|本期目录/Table of Contents|

[1]蒋丽丽,姜大庆.基于BP神经网络的农资库存数据插补技术[J].江苏农业科学,2018,46(20):268-271.
　Jiang Lili,et al.Interpolation technology of agricultural assets inventory data based on BP neural network[J].Jiangsu Agricultural Sciences,2018,46(20):268-271.
点击复制

基于BP神经网络的农资库存数据插补技术(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第46卷
期数:
2018年第20期
页码:
268-271
栏目:
农业工程与信息技术
出版日期:
2018-10-20

文章信息/Info

Title:
Interpolation technology of agricultural assets inventory data based on BP neural network
作者:
蒋丽丽;  姜大庆
南通科技职业学院，江苏南通 226007
Author(s):
Jiang Lili; et al
关键词:
BP神经网络; 农资库存; 数据插补
Keywords:
-
分类号:
S126
DOI:
-
文献标志码:
A
摘要:
当前一般按照数据的后验分布，为缺失值插入估计值，通常低估了统计量的方差，导致统计量估计置信范围降低，检测显著性降低。为此，提出1种新的基于BP神经网络的农资库存数据插补技术。为了增强不同年份农资库存数据的可比性，对数据进行归一化处理。针对训练的BP神经网络，通过平均绝对误差、均方误差、平均预测误差、平均绝对百分误差完成统计分析，评价模拟值和观测模拟值间的离散程度。分析了BP神经网络结构，对农资库存数据进行插补的过程中，构造双向时间识别序列，改变应用前一时间段农资库存数据预测后期数据的传统方式，采用缺失时间段前后已有农资库存数据共同对缺失数据进行预测。完成农资库存数据的处理后，需对已有样本进行训练，如果检验拟合度指标值高于0.8，则认为训练结果可靠，从而完成对缺失值的预测，实现农资库存数据插补。试验结果表明，所提技术插补精度高。
Abstract:
-

参考文献/References:

［1］刘荷花. 基于BP神经网络的激光焊接工艺参数优化数据库系统［J］. 激光杂志，2015，36(4)：182-184.
［2］苏丹. 基于BP神经网络的高空气象数据挖掘方法研究［J］. 现代电子技术，2017，40(24)：40-42.
［3］Ma H Z，Liu S M. The potential evaluation of multisource remote sensing data for extracting soil moisture based on the method of BP neural network［J］. Canadian Journal of Remote Sensing，2016，42(2)：117-124.
［4］李涛，樊文欣，赵俊生，等. 基于BP神经网络的强力旋压成形本构关系模型［J］. 锻压技术，2014，39(2)：150-153.
［5］Lin S B，Zeng J S，Xu Z B. Error estimate for spherical neural networks interpolation［J］. Neural Processing Letters，2015，42(2)：369-379.
［6］戴志辉，李芷筠，焦彦军，等. 基于BP神经网络的小样本失效数据下继电保护可靠性评估［J］. 电力自动化设备，2014，34(11)：129-134.
［7］樊雷松，强彦，赵涓涓，等. 无线传感网中基于BP神经网络的数据融合方法［J］. 计算机工程与设计，2014，35(1)：62-66.
［8］Lee S，An H，Yu S，et al. Creating an advanced backpropagation neural network toolbox within GIS software［J］. Environmental Earth Sciences，2014，72(8)：3111-3128.
［9］钱超，陈建勋，罗彦斌，等. 基于随机森林的公路隧道运营缺失数据插补方法［J］. 交通运输系统工程与信息，2016，16(3)：81-87.
［10］Liu Y，Li R X，Li C B，et al. Application of BP neural network and support vector machine to the accumulated temperature interpolation［J］. Journal of Arid Land Resources & Environment，2014，83(1)：116-118.
［11］闫龙川，张晓亮，杨猛，等. 基于BP神经网络的信息系统故障自动恢复技术［J］. 中国电力，2017，50(8)：146-149，184.
［12］Jia W K，Zhao D A，Shen T，et al. An optimized classification algorithm by BP neural network based on PLS and HCA［J］. Applied Intelligence，2015，43(1)：176-191.
［13］邹国良，韩金菊，屠正飞，等. 基于BP神经网络的海洋监测数据等级划分［J］. 海洋通报，2016，35(2)：187-193.
［14］Yu F，Xu X Z. A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network［J］. Applied Energy，2014，134：102-113.
［15］刘宁，戴吾蛟，刘斌. 一种抗差的形变数据插补方法［J］. 测绘科学，2017，42(9)：126-131，190.

