基于多元线性回归和BP神经网络铣削力的预测

合集下载

BP神经网络与多元回归

BP神经网络与多元回归
4
过渡页
TRANSLATION PAGE
2
数据来源、指标选择
数据的出处和自由变量的选取
5
第二章
CHAPTER TWO
数据来源:
从国家统计局官网上面查找数据 ,选取1995-2015年国家全社会用电
指标选择:
将人口以及GDP作为多元回归
的自变量和BP神经网络的输入层神 经元; 全社会用电量作为因变量和输 出层指标。
多元回归模型确定
观察可发现全社会用电量与人口和GDP满足一般线性关系,因此可以参考 多元回归一般数学模型
y 0 1 x1 2 x2 ... n xn
建立问题的多元回归模型为
y b0 b1x1 b2x2
14
MATLAB程序
format long x0=ones(1,17); A=[60693.7 121121 71176.6 122389 78973.0 123626 84402.3 124761 89677.1 125786 99214.6 126743 109655.2 127627 120332.7 128453 135822.8 129227 159878.3 129988 183867.9 130756 210871.0 131448 257305.6 132129 300670.0 132802 335629.2 133450 408903.0 134091 484123.5 134735 534123.0 135404 588018.8 136072 635910.2 136782 676708.3 137462]'; B=[10023.4 10764.3 11273.6 11590.4 12305.2 13472.7 14632.6 16330.7 19032.2 21972.3 24940.8 28588.4 32632.0 32711.8 36430.3 41923.4 46928.0 49592.8 53223.5 55233.6 55500.6]'; A1=A(1:2,1:17);%训练输入数据 B1=B(1,1:17);%训练输出数据 A2=A(1:2,18:21);%测试输入数据 B2=B(1,18:21);%测试输出数据

基于多元回归分析和bp神经网络的水资源承载力的预测问题

基于多元回归分析和bp神经网络的水资源承载力的预测问题

基于多元线性回归和Bp神经网络的水资源承载力预测研究∗——以济南市为例姚慧,郑新奇(山东师范大学人口・资源与环境学院,250014,济南)摘要:水资源承载力的预测对于地区经济发展具有重要意义,利用主成分分析的方法对济南市水资源承载力变化的驱动力进行分析,人口和GDP是影响水资源承载力变化的最主要的驱动因素,通过水资源承载变化驱动因子的多元线性回归模型和人工神经网络模型,分别预测出2010年和2020年年济南市水资源的需求状况,探讨线性和非线性相结合的方法用于水资源预测。

关键词:多元线性回归、Bp神经网络、水资源承载力中图分类号: p6411.水资源承载力的研究现状“水资源承载力”是随水问题的日益突出由我国学者在80年代末提出来的。

水资源承载力是一个国家或地区持续发展过程中各种自然资源承载力的重要组成部分,且往往是水资源紧缺和贫水地区制约人类社会发展的“瓶颈”因素,它对一个国家或地区综合发展和发展规模有至关重要的影响[1]。

迄今为止,水资源承载力的定义仍然没有统一的认识。

1992年,施雅凤等学者提出,水资源承载力是指某一地区的水资源,在一定社会历史和科学技术发展阶段,在不破坏社会和生态系统的前提下,最大可承载的农业、工业、城市规模和人口的能力,是一个随着社会、经济、科学技术发展而变化的综合目标[2]。

1997年,冯尚友、刘国全对水资源承载力下了定义:水资源的承载力多指在一定区域、一定物质生活水平下,水资源能够持续供给当代人和后代人需要的规模和能力[3]。

2000年,何希吾将水资源承载力定义为一个流域、一个地区、一个国家,在不同阶段的社会经济和技术条件下,在水资源合理开发利用的前提下,当地水资源能够维系和支撑的人口、经济和环境规模总量[4]。

