首页 | 本学科首页   官方微博 | 高级检索  
   检索      
共有20条相似文献,以下是第1-20项 搜索用时 312 毫秒

1.  基于神经网络的马尾松叶绿素含量高光谱估算模型  
   刘文雅  潘洁《生态学杂志》,2017年第28卷第4期
   分析不同生长期的马尾松冠层反射光谱特征与相应叶绿素含量的相关关系.利用36个红边参数逐一筛选,最终确定7个与叶绿素含量相关性较高的红边参数作为光谱特征参数,分别应用逐步分析法与BP神经网络构建叶绿素含量的高光谱估算模型;同样,筛选出4个植被指数作为光谱特征参数,同时,将对原始光谱进行主成分分析降维后的前4个主成分作为BP神经网络的输入变量,分别应用逐步分析法与BP神经网络构建叶绿素含量的高光谱估算模型.结果表明: 将红边参数作为输入变量建立的逐步回归模型和BP神经网络模型的决定系数(R2)分别为0.5205、0.7253,均方根误差(RMSE)分别为0.1004、0.0848,相对误差分别为6.3%、5.7%.将植被指数作为输入变量建立的逐步回归模型和BP神经网络模型的R2分别为0.5392、0.7064,RMSE分别为0.0978、0.0871,相对误差分别为6.2%、6.0%.基于主成分分析的BP神经网络模型的预测效果最好,R2为0.7475,RMSE为0.0540,相对误差为4.8%.    

2.  木聚糖酶氨基酸组成与其最适pH的神经网络模型  被引次数:6
   张光亚 方柏山《生物工程学报》,2005年第21卷第4期
   籍均匀设计(UD)方法,构建了G/11家族木聚糖酶氨基酸组成和最适pH的神经网络(NNs)模型。当学习速率为0.09、动态参数为0.4、Sigmoid参数为0.98,隐含层结点数为10时,该模型对最适pH的拟合和预测平均绝对百分比误差可分别达到3.02%和4.06%,均方根误差均为0.19个pH单位,平均绝对误差分别为0.11和0.19个pH单位。该结果比文献报道的用逐步回归方法好。    

3.  用于昆虫分类鉴定的人工神经网络方法研究:主成分分析与数学建模  
   蔡小娜  黄大庄  沈佐锐  高灵旺《生物数学学报》,2013年第1期
   为探讨人工神经网络(ANN)在昆虫分类上的可行性,本文提出利用主成分分析和数学建模等方法相结合改进ANN,并以鳞翅目夜蛾科6种蛾类昆虫为样本进行了验证.首先利用Bugshape1.0特征提取软件获取6种蛾180个右前翅样本的13项数学形态特征数据,再运用主成分分析对蛾翅数学形态特征变量重新组合生成新的综合变量,然后结合主成分分析建立BP神经网络分类器.主成分分析结果表明,前5个主成分的累积贡献率为85.52%,已基本包含了全部特征变量具有的信息.在主成分分析的基础上,建立具有5个输入层节点,12个隐含层节点和1个输出层节点的三层BP神经网络分类器.每种蛾20个样本共120组特征数据对分类器进行训练和仿真,其余60组特征数据对分类器进行验证,仿真输出值与目标值的相关系数R=0.997,分类正确率达到了93.33%.较之未经过主成分分析而单独使用BP神经网络建立的分类器,基于主成分分析的BP神经网络分类器具有更优的性能和更准确的分类能力.研究结果表明本文提出的方法具有很好的分类和鉴别作用,为蛾种类的鉴别提供了一种可行的方法.    

4.  基于BP人工神经网络的小城镇生态环境质量评价模型  被引次数:5
   李丽  张海涛《应用生态学报》,2008年第19卷第12期
   针对中国小城镇生态环境质量综合评价存在的问题,以生态环境质量指标体系作为神经网络的输入、以生态环境等级评分作为输出,基于BP人工神经网络,建立了具有20个隐含层节点、3层网络的小城镇生态环境质量评价模型;以生态环境指标的各级评价标准作为模型的训练样本,以训练样本数量的10%以及各指标各等级的临界值、中间值作为检验样本,以研究区生态环境质量的实际监测值作为预测样本,利用MATLAB软件对BP人工神经网络进行训练,并对鄂州市杜山镇生态环境质量等级进行了模式识别.结果表明:利用BP人工神经网络方法对小城镇生态环境质量进行预测是可行的、可靠的,它不仅能很好地评价区域生态环境质量,而且能够与区域生态环境的实际特征相结合.    

