本文關鍵詞：基于粒子群算法及RBF神經(jīng)網(wǎng)絡技術的糧食產(chǎn)量預測方法，，由筆耕文化傳播整理發(fā)布。

【摘要】：糧食生產(chǎn)代表著一個國家經(jīng)濟實力的強弱,對一個國家的發(fā)展至關重要。糧食生產(chǎn)與人類的生產(chǎn)生活息息相關,給人類的生存發(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,對一個國家的前途命運有著重要的影響。目前,仍然有許多國家存在著糧食問題,糧食問題依舊是人類面臨的最嚴峻的問題之一,引起了世界各國的廣泛關注。眾所周知,我國是一個農(nóng)業(yè)大國,但同時也是一個土地資源相對匱乏的國家,所以確保穩(wěn)定的糧食安全對穩(wěn)定我國的發(fā)展有著深遠的影響。因此,科學預測農(nóng)業(yè)糧食生產(chǎn)發(fā)展是一項十分重要的舉措。本文主要研究了用粒子群算法來改進RBF神經(jīng)網(wǎng)絡,使其預測速率更快,預測的精度更高,不易呈現(xiàn)局部最優(yōu)。通過在粒子群算法中加入局部搜索算子來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)的適應值參數(shù),運用粒子群算法優(yōu)化RBF神經(jīng)網(wǎng)絡的參數(shù),可以使RBF神經(jīng)網(wǎng)絡的參數(shù)最優(yōu),從而最后預測出的糧食產(chǎn)量與實際值更接近。首先,對粒子群算法的原理和過程進行了闡述,然后通過對粒子群算法的分析便可以得到隨機初始化粒子群,在初始化粒子群的條件下,對樣本產(chǎn)量進行不斷的迭代,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)絡參數(shù),對糧食產(chǎn)量的樣本進行歸一化處理,對RBF神經(jīng)網(wǎng)絡構(gòu)成進行初始化,為參數(shù),,i i iw c?賦隨機的初值用來初始化粒子群位置、速率和范圍,從而可以得到最優(yōu)的粒子群模型,達到了本文所滿足的目的。然后,介紹了RBF神經(jīng)網(wǎng)絡模型。首先介紹了RBF神經(jīng)網(wǎng)絡模型的原理,并對原理進行了分析,介紹了RBF神經(jīng)網(wǎng)絡的來源,以及特點,并簡單介紹了RBF神經(jīng)網(wǎng)絡的常見的應用,RBF神經(jīng)網(wǎng)絡因其獨特的優(yōu)點而在生活中使用的越來越普遍。通過對RBF神經(jīng)網(wǎng)絡模型的分析,對糧食產(chǎn)量建立了預測模型,然后對RBF神經(jīng)網(wǎng)絡模型的參數(shù)進行優(yōu)化,使用粒子群算法來優(yōu)化參數(shù),建立預測效果良好的產(chǎn)量預測模型,根據(jù)糧食產(chǎn)量的樣本,預測出未來幾年的糧食產(chǎn)量,與實際產(chǎn)量進行對比,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,建立糧食產(chǎn)量預測模型,預測出的結(jié)果與實際值比較接近。最后,采用粒子群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡,對糧食產(chǎn)量的樣本進行訓練,使RBF神經(jīng)網(wǎng)絡的參數(shù)最優(yōu),便可獲得糧食產(chǎn)量的預測值。
【關鍵詞】：粒子群算法 RBF神經(jīng)網(wǎng)絡 適應度值
【學位授予單位】：河南師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：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 國內(nèi)外研究進展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18-19
• 2.5 粒子群算法的應用19-22
• 第三章 RBF神經(jīng)網(wǎng)絡模型22-28
• 3.1 RBF神經(jīng)網(wǎng)絡簡介22
• 3.2 RBF神經(jīng)網(wǎng)絡的基本原理22-24
• 3.3 RBF神經(jīng)網(wǎng)絡的特點24-26
• 3.4 RBF網(wǎng)絡的應用26-28
• 第四章 粒子群算法改進RBF神經(jīng)網(wǎng)絡預測糧食產(chǎn)量28-32
• 第五章 仿真結(jié)果32-38
• 5.1 實驗樣本選定與預處理32-35
• 5.1.1 實驗樣本選定32-34
• 5.1.2 數(shù)據(jù)預處理34-35
• 5.2 RBF神經(jīng)網(wǎng)絡糧食產(chǎn)量預測35-38
• 5.2.1 RBF神經(jīng)網(wǎng)絡模型設計35-36
• 5.2.2 RBF神經(jīng)網(wǎng)絡訓練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40-42
• 附錄42-54
• 致謝54-55

