两种预测模型在地下水动态中的比较与应用

预测陕西洛惠渠灌区地下水动态变化情况,在综合分析了各种地下水动态研究方法的基础上,提出了基于支持向量机和改进的BP神经网络模型的灌区地下水动态预测方法,并在MATLAB中编制了相应的计算机程序,建立了相应的地下水动态预测模型。以灌区多年实例数据为学习样本和测试样本,比较了两种模型的地下水动态预测优劣性。研究表明,支持向量机模型和BP网络模型在样本训练学习过程中都具较高的模拟精度,而在样本学习阶段,支持向量机的预测精度明显优于BP网络,可以很好的描述地下水动态复杂的耦合关系。支持向量机方法切实可行,更加适合大型灌区地下水动态预测,是对传统地下水动态研究方法的补充与完善。     

ARIMA与SVM组合模型在害虫预测中的应用

害虫发生是一种复杂、 动态时间序列数据, 单一预测模型都是基于线性或非线性数据, 不能同时捕捉害虫发生的线性和非线性规律, 很难达到理想的预测精度。本研究首先采用差分自回归移动平均模型对昆虫发生时间序列进行线性建模, 然后采用支持向量机对非线性部分进行建模, 最后得到两种模型的组合预测结果。将组合模型应用到松毛虫Dendrolimus punctatus发生面积的预测, 实验结果表明组合模型的预测精度明显优于单一模型, 发挥了两种模型各自的优势。组合模型是一种切实可行的害虫预测预报方法。     

基因表达数据小波降噪与肿瘤识别

建立了基于小波降噪和支持向量机的结肠癌基因表达数据肿瘤识别模型.对试验数据进行小波分解,并利用交叉验证的方法计算试验样本的平均分类准确率,确定小波函数与小波分解层数;引入能量阈值方法对小波分解系数进行阈值处理,达到降噪的目的;提出了基因分类贡献率与主成分分析结合的方法,提取结肠癌样本数据特征;利用支持向量机强大的非线性映射能力,实现对结肠癌样本数据的非线性分类.为了减弱样本集的划分对分类准确率的影响,本文采取Jackknife检验方法对支持向量分类器的分类器检验,其分类准确率为96.77%.试验结果证明了该方法的有效性,该方法对结肠癌的识别具有一定的参考价值.     

基于SVR和CAR的多维时间序列分析及其在生态学中的应用

基于支持向量回归（SVR）并融合带受控项的自回归模型（CAR）,建立了一种既反映样本集动态特征又体现环境因子影响的非线性多维时间序列分析预测方法（SVR-CAR）。用一步预测法对两个生态学样本集的预测结果表明,SVR-CAR在所有参比模型中预测精度最高,并具结构风险最小、非线性、避免过拟合、泛化推广能力优异等诸多优点。SVR-CAR在生态学、农业科学、经济学等多维时间序列预测领域有较广泛的应用前景。     

一种新的非翻译区剪接位点识别方法

为提高非翻译区剪接位点识别的精度,提出一种统计概率与支持向量机相结合的识别方法 .该方法主要分为两个阶段,第一阶段应用统计学方法对非翻译区(UTR)序列进行描述,将序列中各碱基之间的相关性、位置特异性、保守性等特征用概率形式描述,以概率参数作为第二阶段支持向量机的输入向量,第二阶段应用带有多项式核函数的支持向量机(SVM)对剪接位点进行识别.通过对人类5′UTR剪接位点数据集进行测试,结果表明:该方法对非翻译区剪接位点的识别取得了很好的效果.     