5.  基于均匀设计的主成分分析-支持向量机模型及其在几丁质酶最适pH建模中的应用  被引次数:1
   林毅  蔡福营  袁宇熹  张光亚《生物工程学报》,2007年第23卷第3期
   采用主成分分析法对样本数据集进行预处理,将得到的新样本数据集输入支持向量机,籍均匀设计,构建了几丁质酶氨基酸组成和最适pH的数学模型。当惩罚系数C为10,epsilon值为0.7,Gamma值为0.5,模型对pH值拟合的平均绝对百分比误差为3.76%,同时具有良好的预测效果,预测的平均绝对误差为0.42个pH单位。该方法比用BP神经网络方法效果更佳。    

6.  BP神经网络在沙棘生态功能评价中的应用  
   桂凌  张征  王举位  闫国振《生态科学》,2011年第30卷第3期
   BP人工神经网络技术在环境评价领域中已经得到越来越广泛的运用,将该法引入到陕蒙砒砂岩区沙棘生态功能综合评价的研究中,以沙棘生态功能评价指标标准值作为样本输入,综合评价级别作为网络输出,建立了一个含有4个输入神经元节点、6个隐含神经元节点和1个输出神经元节点的BP人工神经网络等级模型.将目标年(2008年)各评价指标实际数据作为输入,得到输出值是0.44,大于Ⅱ级标准,研究结果表明:砒砂岩区种植十年沙棘后,其生态效益很好,对砒砂岩地区的生态环境改善作用显著.BP神经网络的评价结果与较成熟的AHP-模糊综合评价结果一致,证明将BP人工神经网络模型用于沙棘生态功能评价是可行的,且评价结论客观.    

7.  根瘤菌生态学研究中人工神经网络模型的应用  
   蔡煜东  姚林声《中国微生态学杂志》,1993年第3期
   本文运用人工神经网络的一典型模型—“反向传播”模型,研究了大豆根瘤菌数量的增长规律,建立了相应的预测模型,其拟合最大误差不超过12%。预测最大相对误差不超过4.1%。结果表明,神经网络模型性能良好,可望在根瘤菌生态学研究中获得广泛的应用。    

8.  应用近红外光谱法估测小麦叶片糖氮比  被引次数:1
   姚霞  王雪  黄宇  汤守鹏  田永超  曹卫星  朱艳《生态学杂志》,2015年第26卷第8期
   糖氮比能够反映作物碳氮代谢的协调程度,及时、准确地监测糖氮比对于作物氮素营养诊断和调控具有重要意义.本研究以不同年份、品种、施氮水平的小麦大田试验为基础,获取鲜叶和粉末状干叶近红外(NIR)光谱及糖氮比信息,分别运用偏最小二乘法(partial least squares, PLS)、BP神经网络(back propagation neural network, BPNN)和小波神经网络(wavelet neural network, WNN)3种方法建立了小麦叶片糖氮比预测模型,并利用随机选择的样品集对所建模型进行测试和检验.结果表明: 小麦鲜叶光谱模型预测性能不佳;而干叶片预测模型表现了较好的准确性,在1655~2378 nm谱区范围内基于3种方法构建的干叶粉末糖氮比估算模型,其预测均方根误差均低于0.3%,决定系数均高于0.9.比较而言,WNN法表现最佳.总体显示,近红外光谱法可以准确预测小麦叶片糖氮比状况,为科学诊断糖氮比提供了理论基础和技术途径.    

