基於BP神經網絡的水體葉綠素a濃度預測模型優化研究(​葛金金,彭文啟等)(P-755)

2021-03-01 南水北調與水利科技

葉綠素ａ預測模型中，思維進化算法採取如下步驟進行。

（１）映射編碼。

依據 ＢＰ神經網絡拓撲結構，映射解空間到編碼空間，編碼長度Ｓ 由神經網絡各層神經元數目確定，記為Ｓ＝ｎ×Ｋ＋２Ｋ＋１；其中，ｎ 為神經網絡輸入層神經元數，即葉綠素ａ含量相關因子數目，Ｋ 為隱含層神經元數目。

（２）初始種群生成。

選取神經網絡訓練集輸出值均方誤差的倒數，記為個體與種群得分函數；解空間中隨機生成若干個體，依據得分最高篩選 Ｍ 個優勝個體以及 Ｎ 個臨時個體，依據篩選個體確定中心，鄰近檢索形成種群大小一定的初始優勝子種群、初始臨時子種群。

（３）種群內部趨同競爭。

子種群內部，個體依據得分最高成為優勝個體的局部競爭，記為趨同過程，以個體最高得分為所在子種群得分，直至所有子種群不再生成新的優勝個體，趨同結束。

（４）種群之間異化競爭。

子種群之間，種群依據得分最高成為優勝種群的全局競爭，記為異化過程。當臨時子種群得分高於優勝子種群，則取代前者，釋放原有優勝種群，異化結束後重新迭代，計算至運算收斂，獲取全局最優個體得分。

（５）解析最優個體。

解碼最優個體即為優化的神經網絡權值、閾值，編碼長度Ｓ 的前ｎ×Ｋ 個編碼為輸入層與隱含層間權值，緊後 Ｋ 個編碼為隱含層與輸出層權值，再後Ｋ 個編碼為隱含層神經元閾值，最後１個編碼為輸出層神經元閾值。基於 ＭＥＡ－ＢＰ神經網絡的葉綠素預測模型結構見圖３。