头孢菌素类抗生素的定量构效关系研究

目的:建立一种预测精度较高的定量构效关系(QSAR)模型,为设计和合成活性更高的头孢菌素类抗生素提供理论依据。方法:发展了一种基于支持向量回归(SVR)和k-最近邻(KNN)的非线性组合预测方法(SVR-KNN),系统研究了48种抗流感嗜血杆菌头孢菌素衍生物的QSAR。结果:留一法预测结果表明,非线性筛选描述符和子模型能明显提高预测精度,汰选子模型后的组合预测精度优于单一子模型,SVR-KNN的MSE、MAPE分别为0.019、1.81%;独立样本预测结果显示,SVR-KNN在所有参比模型中具有最优的预测精度及稳定性,其MSE、MAPE分别为0.010、1.33%。结论:SVR-KNN模型具有较强的预测能力和优异的泛化推广能力,在抗生素及其他药物的QSAR研究中有广泛应用前景。     

基于支持向量机和贝叶斯方法的蛋白质四级结构分类研究

用支持向量机和贝叶斯两种方法对蛋白质四级结构进行分类研究。结果表明,基于支持向量机的分类结果最好,其l0CV检验的总分类精度、正样本正确预测率、Matthes相关系数和假阳性率分别为74．2％、84．6％、0．474、38．9％;基于贝叶斯的分类结果没有支持向量机的分类结果好,但其l0CV检验的假阳性率最低(15．9％)．这些结果说明同源寡聚蛋白质一级序列包含四级结构信息,同时特征向量的确表示了埋藏在缔合亚基作用部位接触表面的基本信息。     

农作物害虫预测预报的统计学方法

农作物害虫的发生期、发生量、各虫态历期等(本文统称为害虫要素)的预测预报,除了对害虫进行生态学、生理学、生物学的分析,并考虑外界环境因子的影响作出结论外,还可以运用统计学的方法。近年来,我们曾对统计学方法测报虫情作了些摸索,现将部分结果整理如下,以供参考。     

基于支持向量机分类的RNA共同二级结构预测

比较序列分析作为RNA二级结构预测的最可靠途径, 已经发展出许多算法。将基于此方法的结构预测视为一个二值分类问题: 根据序列比对给出的可用信息, 判断比对中任意两列能否构成碱基对。分类器采用支持向量机方法, 特征向量包括共变信息、热力学信息和碱基互补比例。考虑到共变信息对序列相似性的要求, 通过引入一个序列相似度影响因子, 来调整不同序列相似度情况下共变信息和热力学信息对预测过程的影响, 提高了预测精度。通过49组Rfam-seed比对的验证, 显示了该方法的有效性, 算法的预测精度优于多数同类算法, 并且可以预测简单的假节。     

基于优化核参数支持向量机的意识任务分类

根据支持向量机的基本原理,给出一种推广误差上界估计判据,并利用该判据进行最优核参数的自动选取。对三种不同意识任务的脑电信号进行多变量自回归模型参数估计,作为意识任务的特征向量,利用支持向量机进行训练和分类测试。分类结果表明,优化核参数的支持向量机分类器取得了最佳的分类效果,分类正确率明显高于径向基函数神经网络。     

大气环流特征量的水稻白背飞虱发生程度预报模型的研究

根据500hPa大气环流特征量能表征天气形势和控制天气条件的这一特性,利用线性及单调曲线相关与最优化因子相关两种技术对环流特征量因子进行普查、对比分析,发现白背飞虱虫情指标与环流因子之间关系不仅是线性及几种单调曲线的关系,而且还存在非线性、非单调的单峰(谷)型的相关关系,并从中挑选一批与水稻白背飞虱虫情指标相关极其显著、稳定性强、因子间相互独立、可靠的大气环流特征量作为预报因子,在此基础上,建立了江苏省水稻白背飞虱虫情指标预报的环流模型,且还证实了模型中的环流因子与影响白背飞虱迁入、发生发展的气象条件呈显著相关关系,为预报白背飞虱发生程度提供了新的长期因子和新途径。     

