亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        遼陽(yáng)市參考作物騰發(fā)量預(yù)測(cè)

        2020-10-12 12:07:56李選彧
        黑龍江水利科技 2020年9期
        關(guān)鍵詞:極值權(quán)重粒子

        李選彧

        (遼寧省遼陽(yáng)水文局,遼寧 遼陽(yáng) 111000)

        參考作物騰發(fā)量(ET0)的精確預(yù)測(cè)將直接影響著灌溉方案的設(shè)計(jì)和植物的生長(zhǎng),對(duì)促進(jìn)區(qū)域農(nóng)業(yè)發(fā)展發(fā)揮著關(guān)鍵作用。對(duì)此,國(guó)內(nèi)外學(xué)者從不同角度開展了大量研究,如常用的灰色系統(tǒng)、時(shí)間序列和回歸分析等定量預(yù)測(cè)方法。其中,所需資料較少的灰色系統(tǒng)法,實(shí)際應(yīng)用時(shí)其預(yù)測(cè)精度較低;時(shí)間序列法預(yù)測(cè)未來變化趨勢(shì)的主要依據(jù)為已有的ET0數(shù)據(jù),其預(yù)測(cè)精度差且無法反映預(yù)測(cè)結(jié)果受外部因素的影響;回歸分析法的建模比較困難且運(yùn)算量大,一般不適用于非線性系統(tǒng)。目前,普遍采用的計(jì)算方法是經(jīng)典Peman-Monteith公式,然而該方法的運(yùn)算過程十分復(fù)雜,加之準(zhǔn)確獲取相關(guān)氣象數(shù)據(jù)的難度較大,使得其實(shí)用性不高[1]。

        近年來,計(jì)算機(jī)模擬技術(shù)的快速發(fā)展推動(dòng)了神經(jīng)網(wǎng)絡(luò)理論的研究,形成的BP神經(jīng)網(wǎng)絡(luò)模型現(xiàn)已廣泛應(yīng)用于ET0的預(yù)測(cè)分析。然而,實(shí)際應(yīng)用過程中該算法存在閾值和初始權(quán)重過于敏感的現(xiàn)象,并且收斂速度較為緩慢的情況比較常見。相對(duì)而言,對(duì)于全局的尋優(yōu)PSO算法表現(xiàn)出明顯的優(yōu)勢(shì),其計(jì)算過程簡(jiǎn)單且無需過多的參數(shù)設(shè)置。為更好的優(yōu)化BP網(wǎng)絡(luò)的初始連接權(quán)重諸多學(xué)者引入了PSO算法,從而增強(qiáng)網(wǎng)絡(luò)的自適應(yīng)學(xué)習(xí)能力和泛化能力。例如,吳復(fù)昌等以灌區(qū)輸水調(diào)度為例,提出了能夠快速獲取全局最優(yōu)解的PSO算法,通過模型預(yù)測(cè)保證灌溉效率的提升;張志政等以西安地區(qū)數(shù)據(jù)為例,構(gòu)建了預(yù)測(cè)參考作物騰發(fā)量的PSO-BP神經(jīng)網(wǎng)絡(luò)模型,通過排列不同的影響因素,探究了預(yù)測(cè)精度與多種因素組合方式的相互關(guān)系。然而,傳統(tǒng)的PSO算法受其自身?xiàng)l件限制,通常存在過早收斂和預(yù)測(cè)結(jié)果精度偏低的情況[2-4]。

        為降低PSO算法易陷入局部極值的概率提出一種非線性權(quán)重遞減策略,并以遼陽(yáng)地區(qū)為例驗(yàn)證了改進(jìn)PSO-BP算法的實(shí)用性,結(jié)果顯示與PSO-BP模型、BP模型相比ADAPPSO-BP模型具有更高的ET0預(yù)測(cè)精度。

        1 PSO-BP預(yù)測(cè)模型

        1.1 改進(jìn)的PSO算法

        一般條件下,在迭代運(yùn)算過程中PSO算法的每個(gè)粒子均會(huì)不斷聚集于整個(gè)群體及其自身紀(jì)錄的最優(yōu)歷史位置,從而快速出現(xiàn)粒子群趨同效應(yīng)。該條件下,極易發(fā)生停滯、過早收斂和局部極值的現(xiàn)象。針對(duì)此類問題,標(biāo)準(zhǔn)PSO算法可利用線性遞減的慣性權(quán)重有效應(yīng)對(duì)這種情況,選用以下公式反映隨迭代次數(shù)W的變化,即:

        (1)

