我國是一個(gè)農(nóng)業(yè)大國,農(nóng)業(yè)是國民經(jīng)濟(jì)的支柱。眾所周知,農(nóng)業(yè)生產(chǎn)系統(tǒng)是一個(gè)復(fù)雜的系統(tǒng),具有高度的不確定性,這些不確定性包括地力等級(jí)、氣候及田間管理等諸多因素,給玉米產(chǎn)量的預(yù)測帶來了困難。玉米是東北地區(qū)的主要種植在整個(gè)糧食生產(chǎn)中地位十分重要。近幾年,受氣候變化影響,吉林省極端天氣事件明顯增多,氣象災(zāi)害發(fā)生較多,特別是干旱、冰雹、洪澇等自然災(zāi)害較常年增多,給農(nóng)業(yè)生產(chǎn)造成了一定的影響。有研究表明,影響玉米產(chǎn)量的主要?dú)庀笠蛩鼐桶ń邓⑷照�、溫度等氣候條件。而這些氣象條件也很大程度上決定了玉米的產(chǎn)量。本文以這一現(xiàn)狀為基礎(chǔ),利用吉林省前郭、四平、長春、延吉、臨江5個(gè)氣象站1988²017年的平均溫度、降水量、日照時(shí)長信息,以及化肥中氮磷鉀元素含量、當(dāng)年受災(zāi)面積、農(nóng)業(yè)用電量、農(nóng)用機(jī)械總動(dòng)力、有效灌溉面積等數(shù)據(jù)信息,以及1988²017的玉米產(chǎn)量與種植面積數(shù)據(jù),針對(duì)氣象情況對(duì)玉米產(chǎn)量的影響進(jìn)行研究,通過神經(jīng)網(wǎng)絡(luò)建模分析研究各個(gè)影響因素與產(chǎn)量之間的關(guān)系,構(gòu)建玉米產(chǎn)量預(yù)測模型,為玉米產(chǎn)量預(yù)測提供理論依據(jù)。論文主要研究內(nèi)容如下:（1）數(shù)據(jù)采集。使用基于nodejs的... 

【文章來源】：吉林農(nóng)業(yè)大學(xué)吉林省

【文章頁數(shù)】：43 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

神經(jīng)元模型

圖2.1神經(jīng)元模型上圖中,左側(cè)代表神經(jīng)元的輸入端；{x1,x2,…xm}表示共有m個(gè)數(shù)據(jù)項(xiàng)輸入進(jìn)了神經(jīng)元中；神經(jīng)元j連接與輸入信號(hào)xi的權(quán)值由ωij表示；內(nèi)部狀態(tài)的偏置值由bi表示,yi為神經(jīng)元的輸出,可以用一個(gè)非線性模型的表達(dá)式（2-1）來表示這個(gè)連接：

多層感知器（Multi-Layer Perceptron,MLP）指一種前向結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型,一般比單層神經(jīng)元的結(jié)構(gòu)復(fù)雜,隱含層和輸出端數(shù)量都相對(duì)較多,可以解決線性不可分的問題,如圖2.2所示為一種類型的多層感知器結(jié)構(gòu)：輸入層神經(jīng)元負(fù)責(zé)接受來自外界的相關(guān)信號(hào),第1隱含層與其對(duì)應(yīng)的輸入層相互連接,同一層神經(jīng)元之間不連接,最后一層隱含層神經(jīng)元與輸出層神經(jīng)元全接連。圖2.2中,箭頭所指的方向表示的是各單元連接和輸出的方向,不同的連接處分別對(duì)應(yīng)不同的連接權(quán)值。其中各層單個(gè)神經(jīng)元的輸入是其前方所在層所對(duì)應(yīng)的輸出值的權(quán)和。假設(shè)xml表示MLP中第l層第m個(gè)神經(jīng)元的輸入值,yml和bml則為與之相對(duì)應(yīng)的該神經(jīng)元的輸出值和偏置值,ωiml-1為該神經(jīng)元與第l-1層第i個(gè)神經(jīng)元的連接權(quán)值,則有公式（2-2）（2-3）。

