本文關(guān)鍵詞：基于粒子群算法及RBF神經(jīng)網(wǎng)絡(luò)技術(shù)的糧食產(chǎn)量預(yù)測(cè)方法，，由筆耕文化傳播整理發(fā)布。

【摘要】：糧食生產(chǎn)代表著一個(gè)國(guó)家經(jīng)濟(jì)實(shí)力的強(qiáng)弱,對(duì)一個(gè)國(guó)家的發(fā)展至關(guān)重要。糧食生產(chǎn)與人類(lèi)的生產(chǎn)生活息息相關(guān),給人類(lèi)的生存發(fā)展提供充足的物質(zhì)保障,而且,糧食也是人民生存的必需品,對(duì)一個(gè)國(guó)家的前途命運(yùn)有著重要的影響。目前,仍然有許多國(guó)家存在著糧食問(wèn)題,糧食問(wèn)題依舊是人類(lèi)面臨的最嚴(yán)峻的問(wèn)題之一,引起了世界各國(guó)的廣泛關(guān)注。眾所周知,我國(guó)是一個(gè)農(nóng)業(yè)大國(guó),但同時(shí)也是一個(gè)土地資源相對(duì)匱乏的國(guó)家,所以確保穩(wěn)定的糧食安全對(duì)穩(wěn)定我國(guó)的發(fā)展有著深遠(yuǎn)的影響。因此,科學(xué)預(yù)測(cè)農(nóng)業(yè)糧食生產(chǎn)發(fā)展是一項(xiàng)十分重要的舉措。本文主要研究了用粒子群算法來(lái)改進(jìn)RBF神經(jīng)網(wǎng)絡(luò),使其預(yù)測(cè)速率更快,預(yù)測(cè)的精度更高,不易呈現(xiàn)局部最優(yōu)。通過(guò)在粒子群算法中加入局部搜索算子來(lái)不斷的更新粒子的位置和速度,使其在全局的搜索范圍內(nèi)具有最優(yōu)的適應(yīng)值參數(shù),運(yùn)用粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的參數(shù),可以使RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)最優(yōu),從而最后預(yù)測(cè)出的糧食產(chǎn)量與實(shí)際值更接近。首先,對(duì)粒子群算法的原理和過(guò)程進(jìn)行了闡述,然后通過(guò)對(duì)粒子群算法的分析便可以得到隨機(jī)初始化粒子群,在初始化粒子群的條件下,對(duì)樣本產(chǎn)量進(jìn)行不斷的迭代,即可得到最優(yōu)解。然后用優(yōu)化后的粒子群算法處理RBF神經(jīng)網(wǎng)絡(luò)參數(shù),對(duì)糧食產(chǎn)量的樣本進(jìn)行歸一化處理,對(duì)RBF神經(jīng)網(wǎng)絡(luò)構(gòu)成進(jìn)行初始化,為參數(shù),,i i iw c?賦隨機(jī)的初值用來(lái)初始化粒子群位置、速率和范圍,從而可以得到最優(yōu)的粒子群模型,達(dá)到了本文所滿(mǎn)足的目的。然后,介紹了RBF神經(jīng)網(wǎng)絡(luò)模型。首先介紹了RBF神經(jīng)網(wǎng)絡(luò)模型的原理,并對(duì)原理進(jìn)行了分析,介紹了RBF神經(jīng)網(wǎng)絡(luò)的來(lái)源,以及特點(diǎn),并簡(jiǎn)單介紹了RBF神經(jīng)網(wǎng)絡(luò)的常見(jiàn)的應(yīng)用,RBF神經(jīng)網(wǎng)絡(luò)因其獨(dú)特的優(yōu)點(diǎn)而在生活中使用的越來(lái)越普遍。通過(guò)對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型的分析,對(duì)糧食產(chǎn)量建立了預(yù)測(cè)模型,然后對(duì)RBF神經(jīng)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行優(yōu)化,使用粒子群算法來(lái)優(yōu)化參數(shù),建立預(yù)測(cè)效果良好的產(chǎn)量預(yù)測(cè)模型,根據(jù)糧食產(chǎn)量的樣本,預(yù)測(cè)出未來(lái)幾年的糧食產(chǎn)量,與實(shí)際產(chǎn)量進(jìn)行對(duì)比,并做誤差分析,可以得出結(jié)論使用粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò),建立糧食產(chǎn)量預(yù)測(cè)模型,預(yù)測(cè)出的結(jié)果與實(shí)際值比較接近。最后,采用粒子群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò),對(duì)糧食產(chǎn)量的樣本進(jìn)行訓(xùn)練,使RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)最優(yōu),便可獲得糧食產(chǎn)量的預(yù)測(cè)值。
【關(guān)鍵詞】：粒子群算法 RBF神經(jīng)網(wǎng)絡(luò) 適應(yīng)度值
【學(xué)位授予單位】：河南師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：F326.11;TP18
【目錄】：