我国林火发生预测模型研究进展

通过文献回顾,总结了国内林火发生预测模型的研究现状,并从林火发生驱动因子、林火发生概率预测模型、林火发生频次预测模型和模型检验方法等方面进行归纳分析。得出以下结论: 1)气象、地形、植被、可燃物、人类活动等因素是影响林火发生及模型预测精度的主要驱动因子;2)林火发生概率模型中,地理加权逻辑斯蒂回归模型考虑了变量之间的空间相关性,Gompit回归模型适宜非对称结构的林火数据,随机森林模型不需要多重共线性检验,在避免过度拟合的同时提高了预测精度,是林火发生概率预测模型的优选方法之一;3)林火发生频次模型中,负二项回归模型更适合对过度离散数据进行模拟,零膨胀模型和栅栏模型可以处理林火数据中包含大量零值的问题;4)ROC检验、AIC检验、似然比检验和Wald检验方法是林火概率和频次模型的常用检验方法。林火发生预测模型研究仍是我国当前林火管理工作的重点,预测模型的选择需要依据不同地区林火数据特点。此外,构建林火预测模型时需要考虑更多的影响因素,以提高模型预测精度;未来,需要进一步探索其他数学模型在林火发生预测中的应用,不断提高林火发生预测模型的准确度。     

褐飞虱发生的相空间线性回归预测模型

基于混沌理论,通过对江苏省太湖地区农科所褐飞虱发生时间序列资料的分析,组建了褐飞虱Nilaparvata lugens Stal发生时间序列的相空间线性回归预测模型。结果表明,7次预报的平均相对误差为22.91%,转化为发生等级,预测准确率为100%,这为害虫的长期可预测性提供了一种有效的新方法。     

信息化学物质在害虫监测中的应用

种群监测是害虫种群预测与防治决策制定中十分重要的环节,而利用信息化学物质进行昆虫成虫种群监测,与其他各虫态或寄主被害率等的抽样调查方法相比,具有简便、省工、费用低、具种特异性、在低虫口密度下灵敏、监测范围广等特点。信息化学物质的应用主要包括昆虫种类和分布区检测、害虫发生期监测和发生量或为害水平监测。前两个方面的应用没有争议,而害虫发生量监测比较复杂,具有正反两方面的事例,其可靠性存在争议。本文在总结国内外研究结果的基础上,对如何提高利用信息化学物质进行监测和预测的可靠性进行了探讨。影响信息化学物质监测和预测害虫危害程度的因素很多,包括信息化学物质的成分、组成、剂量、释放速率,诱捕器种类和林间设置方法,监测对象的生物学、种群动态和发生阶段,害虫的生活环境条件(包括生物学因素如寄主种类、组成、年龄和密度等以及非生物因素如气候因子等),危害损失的估计方法,以及预测模型的类型和建模方法等。研究分析表明,正确的信息化学物质组成和比例、适当的信息化学物质用量和诱芯载体对信息化学物质的持续稳定释放是监测可靠性的基础,诱捕器的种类、设置方式、密度也需要进行测试并规范化,另外还需根据所监测对象的特性及其所处的环境研究制定特定的种群密度水平或寄主被害率统计方法及预测模型,建立系统的监测规范和程序。只要建立了符合所监测害虫特性和所处环境条件的监测方案,基于信息化学物质的害虫监测是可靠的。     

人工神经网络在三化螟预测中的应用

本应用神经网络对闽北四代三化螟的发生情况进行了预测,三化螟的预报可视作高维空间的非线性分类问题。利用BP网络的反向传播算法．我们对三化螟种群发生趋势进行预测,并获得了满意的结果。     

用非线性模型估测恒温和变温下棉铃虫蛹的发育率

为了深入分析和探讨昆虫发育与环境温度的关系, 在恒温（15~37℃）和交替变温（12/18~34/40℃）下测定了棉铃虫Helicoverpa armigera蛹的发育历期(d),分别用线性模型和非线性模型（Logan模型﹑Lactin模型和王氏模型）拟合其发育率(1/d)数据。结果表明,这3个非线性模型能更准确地描述发育率与温度之间的曲线关系,判定系数（R2）在0.9878～0.9991之间。对全部观测数据的进一步研究表明,只要有6个分布合适的观测数据,就可以用这些非线性模型获得相当满意的估测效果。如果缺乏高温下的测定数据,用非线性模型预测的昆虫发育率可能失真。分析了蛹在恒温和变温下发育率差异的可能原因,讨论了应用这3个非线性模型预测蛹期发育的优点和缺点,指出用非线性模型取代线性日·度模型进行害虫发生预测和益虫饲养管理的合理性和必要性。     