【參考文獻(xiàn)】：
期刊論文
[1]基于數(shù)據(jù)挖掘的長短期記憶網(wǎng)絡(luò)模型油井產(chǎn)量預(yù)測方法[J]. 谷建偉,周梅,李志濤,賈祥軍,梁穎.  特種油氣藏. 2019(02)
[2]基于KFCM-RBF優(yōu)化算法的肥力評(píng)價(jià)與玉米產(chǎn)量預(yù)測[J]. 趙姍,陳桂芬,傅思維,肖恩澤.  玉米科學(xué). 2018(05)
[3]農(nóng)業(yè)氣象物聯(lián)網(wǎng)數(shù)據(jù)采集系統(tǒng)[J]. 琚書存,程文杰,徐建鵬,周鹿揚(yáng),朱雅莉,王杰,伍瓊.  計(jì)算機(jī)與現(xiàn)代化. 2018(09)
[4]我國農(nóng)業(yè)發(fā)展主要指標(biāo)數(shù)據(jù)挖掘與分析[J]. 郭文茜,丁躍潮.  農(nóng)業(yè)與技術(shù). 2017(18)
[5]茶葉種植中病蟲害預(yù)警的數(shù)據(jù)挖掘技術(shù)分析[J]. 旭日.  福建茶葉. 2016(03)
[6]關(guān)聯(lián)規(guī)則Apriori算法在玉米產(chǎn)量信息挖掘中的應(yīng)用[J]. 王彥群,高賢強(qiáng).  湖北農(nóng)業(yè)科學(xué). 2016(03)
[7]決策樹模型與Logistic回歸模型在傷害發(fā)生影響因素分析中的作用[J]. 帥健,李麗萍,陳業(yè)群.  中華疾病控制雜志. 2015(02)
[8]預(yù)測未來40年氣候變化對(duì)我國玉米產(chǎn)量的影響[J]. 馬玉平,孫琳麗,俄有浩,吳瑋.  應(yīng)用生態(tài)學(xué)報(bào). 2015(01)
[9]基于聚類分析與時(shí)序算法的玉米測產(chǎn)模型[J]. 徐興梅,周翠娟,陳桂芬.  吉林農(nóng)業(yè)大學(xué)學(xué)報(bào). 2012(06)
[10]基于灰關(guān)聯(lián)和神經(jīng)網(wǎng)絡(luò)的通風(fēng)系統(tǒng)評(píng)價(jià)模型[J]. 劉慶龍,魏夕合,史俊偉,呂康.  礦業(yè)研究與開發(fā). 2012(02)

博士論文
[1]高速公路交通流預(yù)測和仿真及其應(yīng)用[D]. 黎光宇.天津大學(xué) 2017
[2]玉米主產(chǎn)區(qū)土壤養(yǎng)分與玉米產(chǎn)量的時(shí)空變異及其相關(guān)性研究[D]. 曹麗英.安徽農(nóng)業(yè)大學(xué) 2013
[3]光散射信號(hào)統(tǒng)計(jì)規(guī)律及在塵埃粒子計(jì)數(shù)中的應(yīng)用[D]. 閆振綱.南京理工大學(xué) 2013
[4]相關(guān)向量機(jī)多分類算法的研究與應(yīng)用[D]. 柳長源.哈爾濱工程大學(xué) 2013
[5]基于優(yōu)化理論的神經(jīng)網(wǎng)絡(luò)研究及在抽油機(jī)故障診斷中的應(yīng)用[D]. 王瓊.東北石油大學(xué) 2011

碩士論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉圖像分類應(yīng)用研究[D]. 曹戈.吉林大學(xué) 2019
[2]基于Spark的降雨量預(yù)測方法研究與實(shí)現(xiàn)[D]. 高利峰.西安理工大學(xué) 2019
[3]數(shù)據(jù)挖掘在衛(wèi)星關(guān)鍵部位故障診斷中的應(yīng)用研究[D]. 屈曉偉.西安理工大學(xué) 2019
[4]數(shù)據(jù)挖掘技術(shù)在病案信息管理中的應(yīng)用[D]. 榮晨.華北理工大學(xué) 2019
[5]基于決策樹算法的高校就業(yè)數(shù)據(jù)分析[D]. 劉俊灼.景德鎮(zhèn)陶瓷大學(xué) 2019
[6]基于數(shù)據(jù)挖掘的接觸器電壽命不良數(shù)據(jù)檢測辨識(shí)算法研究[D]. 薄一平.沈陽工業(yè)大學(xué) 2019
[7]帶鋼表面質(zhì)量缺陷檢測與分類方法研究[D]. 易夢云.湖北工業(yè)大學(xué) 2019
[8]結(jié)合Relief算法基于神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的股價(jià)指數(shù)預(yù)測研究[D]. 董暢.山東大學(xué) 2019
[9]綏化市蘭西縣玉米氮磷鉀最佳施肥配比研究[D]. 呂強(qiáng).東北農(nóng)業(yè)大學(xué) 2018
[10]基于數(shù)據(jù)挖掘技術(shù)的考試體系分析統(tǒng)計(jì)[D]. 戴俊秋.安慶師范大學(xué) 2018



本文編號(hào)：3256748