本文關(guān)鍵詞：基于云遺傳RBF神經(jīng)網(wǎng)絡(luò)的糧情預測模型研究，由筆耕文化傳播整理發(fā)布。

【摘要】：近年來由于國家十分關(guān)心“三農(nóng)”問題,實行了一系列惠農(nóng)政策,加之農(nóng)民科學種田,使糧食連年增產(chǎn),國家興建了許多大型國有糧庫,單倉容量是以往所建單倉容量的數(shù)倍,在儲備糧堆中發(fā)生的霉變,蟲害問題也更加嚴重。糧食作為一種特殊及復雜的生命體,糧堆內(nèi)部溫度場的變化規(guī)律也變得異常復雜,怎樣建立糧食糧堆內(nèi)部情況變化的預測模型是目前面臨的難題。本文為實現(xiàn)糧堆溫度變化趨勢的準確預測,圍繞糧堆生態(tài)環(huán)境,針對糧情預測模型做了如下研究:1)對RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型和學習算法以及遺傳算法的基本理論、特點與不足做了介紹,并針對遺傳算法的不足提出了一種基于云理論的改進算法。2)利用RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單,逼近性能好,可以逼近任意的非線性函數(shù)等優(yōu)點,研究基于云模型的遺傳算法改進RBF神經(jīng)網(wǎng)絡(luò)的非線性智能建模方法,并對該算法的性能與其他算法進行了對比分析;將云遺傳RBF神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到糧堆溫度預測中,研究適用于糧堆溫度預測模型的云遺傳RBF神經(jīng)網(wǎng)絡(luò)新算法。3)針對溫度、濕度、水分、CO2等多因素決定的糧情多傳感器檢測信息,在研究使用K-means均值聚類算法確定RBF神經(jīng)網(wǎng)絡(luò)基函數(shù)中心的基礎(chǔ)上,運用云遺傳算法對其距離閾值進行優(yōu)化;然后針對溫度、濕度、水分、CO2等多因素決定的糧情信息,結(jié)合信任度函數(shù),利用D-S證據(jù)理論和云遺傳RBF神經(jīng)網(wǎng)絡(luò)各自的優(yōu)勢,經(jīng)過優(yōu)化組合,提出了一種基于云遺傳RBF神經(jīng)網(wǎng)絡(luò)的糧情信息融合算法。實驗結(jié)果分析表明,該算法對于糧情檢測信息具有較好的魯棒性。
【關(guān)鍵詞】：預測模型 云遺傳算法 RBF神經(jīng)網(wǎng)絡(luò) D-S證據(jù)理論
【學位授予單位】：河南工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP183
【目錄】：

• 摘要5-6
• Abstract6-9
• 1 緒論9-17
• 1.1 課題來源9
• 1.2 選題背景及研究意義9-10
• 1.3 影響儲糧環(huán)境的主要因子10-11
• 1.3.1 生物因子10-11
• 1.3.2 非生物因子11
• 1.4 國內(nèi)外研究現(xiàn)狀11-13
• 1.5 現(xiàn)有糧情預測模型13-15
• 1.6 研究內(nèi)容及章節(jié)安排15-17
• 2 RBF神經(jīng)網(wǎng)絡(luò)和遺傳算法的基礎(chǔ)理論17-25
• 2.1 RBF神經(jīng)網(wǎng)絡(luò)17-21
• 2.1.1 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型17-19
• 2.1.2 RBF神經(jīng)網(wǎng)絡(luò)的學習算法19-20
• 2.1.3 RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)點與不足20-21
• 2.2 遺傳算法及其改進21-24
• 2.2.1 遺傳算法基本理論21-23
• 2.2.2 遺傳算法的優(yōu)點與不足23-24
• 2.3 本章小結(jié)24-25
• 3 云遺傳RBF神經(jīng)網(wǎng)絡(luò)及其在糧情溫度預測中的研究25-38
• 3.1 云遺傳算法25-28
• 3.1.1 云理論25-27
• 3.1.2 云遺傳算法27-28
• 3.1.3 影響性能參數(shù)分析28
• 3.2 云遺傳RBF神經(jīng)網(wǎng)絡(luò)及其仿真實驗28-33
• 3.2.1 云遺傳RBF神經(jīng)網(wǎng)絡(luò)算法28-30
• 3.2.2 仿真實驗30-33
• 3.3 改進算法在糧情溫度預測中的應(yīng)用及結(jié)果分析33-36
• 3.4 本章小結(jié)36-38
• 4 基于云遺傳RBF神經(jīng)網(wǎng)絡(luò)的糧堆安全數(shù)據(jù)融合38-51
• 4.1 D-S證據(jù)理論38-42
• 4.2 基于云遺傳RBF神經(jīng)網(wǎng)絡(luò)及D-S證據(jù)理論融合算法42-45
• 4.3 糧情信息融合決策結(jié)果分析45-49
• 4.4 本章小結(jié)49-51
• 5 總結(jié)與展望51-53
• 5.1 本文工作與創(chuàng)新點總結(jié)51-52
• 5.2 展望52-53
• 參考文獻53-58
• 致謝58-59
• 個人簡介59