惠泱河认为,水资源承载力可被理解为某一区域的水资源条件在自然-人工二元模式影响下,以可以预见的技术、经济、社会发展水平及水资源的动态变化为依据,以可持续发展为原则,以维护生态环境良性循环发展为条件,经过合理优化配置,∗基金项目:山东省自然科学基金项目(编号:Y2004E04)作者简介:姚慧(1982年-),女,在读硕士,从事土地利用、资源等研究。

Python机器学习应用之基于BP神经网络的预测篇详解

Python机器学习应用之基于BP神经网络的预测篇详解

Python机器学习应⽤之基于BP神经⽹络的预测篇详解⽬录⼀、Introduction1 BP神经⽹络的优点2 BP神经⽹络的缺点⼆、实现过程1 Demo2 基于BP神经⽹络的乳腺癌分类预测三、Keys⼀、Introduction1 BP神经⽹络的优点⾮线性映射能⼒:BP神经⽹络实质上实现了⼀个从输⼊到输出的映射功能,数学理论证明三层的神经⽹络就能够以任意精度逼近任何⾮线性连续函数。

这使得其特别适合于求解内部机制复杂的问题,即BP神经⽹络具有较强的⾮线性映射能⼒。

⾃学习和⾃适应能⼒:BP神经⽹络在训练时,能够通过学习⾃动提取输⼊、输出数据间的“合理规则”,并⾃适应地将学习内容记忆于⽹络的权值中。

即BP神经⽹络具有⾼度⾃学习和⾃适应的能⼒。

泛化能⼒:所谓泛化能⼒是指在设计模式分类器时,即要考虑⽹络在保证对所需分类对象进⾏正确分类,还要关⼼⽹络在经过训练后,能否对未见过的模式或有噪声污染的模式,进⾏正确的分类。

也即BP神经⽹络具有将学习成果应⽤于新知识的能⼒。

2 BP神经⽹络的缺点局部极⼩化问题:从数学⾓度看,传统的 BP神经⽹络为⼀种局部搜索的优化⽅法,它要解决的是⼀个复杂⾮线性化问题,⽹络的权值是通过沿局部改善的⽅向逐渐进⾏调整的,这样会使算法陷⼊局部极值,权值收敛到局部极⼩点,从⽽导致⽹络训练失败。

加上BP神经⽹络对初始⽹络权重⾮常敏感,以不同的权重初始化⽹络,其往往会收敛于不同的局部极⼩,这也是每次训练得到不同结果的根本原因BP 神经⽹络算法的收敛速度慢:由于BP神经⽹络算法本质上为梯度下降法,它所要优化的⽬标函数是⾮常复杂的,因此,必然会出现“锯齿形现象”,这使得BP算法低效;⼜由于优化的⽬标函数很复杂,它必然会在神经元输出接近0或1的情况下,出现⼀些平坦区,在这些区域内,权值误差改变很⼩,使训练过程⼏乎停顿;BP神经⽹络模型中,为了使⽹络执⾏BP算法,不能使⽤传统的⼀维搜索法求每次迭代的步长,⽽必须把步长的更新规则预先赋予⽹络,这种⽅法也会引起算法低效。