• 摘要4-6
• ABSTRACT6-10
• 第一章 緒論10-14
• 1.1 引言10
• 1.2 研究背景與研究意義10-12
• 1.3 國(guó)內(nèi)外研究進(jìn)展12-14
• 第二章 粒子群優(yōu)化算法理論14-22
• 2.1 粒子群優(yōu)化算法的起源14-15
• 2.2 粒子群算法基本原理15-17
• 2.3 粒子群優(yōu)化算法的兩種模式17-18
• 2.4 粒子群算法的特點(diǎn)18-19
• 2.5 粒子群算法的應(yīng)用19-22
• 第三章 RBF神經(jīng)網(wǎng)絡(luò)模型22-28
• 3.1 RBF神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介22
• 3.2 RBF神經(jīng)網(wǎng)絡(luò)的基本原理22-24
• 3.3 RBF神經(jīng)網(wǎng)絡(luò)的特點(diǎn)24-26
• 3.4 RBF網(wǎng)絡(luò)的應(yīng)用26-28
• 第四章 粒子群算法改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)糧食產(chǎn)量28-32
• 第五章 仿真結(jié)果32-38
• 5.1 實(shí)驗(yàn)樣本選定與預(yù)處理32-35
• 5.1.1 實(shí)驗(yàn)樣本選定32-34
• 5.1.2 數(shù)據(jù)預(yù)處理34-35
• 5.2 RBF神經(jīng)網(wǎng)絡(luò)糧食產(chǎn)量預(yù)測(cè)35-38
• 5.2.1 RBF神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)35-36
• 5.2.2 RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練36-38
• 第六章 總結(jié)與展望38-40
• 6.1 總結(jié)38
• 6.2 展望38-40
• 參考文獻(xiàn)40-42
• 附錄42-54
• 致謝54-55

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 秦玉靈;孔憲仁;羅文波;;混沌量子粒子群算法在模型修正中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2010年02期

2 陳治明;;新型量子粒子群算法及其性能分析研究[J];福建電腦;2010年05期

3 牛永潔;;一種新型的混合粒子群算法[J];信息技術(shù);2010年10期

4 全芙蓉;;粒子群算法的理論分析與研究[J];硅谷;2010年23期

5 劉衍民;趙慶禎;邵增珍;;一種改進(jìn)的完全信息粒子群算法研究[J];曲阜師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年01期

6 朱童;李小凡;魯明文;;位置加權(quán)的改進(jìn)粒子群算法[J];計(jì)算機(jī)工程與應(yīng)用;2011年05期

7 熊智挺;譚陽(yáng)紅;易如方;陳賽華;;一種并行的自適應(yīng)量子粒子群算法[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2011年08期

8 孟純青;;非線性粒子群算法[J];微計(jì)算機(jī)應(yīng)用;2011年08期

9 任偉建;武璇;;一種動(dòng)態(tài)改變學(xué)習(xí)因子的簡(jiǎn)化粒子群算法[J];自動(dòng)化技術(shù)與應(yīng)用;2012年10期

10 劉飛,孫明,李寧,孫德寶,鄒彤;粒子群算法及其在布局優(yōu)化中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2004年12期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前10條

1 朱童;李小凡;魯明文;;位置加權(quán)的改進(jìn)粒子群算法[A];中國(guó)科學(xué)院地質(zhì)與地球物理研究所第11屆（2011年度）學(xué)術(shù)年會(huì)論文集(上)[C];2012年

2 陳定;何炳發(fā);;一種新的二進(jìn)制粒子群算法在稀疏陣列綜合中的應(yīng)用[A];2009年全國(guó)天線年會(huì)論文集（上）[C];2009年

3 陳龍祥;蔡國(guó)平;;基于粒子群算法的時(shí)滯動(dòng)力學(xué)系統(tǒng)的時(shí)滯辨識(shí)[A];第十二屆全國(guó)非線性振動(dòng)暨第九屆全國(guó)非線性動(dòng)力學(xué)和運(yùn)動(dòng)穩(wěn)定性學(xué)術(shù)會(huì)議論文集[C];2009年

4 于穎;李永生;於孝春;;新型離散粒子群算法在波紋管優(yōu)化設(shè)計(jì)中的應(yīng)用[A];第十一屆全國(guó)膨脹節(jié)學(xué)術(shù)會(huì)議膨脹節(jié)設(shè)計(jì)、制造和應(yīng)用技術(shù)論文選集[C];2010年

