針對傳統(tǒng)PSO算法易陷入局部極值的缺點,提出了一種改進的粒子群算法（ADAPPSO）。該算法通過利用表現(xiàn)為非線性遞減特性的自適應慣性權(quán)重來有效減少PSO算法在運算過程中出現(xiàn)局部極值的情況。利用ADAPPSO算法對BP神經(jīng)網(wǎng)絡所涉及的一系列參數(shù)進行優(yōu)化,并在此基礎(chǔ)上建立ADAPPSO-BP模型對參考作物騰發(fā)量（ET₀）進行預測。以商丘地區(qū)數(shù)據(jù)為例,通過平均影響值法（MIV）對變量進行篩選,并在此基礎(chǔ)上建立了BP神經(jīng)網(wǎng)絡、PSO-BP和ADAPPSO-BP 3種預測模型。根據(jù)相關(guān)實驗結(jié)果表明,BP模型、PSO-BP模型和ADAPPSO-BP模型的決定系數(shù)R²分別為0.898 3、0.952 7和0.960 6,3種模型的平均絕對誤差MAE分別為0.355 8、0.240 1和0.205 6。3種模型中,ADAPPSO-BP模型的R²值最大,MAE最小,這表明提出的ADAPPSO-BP模型能夠有效地提高ET₀的預測能力。 

【文章來源】：節(jié)水灌溉. 2020,(05)北大核心

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引 言
1 改進的PSO-BP算法
    1.1 改進的PSO算法
    1.2 改進的自適應PSO-BP優(yōu)化神經(jīng)網(wǎng)絡
2 實驗數(shù)據(jù)分析
    2.1 實驗數(shù)據(jù)來源
    2.2 MIV特征值篩選變量
    2.3 確定BP神經(jīng)網(wǎng)絡的結(jié)構(gòu)
3 基于ADAPPSO-BP的ET0預測模型
4 結(jié) 語


【參考文獻】：
期刊論文
[1]基于PSO算法的中型灌區(qū)輸水調(diào)度模型研究[J]. 吳復昌.  水利建設(shè)與管理. 2019(07)
[2]改進PSO-BP神經(jīng)網(wǎng)絡對尾礦壩地下水位的預測方法[J]. 鄭店坤,許同樂,尹召杰,孟慶民.  山東大學學報(工學版). 2019(03)
[3]粒子群算法的改進與比較研究[J]. 武少華,高岳林.  合肥工業(yè)大學學報(自然科學版). 2019(02)
[4]基于MIV-GA-BP神經(jīng)網(wǎng)絡的我國棉價預測研究[J]. 吳葉,劉婷婷,方少勇.  棉紡織技術(shù). 2018(07)
[5]BP神經(jīng)網(wǎng)絡隱含層節(jié)點數(shù)確定方法研究[J]. 王嶸冰,徐紅艷,李波,馮勇.  計算機技術(shù)與發(fā)展. 2018(04)
[6]基于粒子群算法和廣義回歸神經(jīng)網(wǎng)絡的ET0預測[J]. 周瑞,魏正英,張育斌,張帥.  中國農(nóng)村水利水電. 2017(06)
[7]BP神經(jīng)網(wǎng)絡方法在灌區(qū)需水預測中的應用[J]. 黃曦妮,查思慧.  江西水利科技. 2017(02)
[8]非線性遞減慣性權(quán)重的簡化粒子群算法[J]. 張志宇,白云霞.  咸陽師范學院學報. 2017(02)
[9]基于經(jīng)驗模態(tài)分解與人工神經(jīng)網(wǎng)絡的參考作物騰發(fā)量混合預測模型研究[J]. 遲道才,鄭俊林,許杏娟,吳奇,陳濤濤.  沈陽農(nóng)業(yè)大學學報. 2015(01)
[10]基于PSO-BP神經(jīng)網(wǎng)絡的參考作物蒸騰量預測[J]. 張志政,周威.  節(jié)水灌溉. 2014(11)

碩士論文
[1]基于作物蒸騰量智能預測的農(nóng)田優(yōu)化灌溉系統(tǒng)[D]. 劉天鳳.東華大學 2018



本文編號：3189329