基于小波变换灰度模型-人工神经网络(GM-ANN)<br/>组合的粮食产量预测模型-《江苏农业科学》

文章信息/Info

Title:: Prediction model of grain production based on wavelet transformation and a GM-ANN model

作者:: 樊超; 杨静; 杨铁军; 傅洪亮; 河南工业大学信息科学与工程学院，河南郑州 450001

Author(s):: Fan Chao; et al

关键词:: 粮食产量; 小波变换; 灰度模型; BP神经网络; 预测

Keywords:: -

分类号:: S11

DOI:: -

文献标志码:: A

摘要:: 由于粮食生产受到社会、经济和气候等多方面因素的影响，造成粮食产量序列的复杂性、随机性和非平稳性。为了准确预测粮食产量，提出基于小波变换的灰度模型(GM)-反演(BP)神经网络［BP神经网络是人工神经网络(AMNN)的一种］相结合的预测方法，首先利用小波变换将非平稳序列转化为若干不同频率分量的平稳序列；然后针对各序列使用灰色GM(1，1)模型建立预测模型，为了进一步提高模型的预测精度，结合BP神经网络对预测残差进行修正；最后通过组合得到粮食产量的预测模型。通过对2011—2014年我国粮食产量数据的预测，表明所提方法的预测精度明显高于GM(1，1)和BP神经网络预测模型，4年的平均预测误差小于1%，能够较准确地预测我国粮食产量。

Abstract:: -

参考文献/References:

［1］黄敬峰，王人潮，王秀珍，等. 冬小麦遥感估产多种模型研究［J］. 浙江大学学报：农业与生命科学版，1999，25(5)：519-523.
［2］Elisabeth S，Evan D G. Typologies of crop-drought vulnerability：an empirical analysis of the socio-ecomomic factors that influence the sensitivity and resilience to drought of three major food crops in China(1961—2001)［J］. Environmental Science & Policy，2009(12)：231-238.
［3］王建林，王宪彬，太华杰. 中国粮食总产量预测方法研究［J］. 气象学报，2000，58(6)：738-744.
［4］董美双，何欢，童晓星. 基于ε-SVR的粮食产量预测模型及应用［J］. 浙江大学学报：农业与生命科学版，2009，35(4)：439-443.
［5］何延治. 基于时间序列分析的吉林省粮食产量预测模型［J］. 江苏农业科学，2014，42(10)：478-479.
［6］张成才，陈少丹. BP神经网络在河南省粮食产量预测中的应用［J］. 湖北农业科学，2014，53(8)：1969-1971.
［7］向昌盛，张林峰. 灰色理论和马尔可夫相融合的粮食产量预测模型［J］. 计算机科学，2013，40(2)：245-248.
［8］Baili J，Lahouar S，Hergli M，et al. GPR signal denoising by discrete wavelet transform［J］. NDT & E International，2009，42(8)：696-703.
［9］魏津瑜，苏思沁，施鹤南. 基于小波分析的城市需水量预测［J］. 中南大学学报：自然科学版，2013(增刊2)：183-187.

相似文献/References:

[1]李磊,谢小璐.工业污染与城镇化对粮食产量影响的灰色分析——以江苏省为例[J].江苏农业科学,2013,41(06):393.
　Li Lei,et al.Gray analysis on influence of industrial pollution and urbanization on grain outputs—Taking Jiangsu Province as an example[J].Jiangsu Agricultural Sciences,2013,41(12):393.
[2]李治国,陆贤东,管相荣.1982—2011年旱灾对中国粮食产量影响研究[J].江苏农业科学,2014,42(08):426.
　Li Zhiguo,et al.Study on effect of drought on Chinas grain output in the past 30 years[J].Jiangsu Agricultural Sciences,2014,42(12):426.
[3]韩伟,刘强.一种NSCT域改进阈值函数的杂草图像去噪方法[J].江苏农业科学,2013,41(11):151.
　Han Wei,et al.A weed image denoising method based on improved threshold function of NSCT domain[J].Jiangsu Agricultural Sciences,2013,41(12):151.
[4]罗勇胜.基于小波域局部能量最大化的农产品图像滤波算法[J].江苏农业科学,2016,44(05):408.
　Luo Yongsheng.Agricultural product image filtering algorithm with maximum local energy based on wavelet domain[J].Jiangsu Agricultural Sciences,2016,44(12):408.
[5]张杰,刘丹,诸叶平,等.基于ESDA的乡镇粮食产量空间特征分析——以河北省石家庄市为例[J].江苏农业科学,2015,43(08):466.
　Zhang Jie,et al.Spatial feature analysis of township grain yield based on ESDA-Taking Shijiazhuang City of Hebei Province as an example[J].Jiangsu Agricultural Sciences,2015,43(12):466.
[6]赵玉姝,焦源,高强.山东省粮食生产影响因素实证分析[J].江苏农业科学,2015,43(07):479.
　Zhao Yushu,et al.Empirical analysis of factors influencing grain production in Shandong Province[J].Jiangsu Agricultural Sciences,2015,43(12):479.
[7]王新华.基于面板数据模型的湖北省粮食产量影响因素实证研究[J].江苏农业科学,2015,43(07):482.
　Wang Xinhua.Empirical study on determinants of grain output based on panel data model in Hubei Province[J].Jiangsu Agricultural Sciences,2015,43(12):482.
[8]姚宏,桑丽萍,李彩云.基于二维经验模态分解与小波变换的农作物图像去噪[J].江苏农业科学,2015,43(04):400.
　Yao Hong,et al.Denoising of crop image based on two-dimensional empirical mode decomposition and wavelet transform[J].Jiangsu Agricultural Sciences,2015,43(12):400.
[9]杨青.一种基于图像分析的玉米病虫害智能化识别方法[J].江苏农业科学,2014,42(07):128.
　Yang Qing.Intelligent recognition method of maize diseases and pests based on image analysis[J].Jiangsu Agricultural Sciences,2014,42(12):128.
[10]周仕友.一种结合小波变换的豆类图像增强算法[J].江苏农业科学,2014,42(07):433.
　Zhou Shiyou.A beans images enhancement algorithm based on wavelet transform[J].Jiangsu Agricultural Sciences,2014,42(12):433.

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

文章信息/Info

参考文献/References:

相似文献/References:

备注/Memo

常用功能

导航/Navigate

工具/Tools

统计/Statistics