【相似文獻】

中國期刊全文數(shù)據(jù)庫 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用[J];計算機工程與應用;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;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;;一種改進的完全信息粒子群算法研究[J];曲阜師范大學學報(自然科學版);2011年01期

6 朱童;李小凡;魯明文;;位置加權(quán)的改進粒子群算法[J];計算機工程與應用;2011年05期

7 熊智挺;譚陽紅;易如方;陳賽華;;一種并行的自適應量子粒子群算法[J];計算機系統(tǒng)應用;2011年08期

8 孟純青;;非線性粒子群算法[J];微計算機應用;2011年08期

9 任偉建;武璇;;一種動態(tài)改變學習因子的簡化粒子群算法[J];自動化技術與應用;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)化中的應用[J];計算機工程與應用;2004年12期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 朱童;李小凡;魯明文;;位置加權(quán)的改進粒子群算法[A];中國科學院地質(zhì)與地球物理研究所第11屆（2011年度）學術年會論文集(上)[C];2012年

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

3 陳龍祥;蔡國平;;基于粒子群算法的時滯動力學系統(tǒng)的時滯辨識[A];第十二屆全國非線性振動暨第九屆全國非線性動力學和運動穩(wěn)定性學術會議論文集[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)化設計中的應用[A];第十一屆全國膨脹節(jié)學術會議膨脹節(jié)設計、制造和應用技術論文選集[C];2010年

5 劉卓倩;顧幸生;;一種基于信息熵的改進粒子群算法[A];系統(tǒng)仿真技術及其應用（第7卷）——'2005系統(tǒng)仿真技術及其應用學術交流會論文選編[C];2005年

6 熊偉麗;徐保國;;粒子群算法在支持向量機參數(shù)選擇優(yōu)化中的應用研究[A];2007中國控制與決策學術年會論文集[C];2007年

7 方衛(wèi)華;徐蘭玉;陳允平;;改進粒子群算法在大壩力學參數(shù)分區(qū)反演中的應用[A];2012年中國水力發(fā)電工程學會大壩安全監(jiān)測專委會年會暨學術交流會論文集[C];2012年

8 熊偉麗;徐保國;;單個粒子收斂中心隨機攝動的粒子群算法[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學學報（增刊）][C];2009年

9 馬向陽;陳琦;;以粒子群算法求解買賣雙方存貨主從對策[A];第十二屆中國管理科學學術年會論文集[C];2010年

10 趙磊;;基于粒子群算法求解多目標函數(shù)優(yōu)化問題[A];第二十一屆中國（天津）’2007IT、網(wǎng)絡、信息技術、電子、儀器儀表創(chuàng)新學術會議論文集[C];2007年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 李慶偉;粒子群算法及電廠若干問題的研究[D];東南大學;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;2016年

3 尹浩;求解Web服務選取問題的粒子群算法研究[D];東北大學;2014年

4 王芳;粒子群算法的研究[D];西南大學;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;2012年

6 劉建華;粒子群算法的基本理論及其改進研究[D];中南大學;2009年

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

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

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

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

中國碩士學位論文全文數(shù)據(jù)庫 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用[D];大連理工大學;2009年

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

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

4 余漢森;粒子群算法的自適應變異研究[D];南京信息工程大學;2015年

5 梁計鋒;基于改進粒子群算法的交通控制算法研究[D];長安大學;2015年

6 楊偉;基于粒子群算法的氧樂果合成過程建模研究[D];鄭州大學;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;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)動機數(shù)學模型問題[D];山東大學;2015年

9 陳百霞;考慮風電場并網(wǎng)的電力系統(tǒng)無功優(yōu)化[D];山東大學;2015年

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

  本文關鍵詞：基于粒子群算法及RBF神經(jīng)網(wǎng)絡技術的糧食產(chǎn)量預測方法，由筆耕文化傳播整理發(fā)布。

本文編號：348361