基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型

基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型

㊀山东农业科学㊀2023ꎬ55(7):159~166ShandongAgriculturalSciences㊀DOI:10.14083/j.issn.1001-4942.2023.07.022收稿日期:2022-10-12基金项目:国家重点研发计划项目(2019YFD1001401-5ꎬ2019YFD1001404-5)ꎻ河北省重点研发计划项目(21326308D-14)ꎻ河北省现代农业产业技术体系梨创新团队项目(HBCT2018100202)ꎻ现代产业梨气象保障工程项目 河北省梨气象服务能力建设 (22302001)作者简介:王鹏飞(1998 )ꎬ男ꎬ硕士研究生ꎬ研究方向为果树结实生理与分子生物学ꎮE-mail:1071034112@qq.com李涛(2002 )ꎬ女ꎬ本科生ꎬ研究方向为果树结实生理与分子生物学ꎮE-mail:1181240555@qq.com∗共同第一作者ꎮ通信作者:马辉(1988 )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事果树结实生理与分子生物学研究ꎮE-mail:tianma1203@126.com许建锋(1978 )ꎬ男ꎬ博士ꎬ副教授ꎬ主要从事果树结实生理与分子生物学研究ꎮE-mail:xjf@hebau.edu.cn基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型王鹏飞1ꎬ李涛1∗ꎬ于春亮2ꎬ薛敏3ꎬ张玉星1ꎬ张海霞1ꎬ权畅4ꎬ许建锋1ꎬ马辉1(1.河北农业大学园艺学院ꎬ河北保定㊀071000ꎻ2.威县农业农村局ꎬ河北威县㊀054700ꎻ3.邯郸市气象局ꎬ河北邯郸㊀056000ꎻ4.河北省气象科学研究所ꎬ河北石家庄㊀050000)㊀㊀摘要:本研究基于2002 2020年河北省魏县鸭梨盛花期观测资料和气象数据ꎬ采用线性趋势法揭示其盛花期变化趋势ꎬ并通过相关性分析筛选出显著影响盛花期的气象因子ꎬ然后分别用BP神经网络㊁多元线性逐步回归方法建立盛花期预测模型ꎬ以决定系数㊁均方根误差㊁预测准确/误差率为评判指标对模型预测精度进行评价ꎮ结果表明ꎬ2002 2020年魏县鸭梨盛花期呈现提前趋势ꎬ每10年平均提前2.4天ꎮ有13个气象因子与盛花期极显著相关(P<0.010)ꎬ相关系数在-0.575~-0.852ꎮ两种预测模型均可在3月上旬对盛花期进行预报ꎬ基于最早盛花期可提前13天预报ꎬ基于最晚盛花期可提前29天预报ꎮ多元线性逐步回归模型的R2为0.905ꎬRMSE为1.45ꎬRd1为94.7%ꎬRd2为5.3%ꎻBP神经网络的R2为0.950ꎬRMSE为1.05ꎬRd1为100%ꎬRd2为0ꎻ用2021和2022年的数据对两个模型的预测效果进行验证ꎬ除多元线性逐步回归模型预测的2021年盛花期日序数与实际日序数差2天外ꎬ两模型对两年盛花期的预测值与实测值一致ꎮ综合来看ꎬBP神经网络模型的预测效果更好ꎬ准确率更高ꎬ可用于鸭梨盛花期预测ꎬ这为制定河北魏县鸭梨花期管理措施及梨花节活动方案奠定了基础ꎮ关键词:鸭梨ꎻ盛花期预测模型ꎻ相关分析ꎻ多元线性逐步回归ꎻBP神经网络中图分类号:S661.2㊀㊀文献标识号:A㊀㊀文章编号:1001-4942(2023)07-0159-08ForecastingModelforYaliPearFull ̄BloomTimeBasedonMultipleLinearStepwiseRegressionandBPNeuralNetworkWangPengfei1ꎬLiTao1∗ꎬYuChunliang2ꎬXueMin3ꎬZhangYuxing1ꎬZhangHaixia1ꎬQuanChang4ꎬXuJianfeng1ꎬMaHui1(1.CollegeofHorticultureꎬHebeiAgriculturalUniversityꎬBaoding071000ꎬChinaꎻ2.WeixianBureauofAgricultureandRuralAffairsꎬWeixian054700ꎬChinaꎻ3.HandanMeteorologicalBureauꎬHandan056000ꎬChinaꎻ4.HebeiInstituteofMeteorologicalScienceꎬShijiazhuang050000ꎬChina)Abstract㊀InthisstudyꎬbasedontheobservationdataandmeteorologicaldataofYalifull ̄bloomtimeinWeixianꎬHebeiProvincefrom2002to2020ꎬthelineartrendmethodwasusedtorevealthechangetrendoffull ̄bloomtimeꎬandthemeteorologicalfactorssignificantlyaffectingthefull ̄bloomtimewereselectedthroughcorrelationanalysisꎬandthentheBPneuralnetworkandmultiplelinearstepwiseregressionwereusedtoes ̄tablishpredictionmodelsoffull ̄bloomtime.Thedeterminationcoefficientꎬrootmeansquareerrorandforecastaccuracy/errorratewereusedasjudgmentindicatorsforcomparativeanalysisofmodelpredictionaccuracy.Theresultsshowedthatthefull ̄bloomtimeshowedanearlytrendfrom2002to2020withanaverageadvanceof2.4daysperdecade.Atotalof13meteorologicalfactorsshowedhighlysignificant(P<0.010)correlationwithfull ̄bloomtimewiththecorrelationcoefficientsrangedfrom-0.575to-0.852.Boththepredictionmodelscouldforecastthefull ̄bloomtimeinMarch1thto10thꎬwiththeearliestfull ̄bloomtimebepredicted13daysinadvanceandthelatestfull ̄bloomtimebepredicted29daysinadvance.TheR2ofmultiplelinearstepwiseregressionwas0.905ꎬRMSEwas1.45ꎬRd1was94.7%ꎬandRd2was5.3%ꎬandtheR2ofBPneuralnetworkwas0.950ꎬRMSEwas1.05ꎬRd1was100%ꎬandRd2was0.Thepredictiveeffectsofthetwomodelswerever ̄ifiedusingdataof2021and2022.Exceptadifferenceof2daysbetweenpredictedandactualfull ̄bloomtimein2021bymultiplelinearstepwiseregressionmodelꎬthepredictedvaluesofthetwomodelsforthetwoyearfull ̄bloomtimewereconsistentwiththemeasuredvalues.OverallꎬtheBPneuralnetworkmodelhadbetterpredictionperformanceandhigheraccuracyꎬsoitcouldbeusedtopredictthefull ̄bloomtimeofYalipear.ThisresearchlaidthefoundationforformulatingmanagementmeasuresforYalipearatfloweringstageandpearflowerfestivalactivitiesinWeixianꎬHebeiProvince.Keywords㊀YaiiꎻPredictionmodelforfull ̄bloomtimeꎻCorrelationanalysisꎻMultiplelinearstepwisere ̄gressionꎻBPneuralnetwork㊀㊀梨是河北省优质水果之一ꎬ截至2021年底ꎬ种植面积达115466.67公顷㊁产量366.6万吨㊁产值140.3亿元ꎬ均居全国第1位ꎮ其中鸭梨作为河北省邯郸市魏县主栽品种之一ꎬ栽培面积大ꎬ历史悠久ꎬ是当地农业的支柱产业之一ꎬ近年又通过举办 梨花节 等活动进一步助力当地乡村振兴[1]ꎮ魏县鸭梨盛花期集中在早春气温变化幅度较大的3月下旬 4月上旬ꎬ期间若发生 倒春寒 ꎬ不仅会造成当年梨果大量减产ꎬ也会影响 梨花节 等活动的方案制定和开展ꎮ近20多年来全球气候波动明显ꎬ每年观测到的气象数据和盛花期时间已明确表明气候变暖影响到了梨花期[2]ꎬ使梨花期提前ꎬ导致遭遇 倒春寒 的概率进一步增大[3ꎬ4]ꎮ因此ꎬ利用多年连续观测的鸭梨花期资料和气象数据建立模型对鸭梨盛花期进行预测ꎬ是预防 倒春寒 和制定 梨花节 活动预告的重要前提[5]ꎮ目前已有学者开展了花期预测模型相关研究ꎬ大多是基于气象因子与花期的相关关系进行的ꎮ如刘璐等[6]使用偏最小二乘回归法分析明确平均气温和平均地温是影响中国北方主产地苹果始花期的最关键主导因子ꎬ进一步利用逐步回归法建立预测模型ꎬ误差小于5天ꎻ柏秦凤等[7]对0㊁3㊁5㊁10ħ活动/有效积温与始花期进行相关性分析ꎬ筛选出影响富士系苹果花期的气象因子ꎬ并建立了5个主产区富士系苹果始花期预测模型ꎻ谭静[8]㊁冯敏玉[9]等也通过分析气象因子与花期的相关性ꎬ选出显著影响花期的气象因子ꎬ通过建立多元回归模型ꎬ分别对樱花㊁油菜花的花期进行预测ꎬ取得了一定成效ꎮ近年来ꎬ随着计算机技术的快速发展ꎬ机器学习算法的使用越来越广泛ꎬ已成为现代农业气象科研和业务开展的重要工具[10]ꎮ例如随机森林[11]㊁神经网络[12]㊁ARMA[13]等已经较好地应用于苹果[14]㊁小麦[15]等的花期预测ꎮ本研究以通过相关分析筛选出的气象因子作为自变量(输入层)㊁盛花期日序数作为因变量(输出层)ꎬ分别利用BP神经网络算法㊁多元线性逐步回归建立魏县鸭梨盛花期预测模型ꎬ经评价筛选出预测精度较高的模型ꎬ以期为预防魏县鸭梨花期 倒春寒 和保障 梨花节 等相关活动顺利开展提供技术支持ꎮ1㊀数据来源与研究方法1.1㊀研究区概况魏县位于河北省邯郸市ꎬ地处河北㊁山东㊁河061㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第55卷㊀南三省交界处ꎬ北纬36ʎ03ᶄ6ᵡ~36ʎ26ᶄ30ᵡ㊁东经114ʎ43ᶄ42ᵡ~115ʎ07ᶄ24ᵡꎬ卫河㊁漳河横贯县城ꎮ地势由西南向东北缓缓倾斜ꎬ开阔平缓ꎬ海拔45.8~58.5mꎮ日照时数在1855~2373h之间ꎬ年平均气温为13.7ħꎬ年降水量为333.8~746.2mmꎮ鸭梨种植面积10000公顷ꎬ总产量达35万吨ꎮ1.2㊀数据来源2002 