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊天劍;張靜;;基于人工神經(jīng)網(wǎng)絡(luò)方法的通信基站能耗標桿建立與分析[J];北京郵電大學學報(社會科學版);2015年06期

2 吳建軍;甄彤;祝玉華;;一種面向儲糧微環(huán)境的GPSO改進算法研究[J];中國糧油學報;2015年12期

3 陳海英;;一種基于改進型RBF神經(jīng)網(wǎng)絡(luò)的非線性時間序列預測模型[J];湖南工程學院學報(自然科學版);2015年01期

4 甄彤;�？〗�;肖樂;;WebGL技術(shù)在糧溫監(jiān)控中的應(yīng)用[J];河南工業(yè)大學學報(自然科學版);2014年01期

5 李朋麗;田偉平;李家春;;基于BP神經(jīng)網(wǎng)絡(luò)的滑坡穩(wěn)定性分析[J];廣西大學學報(自然科學版);2013年04期

6 王麗艷;;證據(jù)理論和改進神經(jīng)網(wǎng)絡(luò)相融合的圖像識別算法[J];微電子學與計算機;2013年02期

7 張利斌;;基于遺傳算法的無線傳感器網(wǎng)絡(luò)能耗優(yōu)化[J];電腦知識與技術(shù);2013年03期

8 張琛;徐國麗;;基于云遺傳的RBF神經(jīng)網(wǎng)絡(luò)的交通流量預測[J];計算機工程與應(yīng)用;2014年16期

9 郭炬;隆毅;;證據(jù)理論改進算法的區(qū)域技術(shù)創(chuàng)新評價體系構(gòu)建[J];統(tǒng)計與決策;2012年15期

10 庹星婧;沈守云;;基于證據(jù)理論的洪湖濕地動態(tài)容量預測[J];價值工程;2012年11期

中國博士學位論文全文數(shù)據(jù)庫 前4條

1 蘇銳丹;高速列車節(jié)能運行優(yōu)化關(guān)鍵技術(shù)及算法研究[D];東北大學;2014年

2 熊玉梅;虛擬環(huán)境中物體碰撞檢測技術(shù)的研究[D];上海大學;2011年

3 張宇林;計算智能在土壤數(shù)據(jù)融合中的應(yīng)用研究[D];江南大學;2009年

4 王欣;多傳感器數(shù)據(jù)融合問題的研究[D];吉林大學;2006年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 劉文君;基于有限元仿真和遺傳神經(jīng)網(wǎng)絡(luò)的轎車-行人碰撞再現(xiàn)研究[D];第三軍醫(yī)大學;2015年

2 �？〗�;儲糧生態(tài)主要特性可視化技術(shù)研究[D];河南工業(yè)大學;2014年

3 郭鵬飛;基于改進RBF神經(jīng)網(wǎng)絡(luò)算法的水質(zhì)預測模型研究[D];華東交通大學;2013年

4 劉辰;無線傳感器網(wǎng)絡(luò)中基于壓縮感知的移動數(shù)據(jù)收集技術(shù)研究[D];東北大學;2013年

5 姜明佐;基于云模型改進的遺傳算法研究[D];遼寧師范大學;2013年

6 崔德權(quán);糧情測控系統(tǒng)的研究與設(shè)計[D];西安工業(yè)大學;2012年

7 李同玲;基于遺傳算法的預防性維修的生產(chǎn)調(diào)度問題研究[D];天津大學;2012年

8 王建;大型工程GPS變形監(jiān)測數(shù)據(jù)處理關(guān)鍵技術(shù)研究[D];西南交通大學;2012年

9 王俊成;基于RBFNN與D-S理論的數(shù)據(jù)融合方法及應(yīng)用研究[D];合肥工業(yè)大學;2011年

10 孔李軍;基于信息融合的糧情測控系統(tǒng)智能決策技術(shù)應(yīng)用研究[D];河南工業(yè)大學;2010年

  本文關(guān)鍵詞：基于云遺傳RBF神經(jīng)網(wǎng)絡(luò)的糧情預測模型研究，，由筆耕文化傳播整理發(fā)布。

本文編號：431398