9.  基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类  被引次数:2
   肖锦成  欧维新  符海月《生态学报》,2013年第33卷第21期
   高效而精确的湿地遥感分类是大范围湿地资源动态监测与管理的必要保障。本研究使用ETM 遥感数据,借助Matlab神经网络工具箱,构建了基于BP神经网络的滨海湿地覆被分类模型,并将其应用于江苏盐城沿海湿地珍禽国家级自然保护区的核心区的自然湿地覆被分类研究中。本研究选择3、4、7、8波段作为输入层变量,单隐藏层设为10个节点,输出层变量对应待划分的8种覆被类型,构建三层式BP神经网络滨海湿地覆被分类模型。结果显示,BP分类总精度为85.91%,Kappa系数为0.8328,与最小距离法和极大似然法的分类总精度相比,分别提高了7.99%和6.08%,Kappa系数也相比提高。研究结果表明,BP神经网络分类法是一种较为有效的湿地遥感影像分类技术,能够提高分类精度。    

10.  基于植被指数的北京军都山荆条灌丛生物量反演研究  
   高明亮  宫兆宁  赵文吉  高阳  胡东《生态学报》,2014年第34卷第5期
   基于环境卫星数据提取10种植被指数,辅以资源三号卫星数据提取的高精度数字高程模型(DEM)等数据,结合实地野外采样数据,以北京军都山为试验区采用最小二乘回归模型拟合植被指数与荆条灌丛冠层生物量的定量关系,并利用拟合结果对研究区灌从冠层生物量进行了反演估算,生成研究区荆条及其伴生灌丛生物量空间分布图。结果表明,文中所建立的多元线性回归模型在研究区具有较好的反演精度和预测能力。其模型显著性为显著(α<0.01),相关系数为0.856,标准误差为58.5 g/m2;预测标准误差为98.1 g/m2,决定系数为0.865。通过对研究区荆条灌丛的冠层生物量进行遥感估算,提出了一种利用遥感技术监测灌木群落生物量的新思路。    

11.  基于多层感知器网络的过度医疗防治绩效评价研究  
   刘慧云  韩玉珍  刘国栋等《西北植物学报》,2017年第6期
   目的 通过多层感知器网络的构建评价过度医疗防治的效果,为进一步完善过度医疗防治体系提供参考。方法 基于多层感知器网络,构建了具有三层神经网络、9个隐含层节点数的过度医疗绩效评价模型。结果 多层感知器网络的训练结果与专家评价(期望结果)两者评价是完全一致的。 结论 该多层神经网络及其评价指标的选取能够很好的应用于医疗服务中的过度医疗防治绩效评价。    

12.  基于BP人工神经网络方法的广西稻飞虱发生等级预测  
   何燕  何慧  孟翠丽  谢茂昌  龙梦玲  李玉红《生态学杂志》,2014年第1期
   利用广西45个农业病虫测报站1988—2012年稻飞虱发生等级及1987—2012年气象要素、大气环流特征量等资料,采用模糊聚类分析、BP人工神经网络等方法,将广西早稻稻飞虱发生等级分为桂东、桂西南和桂西北3个区域,分别对各区域稻飞虱发生等级进行预测。结果表明:各区域稻飞虱发生等级与气象要素及大气环流密切相关,冬春季气温高、雨日多、湿度大、光照少等因素均利于稻飞虱发生,副热带高压、印缅槽和西南气流等均对稻飞虱发生等级有影响;各区域稻飞虱发生等级序列从冬春季气象要素、大气环流特征量中选择初选预测因子,对初选预测因子作EOF展开构造综合预测因子,分区建立预测模型并进行交叉检验表明,3个区域的人工神经网络模型平均拟合绝对误差比逐步回归模型分别小0.07、0.1和0.02,2011、2012年独立样本预测试验表明,人工神经网络模型和逐步回归模型的实际预测绝对误差为0.42和0.5,可见稻飞虱发生等级的BP人工神经网络预测模型比传统逐步回归模型有更好的拟合和预测效果,为稻飞虱与气象要素之间的非线性关系研究开拓新的思路。    

13.  BP人工神经网络在光谱定量预测中的应用  被引次数:1
   雷浩东  孟耀勇  廖昱博  王英《激光生物学报》,2007年第16卷第4期
   人工神经网络是模仿大脑神经元网络结构和功能而建立的一种信息处理系统,广泛的应用于各种波谱数据处理。误差反向传播多层前馈式网络(back-propagation network,简称BP网络)应用最广,发展最为迅速。将BP神经网络用于紫外-可见吸收光谱和拉曼光谱数据的定量分析和预测,与原文的一元线性回归模型数据处理方法相比,获得了比较满意的预测结果,预测精度有显著提高。这为相关的光谱分析和数据处理提供了一种更有效、更精确的方法。    