2020年鸭梨逐年盛花期观测资料和气象数据ꎬ分别由河北省邯郸市魏县林果开发服务中心㊁河北省梨气象服务中心提供ꎮ其中ꎬ气象数据为魏县1 3月气温㊁降水量㊁积温㊁日照时数等气象因子逐年数据ꎬ由河北省气象局在魏县建立的国家气象站(东经114.95ʎꎬ北纬36.33ʎ)收集ꎻ盛花期为逐年观测记录资料ꎬ以梨树植株50%以上花朵展开的日期作为盛花期标准[16]ꎮ本研究所预测的盛花期并不针对某一个梨园ꎬ而是根据魏县林果开发服务中心提供的全县鸭梨平均盛花期进行预测的ꎮ1.3㊀数据处理与分析将逐年盛花期时间转化为日序数进行统计分析ꎬ即1月1日为起始日ꎬ日序数为1ꎬ以此类推ꎬ2月1日的日序数为32ꎮ魏县鸭梨盛花期多集中在3月下旬 4月上旬ꎬ为了展现预测的提前性ꎬ将选择的各类气象因子指标计算截止时间定为较历年最早盛花期(3月23日)早13天的3月10日ꎮ选用1月1日 3月10日的逐月与逐旬平均气温㊁平均最高气温㊁平均最低气温㊁平均降水量㊁平均日照时数及ȡ0ħ活动积温㊁ȡ3ħ活动积温㊁ȡ5ħ活动积温㊁ȡ10ħ活动积温㊁ȡ3ħ有效积温㊁ȡ5ħ有效积温㊁ȡ10ħ有效积温等气象因子ꎬ通过Pearson相关性分析选出与盛花期相关性较高的气象因子用于预测模型建立ꎬ并用2021㊁2022年预测结果与实际盛花期时间进行对比分析ꎬ以验证模型的预测效果ꎮ气象因子及盛花期日序数采用MicrosoftEx ̄cel软件进行统计ꎬ气象因子与盛花期的相关性用SPSS25软件㊁Pearson法进行分析ꎮ1.4㊀基于多元线性逐步回归的建模方法多元线性回归(MLR)主要是研究一个因变量与多个自变量之间的线性回归关系ꎬ由多个自变量的最佳组合来预测因变量ꎬ但由于自变量之间可能存在多重共线性ꎬ因此ꎬ本研究利用SPSS25ꎬ采用逐步法ꎬ考察引入模型的自变量是否仍然具有统计学意义ꎬ以检验其是否有继续保留在方程中的价值ꎬ并以P值最小且具有统计学意义为依据进行自变量的引入和剔除ꎮ引入自变量的显著性概率为P<0.05ꎬ剔除自变量的显著性概率为P>0.10ꎮ采用方差膨胀系数(VIF)诊断自变量之间是否存在多重共线性ꎬVIF>10表示存在严重的多重共线性ꎻ对回归方程进行F检验ꎬ若F>F0.01ꎬ则表示建立的回归方程有效ꎮ1.5㊀基于BP神经网络的建模方法BP神经网络由输入层㊁隐含层㊁输出层及每层之间的结点连接组成ꎬ使用梯度搜索技术并利用反向传播不断调整网络的权值和阈值ꎬ最终实现网络实际值与预测值的误差最小化[17]ꎮ在网络设计过程中ꎬ隐含层神经元个数的确定十分重要ꎬ若隐含层节点数过多ꎬ会加大计算量并容易产生训练过度的问题ꎻ若节点数过少ꎬ则从样本中获取的信息较少ꎬ达不到较好的效果[18]ꎮ因此ꎬ本研究根据经验公式q=k+m+α[18]确定隐含层节点数(式中k为输入层节点数ꎬm为输出层节点数ꎬa为[1ꎬ10]之间的常数)ꎬ以通过Pearson相关系数筛选出的与鸭梨盛花期相关显著(P<0.01)的气象因子作为输入层节点ꎬ以盛花期作为输出层ꎬ利用Matlab2018aꎬ建立了3层前馈型单隐含层BP神经网络ꎬ用于鸭梨盛花期的预测ꎮ1.6㊀模型精度评价以实际鸭梨盛花期观测资料作为最终的预测精度验证数据ꎬ利用决定系数(R2)㊁均方根误差(RMSE)㊁预测准确率/预测误差率(Rd(1ꎬ2))对预测模型进行精度评价和误差分析ꎮR2=1-ðni=1(y^i-yi)2ðni=1y(-yi)2㊀ꎻ(1)RMSE=ðni=1(yi-y^i)2nꎻ(2)Rd(1ꎬ2)=RwRzˑ100%ꎮ(3)式中ꎬn为盛花期年份数量ꎬy为实际鸭梨盛花期日序数ꎬy^为预测鸭梨盛花期日序数ꎬy为鸭梨盛花期日序数的均值ꎻRw表示预测盛花期时间与实际盛花期时间误差在ʃ1天和ʃ2天及在ʃ3天以161㊀第7期㊀㊀王鹏飞ꎬ等:基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型上的年份数ꎻRz表示进行预测的总年份数ꎻ当误差在ʃ1天和ʃ2天时ꎬ计算的Rd1表示预测准确率ꎻ当误差在ʃ3天时ꎬ计算的Rd2表示预测误差率ꎮ2㊀结果与分析2.1㊀鸭梨盛花期变化特征2002 