        式中:Wmin、Wmax為慣性權(quán)重最小和最大值;t、tmax為PSO算法的實(shí)際次數(shù)和最大運(yùn)行次數(shù)。

        通常情況下,在Wmin取0.4、Wmax取0.9時(shí)能夠達(dá)到效果最優(yōu)。實(shí)際上,對(duì)于自身收斂能力的調(diào)節(jié)線性遞減PSO算法發(fā)揮著一定成效,若該算法在計(jì)算初期未能確定最佳點(diǎn),則其局部收斂能力隨著W值的持續(xù)下降不斷增強(qiáng),很容易產(chǎn)生局部最優(yōu)的現(xiàn)象[5-7]。此外,若可以準(zhǔn)確的探測(cè)次好點(diǎn),并且算法初期的W值取小,則其最佳點(diǎn)也能快速的確定,然而算法的收斂速度會(huì)隨W長(zhǎng)期的線性遞減趨勢(shì)而延緩。所以,考慮利用非線性遞減函數(shù)自適應(yīng)動(dòng)態(tài)調(diào)整W,從而解決易陷入早熟收斂的全局尋優(yōu)問題,對(duì)此利用公式(2)求解慣性權(quán)重,即:

        W=Wmax-(t/tmax)2×0.3

        (2)

        由上式可知,在一定程度上非線性遞減函數(shù)可以減緩慣性權(quán)重于算法初期持續(xù)減小的概率,以此維持較長(zhǎng)時(shí)間內(nèi)慣性權(quán)重取較大值,從而實(shí)現(xiàn)更廣區(qū)域的探索,最大程度的降低出現(xiàn)局部極值的概率。W值在算法后期也會(huì)快速下降,并顯著增強(qiáng)粒子的搜索能力,全局最優(yōu)值的尋優(yōu)概率也會(huì)進(jìn)一步的提升[8-10]。

        1.2 自適應(yīng)PSO-BP優(yōu)化網(wǎng)絡(luò)

        為解決傳統(tǒng)PSO算法存在的局限性問題以及增強(qiáng)BP網(wǎng)絡(luò)的預(yù)測(cè)精度,結(jié)合改進(jìn)的PSO算法建立ADAPPSO-BP模型,并預(yù)測(cè)分析區(qū)域ET0變化特征,其實(shí)現(xiàn)流程為:

        步驟1:粒子群維數(shù)的初始化。結(jié)合BP網(wǎng)絡(luò)的自身結(jié)構(gòu)確定PSO粒子群的待優(yōu)化維數(shù),即:

        D=(m+1)n+(n+1)p

        (3)

        式中:m、n、p為BP神經(jīng)網(wǎng)絡(luò)的輸入層、隱含層和輸出層所含節(jié)點(diǎn)數(shù)。

        步驟2:初始化粒子群有關(guān)參數(shù)。設(shè)定粒子數(shù)N取20,將BP網(wǎng)絡(luò)的權(quán)閾值上、下浮動(dòng)50%確定粒子的位置范圍,并以位置的限制區(qū)域作為粒子速度的約束條件;此外,設(shè)定學(xué)習(xí)因子Wmax取0.7、tmax取100,c1=c2=2,設(shè)W的取值區(qū)間0.4-0.7。

        (4)

        步驟4:粒子速度與位置的更新。采用適應(yīng)度函數(shù)對(duì)比個(gè)體極值與粒子值,若粒子自身的預(yù)測(cè)值更小則作為新的極值;然后比較全局極值與個(gè)體極值,若小于該極值則視為全局新的極值。粒子的位置與速度更新利用下式實(shí)現(xiàn),其表達(dá)式為:

        Xt+1=Xt+Vt+1

        (5)

        Vt+1=WVt+c1r1(pbest-Xt)+c2r2(gbest-Xt)

        (6)

        式中:Vt、Xt代表粒子的速度與實(shí)際位置;r1=r2代表區(qū)間[0,1]內(nèi)的隨機(jī)數(shù),其它字母含義同上。

        步驟5:終止條件的判斷。若算法滿足判別條件,則所求的全局最優(yōu)解位置就是BP網(wǎng)絡(luò)的最佳權(quán)重及其閾值。最終,在BP神經(jīng)網(wǎng)絡(luò)中輸入最佳權(quán)重及其閾值,完成網(wǎng)絡(luò)的預(yù)測(cè)模擬并搭建優(yōu)化的APAPPSO-BP模型,其整體實(shí)現(xiàn)流程見圖1。

        圖1 模型的運(yùn)算流程

        2 結(jié)果與分析

        2.1 數(shù)據(jù)來源

        文章實(shí)驗(yàn)數(shù)據(jù)包括平均相對(duì)濕度、日照時(shí)長(zhǎng)、逐日風(fēng)速、最低、最高和平均氣溫6個(gè)氣象資料,數(shù)據(jù)來源于2016.01.01-2018.06.16遼陽(yáng)站地面氣候資料日值數(shù)據(jù),中國(guó)氣象數(shù)據(jù)網(wǎng)提供初始數(shù)據(jù),并對(duì)參考作物騰發(fā)量(ET0)利用修正的Peman-Monteith公式確定,數(shù)據(jù)資料如表1。