相關焦點

  • 【預測模型-ELAMN預測】基於蝗蟲算法優化ELMAN神經網絡實現數據回歸預測matlab代碼
    1 簡介風能,作為一種重要,有潛力,無汙染,可再生、可持續的能源,已經成為全球發電最為迅速的能源之一,越來越受到世界各國的青睞。
  • BP神經網絡在混凝土材料研究中的應用
    ，其中，誤差反向傳播神經網絡（Back Propagation Neutral Network，簡稱BP神經網絡）具有較強的非線性映射能力，被廣泛應用於水泥混凝土的配合比優化設計和水泥混凝土性能的預測研究。
  • MATLAB 基於灰色神經網絡的預測算法研究—訂單需求預測
    MATLAB  神經網絡變量篩選—基於BP的神經網絡變量篩選灰色系統理論是一種研究少數據、貧信息、不確定性問題的新方法，它以部分信息已知
  • MATLAB基於BP神經網絡的光伏發電太陽輻照度預測
    MATLAB基於BP神經網絡的光伏發電太陽輻照度預測光伏發電功率主要受太陽輻照度影響，所以準確預測太陽輻照度對光伏功率預測十分重要
  • 基於LSTM與傳統神經網絡的網絡流量預測及應用
    】提出了一個基於長短期記憶循環神經網絡與傳統神經網絡的網絡流量預測模型。基於LSTM與傳統神經網絡的網絡流量預測及應用[J]. 移動通信, 2019,43(8): 37-44.1   引言網絡流量的建模和預測是研究網絡的性能、管理、協議及服務質量的基礎，對網絡的規劃設計具有重要意義。精準地預測網絡流量變化對提高網絡穩定性，提升用戶體驗，節省運營商成本等具有重要意義。
  • JCIM|XGraphBoost:基於圖神經網絡提取特徵的一種更好的分子特性預測模型
    作者提出了 XGraphBoost 集成框架：用圖神經網絡 (GNN) 提取特徵，並使用 XGBoost 分類器構建模型對分子特性進行準確預測。該框架完全繼承了基於 GNN 的自動分子特徵提取和基於 XGBoost 的性能準確預測的優點。作者使用 XGraphBoost 框架評估了分類和回歸問題。實驗結果表明 XGraphBoost 可以促進對各種分子特性的有效和準確的預測。
  • 基於MATLAB的BP神經網絡預測計算GUI界面
    加載數據——輸入樣本數據個數、訓練數據個數、預測數據個數、中間層隱藏節點個數、網絡輸入維度、網絡輸出維度，x軸坐標名稱、y軸坐標名稱——點擊開始計算即可出現結果，同時會在當前文件夾下生成預測數據的excel文件和兩個圖片1.png、2.png。需要完整GUI程序，可以進行打賞後截圖（40元及以上），點擊公眾號「聯繫掌門」進行聯繫，或者在公眾號內回復截圖，幾小時內會回復。
  • 《Automotive Innovation》好文推薦:基于田口試驗設計的神經網絡參數優化及其在汽車底盤等效應力預測模型的應用
    Bhatt博士開展了題為「基于田口試驗設計的神經網絡參數優化及其在汽車底盤等效應力預測模型的應用」的研究，其論文摘要如下所示，全文及具體內容詳見網址https://link.springer.com/article/10.1007/s42154-018-0045-5。引用詞條為：Patel,T.M., Bhatt,N.M.
  • 基於LSTM深層神經網絡的時間序列預測
    GitHub：github.com/jaungiers/LSTM-Neural-Network-for-Time-Series-Prediction自提出後，傳統神經網絡架構一直沒法解決一些基礎問題，比如解釋依賴於信息和上下文的輸入序列。這些信息可以是句子中的某些單詞，我們能用它們預測下一個單詞是什麼；也可以是序列的時間信息，我們能基於時間元素分析句子的上下文。
  • R語言:BP和RBF神經網絡構建電信客戶流失預測模型
    樣本量：1000觀察指標建模方法：BP 神經網絡/RBF 神經網絡指標評估：ROC 曲線 --用來描述模型分辨能力，對角線以上的圖形越高越好通過 RBF 神經網絡構建的模型為 model <- rbf(x, y, size=220, maxit=410,linOut=F,initFunc = "RBF_Weights",initFuncParams=c(-4, 4, 6, 0.3, 0),learnFuncParams=c(1e-8, 0, 1e-8, 0.1, 0.8))，其中訓練集的 ROC:0.873，驗證集合的ROC：0.77
  • 基於憶阻器的神經網絡應用研究
    在神經形態計算的研究領域，類神經網絡與新型神經形態硬體是兩大基礎研究，在此研究基礎上，結合對生物大腦機制的愈加深入了解，最終實現人工智慧。 在類神經網絡方面，以深度學習為基礎的神經網絡研究已經普遍存在於人工智慧領域。神經網絡，即以數學模型來模擬人腦神經元及突觸的結構，並結合多層次傳導來模擬神經元的互聯結構，現如今已大量應用於人工智慧。
  • 美團技術團隊|基於神經網絡StarNet的行人軌跡交互預測算法
    StarNet的行人軌跡交互預測算法的研究。這是因為這些算法中都會引入一些先驗假設，例如隱變量服從高斯分布，線性的狀態轉換方程以及觀測方程等，而最終這些假設也限制了算法的整體性能。神經網絡一般不需要假設固定的數學模型，憑藉大規模的數據集促使網絡學習更加合理的映射關係。本文我們主要介紹一些基於神經網絡的行人預測算法。
  • 「人工神經網絡」人工神經網絡之BP算法
    人工神經網絡(Artificial Neural Network，ANN)是在受到了生物學的啟發後創建的，在某種程度上它是對生物大腦的一種模擬。人們仿照生物神經網絡的結構，使用簡單運算單元模擬神經元，並將大量運算單元按某種形式密集連接，便構成了人工神經網絡。結構如圖：人工神經網絡(ANN)模型帶有權重值(w1,w2,...
  • 基於深度卷積神經網絡的巖性識別
    預測準確度其它研究，如：張野[4]等人基於Inception-v3深度卷積神經網絡模型對一個由花崗巖、千枚巖和角礫巖組成的混合圖像數據集分類，取得90%以上的識別精度。Chen[5]等人採用Inception-ResNet-V2深度卷積神經網絡模型對開挖面巖體結構進行分類；（卷得有點嚴重了....）
  • 最新跟蹤 | Google八小時降水預報神經網絡天氣模型
    在先前對降水臨近預報的研究的基礎上，我們提出了「 MetNet: A Neural Weather Model for Precipitation Forecasting （MetNet：用於降水預報的神經網絡天氣模型）」，這是一種DNN，能夠以2分鐘的間隔中1 千米的解析度預測未來8小時內的降水。
  • Google發布神經天氣模型,幾秒鐘預測整個美國的降水量
    近日，在先前對降水量預報的研究基礎上，Google 提出了 MetNet，這是一種用於降水預報的神經天氣模型。這種 DNN 能夠在未來 8 小時內以 1km 的解析度預報降水量，時間間隔為 2 分鐘。MetNet 的預測時間比 NOAA 目前使用的最先進的基於物理的模型提前了 7-8 小時。它可以在幾秒鐘內對整個美國的降水量進行預測，而 NOAA 需要花費一小時。
  • 【深度】基於好奇心的類腦脈衝神經網絡學習模型
    【摘要】中國科學院自動化研究所曾毅研究團隊將好奇機制與脈衝神經網絡(Spiking Neural Networks, SNNs)相結合，提出基於好奇心的SNN (CBSNN)模型，在達到同等正確率的情況下，極大降低計算能耗。相關論文發表於國際期刊Frontiers in Computational Neuroscience。
  • 湯朝暉|基於貝葉斯網絡的進展期膽囊癌生存預測模型多中心臨床研究
    【引用本文】湯朝暉，耿智敏，陳晨，等．基於貝葉斯網絡的進展期膽囊癌生存預測模型多中心臨床研究[J]．中華外科雜誌，2018，56（5）：341-348．近年來它的影響不斷擴大，成為將概率、統計應用於複雜系統的不確定性推理和數據分析的一種有效工具，也是數據挖掘領域中的研究熱點之一[5]。貝葉斯網絡在醫學方面已廣泛應用於生存模型、傳染病模型、決策分析、基因網絡分析等領域[6,7,8,9,10,11]。我們既往將貝葉斯網絡用於建立原發性肝癌和膽囊癌生存預測模型，分析預後因素及優化治療方案[12,13,14]。
  • 神經網絡-BP神經網絡
    感知器作為初代神經網絡，具有簡單、計算量小等優點，但只能解決線性問題。BP神經網絡在感知器的基礎上，增加了隱藏層，通過任意複雜的模式分類能力和優良的多維函數映射能力，解決了異或等感知器不能解決的問題，並且BP神經網絡也是CNN等複雜神經網絡等思想根源。
  • 圖神經網絡綜述:模型與應用
    近年來，圖神經網絡的研究成為深度學習領域的熱點。近日，清華大學孫茂松組在 arXiv 上發布預印版綜述文章 Graph Neural Networks: A Review of Methods and Applications。