14.  基于神经网络简单集成的湖库富营养化综合评价模型  被引次数:4
   邓大鹏  刘刚  李学德  花日茂  汤锋《生态学报》,2007年第27卷第2期
   根据中国水利部推荐的地表水富营养化控制标准,以叶绿素a、总磷、总氮、化学需氧量和透明度为评价指标,采用线性插值方法生成均匀分布的训练样本,建立了用于湖泊、水库富营养化综合评价的神经网络简单集成模型,其个体网络采用反向传播网络。通过递增法分别确定个体网络隐含层节点数为3,集成规模为40。所有个体网络均采用弹性反传训练算法和带动量的梯度下降学习算法。将该模型应用于巢湖富营养化综合评价,结果表明该模型有效消除了单个反向传播神经网络对初始网络权重的敏感性,泛化能力得到显著的提高。该模型的评价结果与综合营养状态指数法差异极显著,而与插值评分法差异不显著;但相关性较高,相关系数分别为0.9406和0.8891。通过对比分析,表明该模型较好地归纳了评价标准中的潜在评价规则,评价结果客观、可靠。    

15.  基于遗传神经网络的成都市人均生态足迹预测  被引次数:6
   杨娟  王昌全  李冰  李焕秀  白根川《生态学报》,2009年第29卷第1期
   利用遗传神经网络模型分析成都市各年人均生态足迹值与其主要影响因素之间的内在关系,并以此来预测未来生态足迹发展趋势.首先计算出成都市1985~2005年共21年的人均生态足迹值,结果表明,20余年来成都市人均生态足迹值缓慢上升,从1.344hm2升至1.789hm2.选取6个影响因素指标,建立了6输入、1输出、1个隐含层的三层BP人工神经网络,利用遗传算法的全局优化性能对BP网络进行初始权值优化,以克服BP网络易陷入局部极小点的缺陷.运用遗传神经网络模型对训练样本(1985~2002年人均生态足迹值)进行拟合的精度达99.70%;对检验样本(2003~2005年人均生态足迹值)进行仿真检验,仿真精度为99.10%,高于普通BP神经网络模型(97.89%),体现出模型较强的应用价值.利用1985~2005年各影响因素的预测值作为网络输入,使用优化后的网络来预测成都市未来几年生态足迹值,最终预测得到2008~2010年成都市人均生态足迹的预测值分别为1.939、1.990、2.049 hm2人-1,人均生态赤字分别为1.629、1.688、1.749 hm2人-1.为减轻城市发展消耗所导致的生态环境压力,应有效控制成都市人口过快增长、引导消费观念和结构更新.    

16.  基于小波分析与BP神经网络的西湖叶绿素a浓度预测模型  被引次数:3
   卢志娟  朱玲  裴洪平  汪勇《生态学报》,2008年第28卷第10期
   小波神经网络是基于小波分析理论所构造的一种分层的、多分辨率的新型人工神经网络。选择合适的小波基和分解尺度对西湖水体Chl—a进行小波分析,将原序列分解成一个低频概貌分量和多个高频细节分量,再通过BP网络建立西湖叶绿素a浓度短期预测模型Ⅰ和模型Ⅱ。模型Ⅰ将小波分析去除高频细节信息后的低频概貌部分作为输入变量预测Chl-a含量;模型Ⅱ则对低频部分和高频部分分别进行预测,最后汇总各分网络输出得到最终结果。对确证集预测时,模型Ⅰ的平均误差为4.4%,模型Ⅱ仅为1.9%,且误差范围较模型Ⅰ小,表明模型Ⅱ具有较高的预测精度和稳定性。最后运用模型Ⅱ进行水质预测,预测值与实际值的平均相对误差为6.4%,并选取3号点(中山码头)进行模型的泛化,平均相对误差为6.9%,取得了较理想的预测效果,说明小波神经网络能成功预测西湖水体中Chl—a含量的短期变化趋势,为西湖水质管理提供科学依据。    