相似文献/References:

[1]翟慧,李纪云.BP_Adaboost预测模型结合遗传算法在鸡腿菇生长环境寻优中的应用[J].江苏农业科学,2013,41(07):383.
　Zhai Hui,et al.Application of BP_Adaboost forecasting model combined genetic algorithm in growth environment optimization of Coprinus comaus[J].Jiangsu Agricultural Sciences,2013,41(20):383.
[2]赵艳玲,何厅厅,侯占东,等.基于BFA-BP神经网络的土壤肥力评价[J].江苏农业科学,2013,41(08):340.
　Zhao Yanling,et al.Soil fertility evaluation based on BFA-BP neural network[J].Jiangsu Agricultural Sciences,2013,41(20):340.
[3]王红君,张梦,赵辉,等.基于BP神经网络的温室黄瓜灌溉预测模型[J].江苏农业科学,2013,41(11):407.
　Wang Hongjun,et al.Irrigation forecast model of cucumber in greenhouse based on BP neural networks[J].Jiangsu Agricultural Sciences,2013,41(20):407.
[4]李子艺,王振锡,岳俊,等.基于BP神经网络的高光谱果树树种识别研究[J].江苏农业科学,2016,44(05):410.
　Li Ziyi,et al.Study on recognition of fruit tree with hyperspectral data based on BP neural network[J].Jiangsu Agricultural Sciences,2016,44(20):410.
[5]马海姣,崔晨风.基于可见-近红外光谱和神经网络的土壤类型鉴别[J].江苏农业科学,2014,42(04):284.
　Ma Haijiao,et al.Identification of soil types based on visible-near infrared spectroscopy and neural networks[J].Jiangsu Agricultural Sciences,2014,42(20):284.
[6]林萍,陈永明.利用可见近红外光谱技术快速鉴别大米品种[J].江苏农业科学,2015,43(12):320.
　Lin Ping,et al.Fast discrimination of rice varieties based on visible near-infrared spectroscopy technology[J].Jiangsu Agricultural Sciences,2015,43(20):320.
[7]梁帆,杨莉莉,崔世钢,等.基于神经网络的油菜成熟度等级视觉检测方法[J].江苏农业科学,2015,43(08):403.
　Liang Fan,et al.Visual inspection method of rapeseed maturity level based on neural networks[J].Jiangsu Agricultural Sciences,2015,43(20):403.
[8]赵方华,姜波.加工番茄的施肥模型[J].江苏农业科学,2015,43(06):147.
　Zhao Fanghua,et al.Fertilization model of processing tomato[J].Jiangsu Agricultural Sciences,2015,43(20):147.
[9]张亚丽.基于颜色特征和极端学习机的番茄成熟度识别[J].江苏农业科学,2014,42(07):411.
　Zhang Yali.Identification of tomato maturity based on color features and extreme learning machine[J].Jiangsu Agricultural Sciences,2014,42(20):411.
[10]杨可明,卓伟,刘二雄,等.基于光谱特征参数与主成分分析的玉米叶片叶绿素含量BP反演[J].江苏农业科学,2016,44(07):147.
　Yang Keming,et al.Study on a BP model for inversing chlorophyll content of corn leaves based on spectral characteristic parameters and principal component analysis[J].Jiangsu Agricultural Sciences,2016,44(20):147.

备注/Memo

备注/Memo:
收稿日期：2018-07-10
基金项目：江苏省南通市科技项目(编号：CP22012006)；江苏省南通市226高层次人才资助项目。
作者简介：蒋丽丽(1982—)，女，江苏南通人，硕士，讲师，主要从事农业信息技术、教育技术研究、教育与应用开发。E-mail：664733@qq.com。
通信作者：姜大庆，硕士，教授，主要从事农业信息技术等方面研究。E-mail：1738460845@qq.com。
更新日期/Last Update: 2018-10-20