性十分严重,分布规律不明,给塔河油田高效开发和提高采收率带来很大困难,目前油田开发钻井见产率低(低于70%)、产量递减快(初期自然递减率38%以上)、一次采收率低(11%左右)[4]。

在大量单井产能与地震、地质定量关系的统计基础上,建立一套岩溶油藏单井油气产能预测模型,形成一套适合岩溶缝洞储集体的开发潜力预测方法,对塔河油田碳酸盐岩油藏开发潜力的进一步挖潜以及开发效果和采收率的进一步提高,具有较大的经济效益和社会效益,对于油气发展战略具有重大的意义。

传统的产能公式无法对碳酸盐岩岩溶型储层进行产能预测[5],前人研究得到的产能预测模型的方法和手段,多适用于碎屑岩储层,岩溶型储层则无法应用[6—9]。

目前对岩溶型油藏单井能力的研究多局限在地震属性特征与单井产能定性的描述或表征[10—12],缺少地震属性特征与单井产能的定量化表征,地质控因、地震属性、储集体类型及发育程度与动态特征指标缺乏相关性,同时在不同的地质控因下,有利的地质地震属性特征可能不同,笼统统计会产生一定误差。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

为理 论 模 型 、经 验 模 型 、机 械 力 学 模 型 、 有 限 元
模型 和 神 经 网络 模 型 等 。但 是 文 献 [ 3 1 在 将 理 论 分
析 与 经验 相 结合 的 基 础 上 ,建 立 了统 一 的 切 削 力
归理 论 对 实 验 数 据 进 行去 异 常 点 处理 ,然 后将 未
D o i :1 0 . 3 9 6 9 / J . i s s n . 1 0 0 9 -0 1 3 4 . 2 0 1 3 . 0 9 ( 下) . 2 9
0 引言
建 立铣 削 力模 型 ,合 理 控 制 铣 削 加工 中零 件
的加 工 误 差 、刀 具 磨 损 、 刀具 断 裂 和 机 床振 动 , 对 于 优 化 加 工 参 数 , 保 证 零件 加 工 质 量具 有重 要
基于多元线性 回归和B P 神经 网络铣削 力的预测
The pr edi ct i on of mi l l i ng f or ce based on l i n ear r egr ess i on and BP n eu r al net w or k
胡 艳娟 ,王 占礼 ,朱 丹
H U Y a n  ̄ u a n 。V v AN G Z h a n . ¨ . Z HU D a n
( 长春 工业大学 机电工程学院,长春 1 3 0 0 1 2 ) 摘 要 : 分 别建立线性回归铣削力预测 模型和B P 神经网络铣削力预 测模型 ,对铣削力进行预测 , 获 得 预测值与 实验值的拟合 曲线 ,然后通过 线性回 归理 论对实验采集 的铣 削力数据进 行去除异常 数据点 ,再将实验数 据放入B P 神经网络预 测模型中进行训 I 练及铣 削力的预 测 ,获取预测值与 实验值的拟合 曲线 ,结果表明B P 神经 网络 铣削力预测模型更适合 ,并通过线性回归理论去 除 异常点后的数据 , 使得B P 神经网络预测值更加的准确 。 关键词 :多元线性回归 ;B P 神经网络 ;铣削力 中圈分类号 :T G 5 0 1 . 3 文献标识码 :A 文章编号 :1 0 0 9 —0 1 3 4 ( 2 0 1 3 ) 0 9 ( 下) -0 0 9 6 -0 4
去除 异 常 点 的 试 验数 据 和 去 除 异 常 点 的试 验 数 据 分 别 导 入 多元 线 性 回 归预 测 模型 和BP 神 经 网络 预 测模 型 中 ,再 将 所 得 铣 削 力 的预 测 值 与 实验 值 分
别进 行拟合 对 比 。
模 型 ,使 得 这 样 的 切 削 力 模 型 比单 独 的理 论 模 型
1 多元线性 回归预测模 型的建立
回 归 分析 是 一 种 用 来 分 析 多 因素数 据 的 统 计
技 术 。使 用这 种 技 术 的关 系, 可 以建 立一 个 因 变量 和一 组 独 立 的变 量 。 对于 标 准 的 一 般 线性 多 元 回
归表 达式为 :
成许 多切 削微 元 ,通 过计 算 参 与 切 削 的所 有切 削
x = 1 Fra bibliotek1 X 2 l
种 简 单 通 用 的 铣 削 力神 经 网络 模 型 , 可 用于 在 线


Xn 2 … X
收稿 日期:2 0 1 3 - 0 1 -1 6 基 金项 目:吉林省 自然科学基金项 目:基于虚拟现实的数控车削加工精度预测技术研究 ( 2 0 1 2 1 5 1 2 9 ) 作青简 介:胡艳娟 ( 1 9 8 0一),女 ,吉林通榆人,讲 师,博士 ,主要从事数字制造方向的研究 。
的意 义 。 因此 很 多 学 者 不断 地 对 吸 削 加 工过 程 中 产生 的 铣 削 力进 行 研 引 。切 削 力 模型 主 要 可分
预 测 平 均 铣 削 力 。神 经 网络 就 像 是一 个 黑 盒 子 ,
将 影 响 因 素 作为 输 入 量 就 会 获 得 想要 的输 出量 。 多元 回归 分 析是 一 种 最 广 泛 使 用 的统 计 技 术 ,常 用 来 分析 多因 素数 据 。使 用 这 种技 术 , 可 以建 立 多 组 独 立 的变 量 和 一 个 因变 量 之 间 的关 系 。因 此 多 元 回归分 析得 到不 同的应 用[ 1 1 , 1 2 ] 0 本 文 通 过建 立 多元 线性 回 归预 测模 型 和BP 神 经 网络 预 测 模 型u , 预 测铣 削力 ,再 通 过线 性 回
微 元 的 切 削 力矢 量 和 获得 总 的 切 削力 。文 献 [ 5 】 通 过 简化 等效 切 削 层 ,采 用直 角切 削 有 限 元模 型 简 化 直 齿 铣 削 过 程 ,经 模 拟 得 到 铣 削 力 。这 样 在 一
Y=p 0 +p l x I +I  ̄ - 2 X 2 +… + p P +£



f 1 )
1 3 。
定 程 度 上 使 得 建立 切 削 力模 型 简单 了 ,但 还 是 不
能达 到 人们 想要 的程度 。

B 1 3 = :
- J 肿 d

X1 2… X2 2…
随 着 神 经 网络 理 论 的 出现 和不 断 完善 ,学 者
或 单 独经 验 模 型 更 好 。可 是在 建 立 模 型 时 自变 量
因 素不 能 过 多 ,不 同 的 铣 削力 加 工 要 求 建 立 符合
各 自特 点 的模 型 ,计 算 过程 也 比较 复 杂 ,所 以这 类 经验 公 式 的通 用 性 受 到 一定 限 制 。随 后机 械 力 学模 型 和 有 限 元模 型 先 后 出现 ,文 献 【 4 】 针 对 铣 刀 刀 刃 复杂 情 况 ,将 铣 刀 的切 削 刃沿 轴 向 方 向划 分

们 开 始 注 意 并 将 其 引 用 在 切 削 力 的 建 模 和 预 测 上 。S u t h e r l a n d ( 1 8 6 4 ) 和De Vo r ( 1 9 8 6 ) 等 人将 神经 网 络 理论 应 用到 工 业制 造 上 叫】 。文 献 [ 1 0 】 提 出了一
相关文档
最新文档