        表1 遼陽(yáng)地區(qū)氣象數(shù)據(jù)與參考作物騰發(fā)量(ET0)

        2.2 特征值篩選變量

        對(duì)ET0利用修正的Peman-Monteith公式計(jì)算時(shí)涉及的參數(shù)較多,且不同參數(shù)之間具有彼此相關(guān)的信息,且獨(dú)立性較差,BP網(wǎng)絡(luò)模型不宜直接模擬預(yù)測(cè)。文章考慮將BP神經(jīng)網(wǎng)絡(luò)與平均影響值(MIV)相耦合,建模時(shí)選擇能夠顯著影響ET0的參數(shù)[11-13]。

        觀察不同變量在網(wǎng)絡(luò)模型訓(xùn)練中發(fā)生的改變,這也是MIV確定預(yù)測(cè)結(jié)果受參數(shù)影響程度的主要依據(jù),其主要流程為:①采用訓(xùn)練好的BP網(wǎng)絡(luò)輸入全部的變量,并以減少10%和增加10%調(diào)整每個(gè)變量,由此獲取2個(gè)新變量A1、A2。②向訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)輸入新的數(shù)據(jù)A1、A2,并生成B1、B2兩組預(yù)測(cè)值,二者之和、之差即為平均影響值(MIV)與影響變化值(IV)。其中,MIV的正負(fù)代表影響的方向,絕對(duì)值大小代表較因變量各類參數(shù)實(shí)際產(chǎn)生的影響程度,該條件下的建模參數(shù)應(yīng)具有較大的MIV絕對(duì)值,由此完成自變量的合理選擇[14-16]。根據(jù)MIV變量篩選流程對(duì)6個(gè)影響ET0的變量進(jìn)行分析,如表2所示。

        表2 變量的MIV特征值

        參數(shù)變量對(duì)網(wǎng)絡(luò)實(shí)際輸出的影響程度隨MIV絕對(duì)值的增大而增加,從表2看出平均相對(duì)濕度、平均氣溫、風(fēng)速對(duì)ET0預(yù)測(cè)結(jié)果的影響顯著,這3項(xiàng)參數(shù)的貢獻(xiàn)率達(dá)到91.26%。因此,網(wǎng)絡(luò)模型的輸入變量選擇此3個(gè)參數(shù),并將網(wǎng)絡(luò)輸出變量設(shè)定為ET0。

        2.3 BP網(wǎng)絡(luò)結(jié)構(gòu)

        根據(jù)以上分析結(jié)果BP網(wǎng)絡(luò)的輸入和輸出變量有3個(gè)、1個(gè),而隱含層節(jié)點(diǎn)數(shù)的確定迄今尚未形成明確的方法。一般地,采用經(jīng)驗(yàn)公式粗略的劃分隱層節(jié)點(diǎn)數(shù),并逐一驗(yàn)證網(wǎng)絡(luò)模型的適用性,選擇的隱含層節(jié)點(diǎn)數(shù)應(yīng)具有最小的預(yù)測(cè)誤差,經(jīng)驗(yàn)公式如下:

        (1)

        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],通過實(shí)驗(yàn)逐一驗(yàn)證此區(qū)間的整數(shù)值,其誤差輸出見圖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]。

        圖2 模擬預(yù)測(cè)誤差分析

        2.4 PSO-BP的ET0預(yù)測(cè)

        充分考慮區(qū)域?qū)嶋H情況,對(duì)參考作物騰發(fā)量(ET0)利用ADAPPSO-BP、PSO-BP和BP模型預(yù)測(cè)。其中,BP模型的隱含層和輸出層傳遞函數(shù)選用tansig、purelin函數(shù),網(wǎng)絡(luò)結(jié)構(gòu)為3-6-1,設(shè)定迭代運(yùn)算次數(shù)1000次,學(xué)習(xí)速率0.01。模型的訓(xùn)練樣本和檢驗(yàn)樣本選擇前675組、后225組實(shí)驗(yàn)數(shù)據(jù),由此驗(yàn)證模型預(yù)測(cè)情況。參考作物騰發(fā)量(ET0)實(shí)際結(jié)果與3種模型預(yù)測(cè)結(jié)果,其對(duì)比圖如圖3。另外,為更好的突出不同模型的預(yù)測(cè)效果,采用均方誤差(MSE)、平均絕對(duì)誤差(MAE)、平均相對(duì)誤差(MRE)、決定系數(shù)(R2)4項(xiàng)指標(biāo)作為模型評(píng)價(jià)標(biāo)準(zhǔn),其表達(dá)式為:

        (8)

        (9)

        (10)

        (11)

        參考作物騰發(fā)量(ET0)預(yù)測(cè)曲線,見圖3。

        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。可見,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)于此類問題ADAPPSO-BP算法能夠較好的解決。

        圖3 參考作物騰發(fā)量(ET0)預(yù)測(cè)曲線

        不同模型的評(píng)價(jià)指標(biāo)對(duì)比,見表3。

        表3 不同模型的評(píng)價(jià)指標(biāo)對(duì)比

        由表3可知,PSO-BP模型、BP模型的MRE、MAE、MSE均大于ADAPPSO-BP模型的0.1107、0.2064、2.2715,并且PSO-BP模型、BP模型的R2均值小于ADAPPSO-BP模型的0.9618,可見這3種模型中ADAPPSO-BP模型具有最小的預(yù)測(cè)誤差和最高的擬合度。與PSO-BP算法相比ADAPPSO-BP模型的MRE、MAE、MSE減少了12.14%、14.60%、8.15%,由此表明較傳統(tǒng)的PSO算法改進(jìn)的算法能夠顯著提升預(yù)測(cè)精度。

        3 結(jié) 論

        對(duì)于實(shí)際應(yīng)用過程中標(biāo)準(zhǔn)PSO算法易陷入局部極值的問題,結(jié)合相關(guān)資料提出了一種能夠減少陷入局部極值概率的非線性遞減權(quán)重策略(ADAPPSO),并對(duì)影響ET0的主要因素利用平均影響值法篩選,并構(gòu)建能夠準(zhǔn)確預(yù)測(cè)ET0的ADAPPSO-BP模型。結(jié)果表明,較PSO-BP算法ADAPPSO-BP模型可進(jìn)一步提高ET0預(yù)測(cè)精度,在ET0預(yù)測(cè)過程中能夠克服BP神經(jīng)網(wǎng)絡(luò)精度較低的缺陷,可為新型、高效、節(jié)能灌溉技術(shù)的開發(fā)提供科學(xué)指導(dǎo)。

        猜你喜歡
        極值權(quán)重粒子
        極值點(diǎn)帶你去“漂移”
        極值點(diǎn)偏移攔路,三法可取
        權(quán)重常思“浮名輕”
        一類“極值點(diǎn)偏移”問題的解法與反思
        基于粒子群優(yōu)化的橋式起重機(jī)模糊PID控制
        為黨督政勤履職 代民行權(quán)重?fù)?dān)當(dāng)
        基于粒子群優(yōu)化極點(diǎn)配置的空燃比輸出反饋控制
        基于公約式權(quán)重的截短線性分組碼盲識(shí)別方法
        匹配數(shù)為1的極值2-均衡4-部4-圖的結(jié)構(gòu)
        層次分析法權(quán)重的計(jì)算:基于Lingo的數(shù)學(xué)模型
        河南科技(2014年15期)2014-02-27 14:12:51
        免费 无码 国产精品| 国产午夜毛片v一区二区三区| 国产精品成人国产乱| 中文亚洲爆乳av无码专区| 蜜桃av噜噜一区二区三区免费| 激情在线一区二区三区视频| 女人和拘做受全程看视频| 国内精品久久久久久久久久影院 | 护士人妻hd中文字幕| 欧美黑寡妇特a级做爰| 亚洲国产理论片在线播放| 蜜桃av无码免费看永久 | 国产欧美日韩va另类在线播放| 一二三四在线视频观看社区| 青青草综合在线观看视频| 亚洲国产一区二区av| 人人做人人爽人人爱| 精品欧美乱码久久久久久1区2区| 亚洲成AV人片无码不卡| 久久日韩精品一区二区| 人妻熟女一区二区三区app下载| 国产视频导航| 日本在线免费一区二区三区| 国产18禁黄网站免费观看| 粉嫩极品国产在线观看免费一区| 蜜桃一区二区三区| 久久免费网国产AⅤ| 日本免费一区精品推荐| 国产精品美女一区二区av| 麻豆国产精品久久人妻| 国产免费av片在线观看播放| 久久久久成人精品免费播放网站| 一本色道精品亚洲国产一区| 成人亚洲精品777777| 99精品国产在热久久国产乱| av天堂手机一区在线| 色综合久久蜜芽国产精品| 色猫咪免费人成网站在线观看| 人妻中文字幕一区二区二区 | 天下第二社区在线视频| 人妻无码一区二区在线影院|