神经网络预警系统及其在害虫预测中的应用

利用神经网络的基本原理 ,结合气象因子以及江苏通州市田间褐飞虱发生程度的实测数据 ,建立了该地的神经网络长期预警系统。经实例验证 ,该方法的预测精度达 80 % ,为害虫的长期可预测性提供了一种新的方法     

基于两种轨迹模型的褐飞虱迁飞轨迹比较研究

异地预测是迁飞性害虫发生预测的重要内容,迁飞轨迹模拟和预测是能较好地反映害虫迁飞时空动态的一种异地预测方法。褐飞虱作为我国水稻生产上的一种重要迁飞性害虫,其迁飞轨迹的准确预报,可为其灾变预警和有效防控提供科学依据。为了比较选择一些准确性好、分辨率高、易于推广应用的害虫迁飞轨迹模型,选取2006年7月初发生在湖南省洪江市的一次褐飞虱重大北迁过程作为典型个例,运用中尺度天气研究和预报模式WRF,结合NCEP气象再分析数据,利用HYSPLIT和FLEXPART两种轨迹计算模式对褐飞虱迁飞轨迹进行模拟,并验证模型模拟和计算的准确度和精确度。研究结果表明:(1)WRF-HYSPLIT和WRF-FLEXPART两种轨迹计算模式在虫源地、迁飞路径(迁飞方位角和走向)、迁飞高度、迁飞速率和迁飞距离计算上总体趋势一致,但存在一定的差异,后者的起伏变化大于前者。(2)尽管两种耦合模式在调用WRF模式输出的预报场物理变量方面有很多相同之处,但WRF-FLEXPART耦合模式在运行计算过程中比WRF-HYSPLIT耦合模式多考虑了对流参数、地表胁迫和各种地形参数,因而能更全面地反映中尺度天气过程(特别是对流性天气过程)对昆虫起飞、空中飞行和降落的动力作用,也能更真实地反映地表物理过程、大气湍流结构和地形起伏对褐飞虱种群迁飞的影响。(3)从褐飞虱种群对生境和取食条件选择上看,两种模式模拟的各高度迁入种群的虫源区、迁飞路径和降落地都是合理的、准确的。但从褐飞虱迁出、空中飞行和降落所处的三维流场来看,WRF-FLEXPART模式轨迹走向与盛行气流方向的吻合度要明显高于WRF-HYSPLIT模式。(4)两种模式均可作为业务工具在迁飞性害虫测报中推广应用。     

Estimation of climatic factors relating to occurrence of the maize orange leafhopper, Cicadulina bipunctata

The maize orange leafhopper, Cicadulina bipunctata is a serious pest of forage maize in East and Southeast Asia. In temperate Japan, the occurrence of this leafhopper fluctuates widely among years. Here, we examined effects of climatic factors (temperature, precipitation and sunlight) on the occurrence of C. bipunctata. Seasonal occurrence of adult C. bipunctata in a census field from July to August, when forage maize was most susceptible to the pest, could be described by a simple exponential function with two parameter: estimated density of C. bipunctata on 1 July (N ₀) and intrinsic rate of natural increase (r) for each year. Forward stepwise multiple regression analysis using seasonal occurrence data from 2004 to 2009 detected positive contributions of average temperatures in the previous December and February and a negative contribution of total precipitation during the previous winter to N ₀. The analysis also indicated that average temperature in July of the current year and N ₀ contributed positively and negatively to r, respectively. These results indicated that high temperature and little precipitation during winter and high temperature in early summer induced high occurrence of C. bipunctata in summer. A prediction model based on these factors supported the actual seasonal occurrence in 2010, suggesting that this prediction model is applicable to C. bipunctata forecasting. The prediction model indicated that further global warming in the future is likely to cause further outbreaks of C. bipunctata.