17.  荒漠啮齿动物群落对开垦干扰的响应及其种群生态对策  
   袁帅  付和平  武晓东  张晓东  查木哈  张福顺  甘红军《生态学报》,2013年第33卷第20期
   开垦对功能相对脆弱的荒漠生态系统是重要的干扰,这种干扰往往导致栖息地破碎化,并对动植物群落产生强烈影响。作为荒漠生态系统的重要成分,啮齿动物群落受到开垦干扰后对环境的响应及其群落中种群的生态对策,是荒漠生态系统生物多样性及其功能维持稳定的重要基础。2006~2011年,采用标志重捕法对内蒙古阿拉善荒漠区未开垦和开垦草地啮齿动物群落格局及其不同生态对策种群的数量组成进行了专门研究。目的(1)明确开垦干扰下啮齿动物群落格局时间尺度变化;(2)验证假设:人为干扰区(开垦区)啮齿动物群落中r?对策者占据优势,未干扰区(未开垦区)以K?对策者为主;(3)依据啮齿动物群落中不同生态对策种群的数量组成来判断群落所受干扰的程度。结果表明,开垦干扰降低了啮齿动物群落多样性,改变了群落中不同生态对策种群的数量组成,种群以r?对策者为优势;未开垦区啮齿动物群落中以K?对策种群为主。开垦区啮齿动物群落受到严重干扰。    

18.  BP人工神经网络紫外分光光度法同时测定三种氨基酸  被引次数:3
   王志有  于洪梅  李井会  臧娜  王海洋《生物数学学报》,2005年第20卷第2期
   应用人工BP神经网络紫外分光光度法,不经分离,同时测定了色氮酸、酪氮酸和苯丙氮酸,采用均匀实验设计法,确定了最佳网络运行参数;比较了三层和四层BP神经网络的预测能力;用预测能力较好的三层BP神经网络同时测定了复方氮基酸注射液中色氮酸、酪氮酸和苯丙氮酸,相对平均误差分别为1.09%、3.71%和2.40%。    

19.  芽胞气溶胶表面滞留抗力预测模型研究  
   黄国荣  张林  王庆华  向颖  许斌  熊鸿燕《微生物学杂志》,2010年第30卷第5期
   针对生物威胁的现场处置工作,建立气溶胶芽胞表面滞留抗力的智能预测模型,以准确预测环境表面芽胞污染状况,为大规模的现场洗消任务提供重要依据,有利于实现及时反应、恰当反应和准确防护的目标。以枯草杆菌芽胞为试验菌,在气溶胶实验室进行芽胞的环境因素暴露及活力测定,以模拟环境中芽胞抗力变化规律数据为依据,采用Matlab6.1软件包中的神经网络工具箱进行抗力预测模型研究。根据研究目的、模拟环境条件和数据训练的平滑曲线等特征,设定了5个输入神经元,8个隐层节点和1个输出神经元。‘tansig’、‘purelin’为传递函数,trainlm为训练函数,网络迭代100次。模型回顾预测效率达到100%,前瞻预测效率达到91%。以实验室数据为依据,利用Matlab平台中的BP神经网络建立的芽胞气溶胶表面滞留抗力预测模型能利用环境因素信息有效预测芽胞抗力。    

20.  BP人工神经网络模拟杨树林冠蒸腾  
   李辉东  关德新  袁凤辉  王安志  吴家兵  金昌杰《生态学报》,2015年第35卷第12期
   利用2008和2010年的气温、饱和差、总辐射和叶面积指数作为模型输入,液流法观测的蒸腾速率作为模型输出,建立了用于杨树林冠蒸腾模拟的BP人工神经网络模型,利用2009年的观测数据对模型的模拟能力进行了检验,并应用连接权值计算得到的输入变量对输出变量的相对贡献进行了敏感性分析。结果表明:建立的BP人工神经网络蒸腾模型可以很好的模拟林冠蒸腾大小和季节变化,模拟的绝对误差和绝对相对误差的平均值分别为0.11 mm/d和9.5%,纳什效率系数为0.83;输入变量对蒸腾的相对贡献以及蒸腾与输入变量之间的相关性大小顺序相同,均为总辐射 > 叶面积指数 > 饱和差 > 气温。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号