5 劉卓倩;顧幸生;;一種基于信息熵的改進(jìn)粒子群算法[A];系統(tǒng)仿真技術(shù)及其應(yīng)用（第7卷）——'2005系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)交流會(huì)論文選編[C];2005年

6 熊偉麗;徐保國(guó);;粒子群算法在支持向量機(jī)參數(shù)選擇優(yōu)化中的應(yīng)用研究[A];2007中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

7 方衛(wèi)華;徐蘭玉;陳允平;;改進(jìn)粒子群算法在大壩力學(xué)參數(shù)分區(qū)反演中的應(yīng)用[A];2012年中國(guó)水力發(fā)電工程學(xué)會(huì)大壩安全監(jiān)測(cè)專(zhuān)委會(huì)年會(huì)暨學(xué)術(shù)交流會(huì)論文集[C];2012年

8 熊偉麗;徐保國(guó);;單個(gè)粒子收斂中心隨機(jī)攝動(dòng)的粒子群算法[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第七分冊(cè)）[南京理工大學(xué)學(xué)報(bào)（增刊）][C];2009年

9 馬向陽(yáng);陳琦;;以粒子群算法求解買(mǎi)賣(mài)雙方存貨主從對(duì)策[A];第十二屆中國(guó)管理科學(xué)學(xué)術(shù)年會(huì)論文集[C];2010年

10 趙磊;;基于粒子群算法求解多目標(biāo)函數(shù)優(yōu)化問(wèn)題[A];第二十一屆中國(guó)（天津）’2007IT、網(wǎng)絡(luò)、信息技術(shù)、電子、儀器儀表創(chuàng)新學(xué)術(shù)會(huì)議論文集[C];2007年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 李慶偉;粒子群算法及電廠若干問(wèn)題的研究[D];東南大學(xué);2016年

2 杜毅;多階段可變批生產(chǎn)線重構(gòu)的研究[D];廣東工業(yè)大學(xué);2016年

3 尹浩;求解Web服務(wù)選取問(wèn)題的粒子群算法研究[D];東北大學(xué);2014年

4 王芳;粒子群算法的研究[D];西南大學(xué);2006年

5 安鎮(zhèn)宙;家庭粒子群算法及其奇偶性與收斂性分析[D];云南大學(xué);2012年

6 劉建華;粒子群算法的基本理論及其改進(jìn)研究[D];中南大學(xué);2009年

7 黃平;粒子群算法改進(jìn)及其在電力系統(tǒng)的應(yīng)用[D];華南理工大學(xué);2012年

8 胡成玉;面向動(dòng)態(tài)環(huán)境的粒子群算法研究[D];華中科技大學(xué);2010年

9 張靜;基于混合離散粒子群算法的柔性作業(yè)車(chē)間調(diào)度問(wèn)題研究[D];浙江工業(yè)大學(xué);2014年

10 張寶;粒子群算法及其在衛(wèi)星艙布局中的應(yīng)用研究[D];大連理工大學(xué);2007年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 張忠偉;結(jié)構(gòu)優(yōu)化中粒子群算法的研究與應(yīng)用[D];大連理工大學(xué);2009年

2 李強(qiáng);基于改進(jìn)粒子群算法的艾薩爐配料優(yōu)化[D];昆明理工大學(xué);2015年

3 付曉艷;基于粒子群算法的自調(diào)節(jié)隸屬函數(shù)模糊控制器設(shè)計(jì)[D];河北聯(lián)合大學(xué);2014年

4 余漢森;粒子群算法的自適應(yīng)變異研究[D];南京信息工程大學(xué);2015年

5 梁計(jì)鋒;基于改進(jìn)粒子群算法的交通控制算法研究[D];長(zhǎng)安大學(xué);2015年

6 楊偉;基于粒子群算法的氧樂(lè)果合成過(guò)程建模研究[D];鄭州大學(xué);2015年

7 李程;基于粒子群算法的AS/RS優(yōu)化調(diào)度方法研究[D];陜西科技大學(xué);2015年

8 樊偉健;基于混合混沌粒子群算法求解變循環(huán)發(fā)動(dòng)機(jī)數(shù)學(xué)模型問(wèn)題[D];山東大學(xué);2015年

9 陳百霞;考慮風(fēng)電場(chǎng)并網(wǎng)的電力系統(tǒng)無(wú)功優(yōu)化[D];山東大學(xué);2015年

10 戴玉倩;基于混合動(dòng)態(tài)粒子群算法的軟件測(cè)試數(shù)據(jù)自動(dòng)生成研究[D];江西理工大學(xué);2015年

  本文關(guān)鍵詞：基于粒子群算法及RBF神經(jīng)網(wǎng)絡(luò)技術(shù)的糧食產(chǎn)量預(yù)測(cè)方法，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：348361