采用改進(jìn)的粒子群算法（ADAPPSO）解決了傳統(tǒng)PSO算法易陷入局部極值的問(wèn)題,該算法減少運(yùn)算過(guò)程中PSO算法出現(xiàn)局部極值的途徑為利用非線性遞減的自適應(yīng)慣性權(quán)重。以遼陽(yáng)地區(qū)為例,將BP網(wǎng)絡(luò)的有關(guān)參數(shù)運(yùn)用ADAPP-SO算法加以優(yōu)化,并利用平均影響值法（MIV）篩選變量數(shù)據(jù),然后對(duì)參考作物騰發(fā)量（ET0）利用構(gòu)建的ADAPPSO-BP模型預(yù)測(cè),在此基礎(chǔ)上構(gòu)建ADAPPSO-BP、PSO-BP和BP網(wǎng)絡(luò)預(yù)測(cè)模型。結(jié)果表明:ADAPPSO-BBP、PSO-BP和BP網(wǎng)絡(luò)預(yù)測(cè)模型的平均絕對(duì)誤差MAE為0.2047、0.2415、0.3561,3種模型的決定系數(shù)R2為0.9612、0.9530、0.8975;3種模型中MAE最小,R2值最大的為ADAPPSO-BP模型,對(duì)于提高ET0的預(yù)測(cè)能力該模型表現(xiàn)出較強(qiáng)的有效性。 

【文章來(lái)源】：黑龍江水利科技. 2020,48(09)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

模型的運(yùn)算流程

式中:m、n為隱含層節(jié)點(diǎn)數(shù)和輸入變量的個(gè)數(shù);a取值范圍為[0,1]。將隱含層階段數(shù)m利用公式(7)確定,其取值區(qū)間為[2,12],通過(guò)實(shí)驗(yàn)逐一驗(yàn)證此區(qū)間的整數(shù)值,其誤差輸出見(jiàn)圖2。研究表明,隱含層節(jié)點(diǎn)數(shù)取6時(shí)BP神經(jīng)網(wǎng)絡(luò)的誤差最小,從而構(gòu)造3-6-1的BP網(wǎng)絡(luò)結(jié)構(gòu)[17]。2.4 PSO-BP的ET0預(yù)測(cè)

從圖3可知,整體上最接近參考作物騰發(fā)量(ET0)真實(shí)值的為ADAPPSO-BP模型預(yù)測(cè)值,預(yù)測(cè)結(jié)果最差的為BP模型,PSO-BP模型的精準(zhǔn)度居中�？梢�(jiàn),對(duì)于提高BP模型預(yù)測(cè)精度PSO算法發(fā)揮著明顯成效,但受其自身?xiàng)l件限制,使得真實(shí)值與預(yù)測(cè)的突變結(jié)果存在很大的偏差,對(duì)于此類問(wèn)題ADAPPSO-BP算法能夠較好的解決。不同模型的評(píng)價(jià)指標(biāo)對(duì)比,見(jiàn)表3。

【參考文獻(xiàn)】：
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(fù)昌.  水利建設(shè)與管理. 2019(07)
[2]改進(jìn)PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)尾礦壩地下水位的預(yù)測(cè)方法[J]. 鄭店坤,許同樂(lè),尹召杰,孟慶民.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2019(03)
[3]粒子群算法的改進(jìn)與比較研究[J]. 武少華,高岳林.  合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[4]基于MIV-GA-BP神經(jīng)網(wǎng)絡(luò)的我國(guó)棉價(jià)預(yù)測(cè)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(luò)隱含層節(jié)點(diǎn)數(shù)確定方法研究[J]. 王嶸冰,徐紅艷,李波,馮勇.  計(jì)算機(jī)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(luò)的ET0預(yù)測(cè)[J]. 周瑞,魏正英,張育斌,張帥.  中國(guó)農(nóng)村水利水電. 2017(06)
[7]BP神經(jīng)網(wǎng)絡(luò)方法在灌區(qū)需水預(yù)測(cè)中的應(yīng)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(jiǎn)化粒子群算法[J]. 張志宇,白云霞.  咸陽(yáng)師范學(xué)院學(xué)報(bào). 2017(02)
[9]基于經(jīng)驗(yàn)?zāi)B(tài)分解與人工神經(jīng)網(wǎng)絡(luò)的參考作物騰發(fā)量混合預(yù)測(cè)模型研究[J]. 遲道才,鄭俊林,許杏娟,吳奇,陳濤濤.  沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2015(01)
[10]基于PSO-BP神經(jīng)網(wǎng)絡(luò)的參考作物蒸騰量預(yù)測(cè)[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(yù)測(cè)的農(nóng)田優(yōu)化灌溉系統(tǒng)[D]. 劉天鳳.東華大學(xué) 2018



本文編號(hào)：3389090