2020年魏县鸭梨平均盛花期日序数为90ꎬ与之对应的盛花期出现在3月30日(平年)或3月31日(闰年)ꎮ盛花期最早出现在3月23日(2002年)ꎬ最晚出现在4月8日(2005㊁2012年)ꎬ最早与最迟盛花期日序数相差16ꎮ有12年出现在3月下旬ꎬ占总样本的63.15%ꎻ有7年出现在4月上旬ꎬ占总样本的36.85%ꎮ采用线性倾向估计法对鸭梨盛花期总体变化趋势进行分析ꎬ结果(图1)表明ꎬ2002 2020年间ꎬ鸭梨盛花期日序数呈减少趋势ꎬ即盛花期呈提前趋势ꎬ其线性倾向率为-2.4d/10aꎮ图1㊀鸭梨盛花期变化趋势2.2㊀影响鸭梨盛花期的气象因子筛选2.2.1㊀平均气温、降水量及日照时数与盛花期的相关性㊀分别对1 3月上旬逐月与逐旬的平均气温㊁平均最高气温㊁平均最低气温㊁平均降水量㊁平均日照时数等共计45个因子进行分析ꎬ结果有16个气象因子与盛花期的相关性通过显著检验(P<0.05)ꎬ包括平均气温的5个㊁最高气温的6个㊁最低气温的4个㊁降水量的1个ꎬ见表1ꎮ其中ꎬ气温因子中ꎬ鸭梨盛花期与1月㊁1月上旬㊁3月上旬的平均气温和1月上旬的平均最高气温以及1月㊁1月上旬㊁3月上旬的平均最低气温呈极显著(P<0.01)负相关关系ꎬ相关系数在-0.626~-0.776之间ꎻ1月平均降水量与盛花期也呈现极显著相关关系ꎬ相关系数为-0.575ꎮ逐月及逐旬日照时数与盛花期未通过显著性检验ꎬ1 3月上旬的日照时数对魏县鸭梨开花早晚无显著影响ꎮ选择通过极显著(P<0.01)水平的气象因子作为后续建立预测模型的自变量ꎬ共8个ꎬ分别为T1㊁T2㊁T5㊁T7㊁T12㊁T13㊁T15㊁T16ꎮ㊀㊀表1㊀㊀2002 2020年1 3月逐月和逐旬㊀气象因子与盛花期的相关系数序号变量符号气象因子相关系数1T11月平均气温-0.675∗∗2T21月上旬平均气温-0.776∗∗3T32月平均气温-0.557∗4T42月中旬平均气温-0.492∗5T53月上旬平均气温-0.626∗∗6T61月平均最高气温-0.536∗7T71月上旬平均最高气温-0.705∗∗8T82月平均最高气温-0.561∗9T92月上旬平均最高气温-0.459∗10T102月中旬平均最高气温-0.461∗11T113月上旬平均最高气温-0.498∗12T121月平均最低气温-0.676∗∗13T131月上旬平均最低气温-0.724∗∗14T142月中旬平均最低气温-0.484∗15T153月上旬平均最低气温-0.701∗∗16T161月平均降水量-0.575∗∗㊀㊀注:∗㊁∗∗分别表示通过0.05㊁0.01水平显著性检验ꎬ下同ꎮ2.2.2㊀积温与盛花期的相关性㊀对1 3月上旬7个活动/有效积温因子与盛花期的相关性进行Pearson相关分析ꎬ结果(表2)表明ꎬ仅有5个积温因子与盛花期的相关性通过0.01水平显著检验ꎬ分别为ȡ0ħ活动积温㊁ȡ3ħ活动积温㊁ȡ5ħ活动积温㊁ȡ3ħ有效积温㊁ȡ5ħ有效积温ꎬ用于后续建立预测模型ꎮ其中ꎬ活动积温与盛花期之间呈现较强的负相关关系ꎬ相关系数为-0.820~-0.852ꎬ即ȡ0ħ㊁ȡ3ħ㊁ȡ5ħ活动积温值越大ꎬ盛花期越早ꎬ反之越迟ꎮ2.3㊀基于多元线性逐步回归建立鸭梨盛花期预测模型2.3.1㊀多元线性回归模型的建立㊀选择2002 2020年鸭梨盛花期日序数作为因变量ꎬ以上文筛选出的13个与盛花期极显著相关的气象因子作为自变量ꎬ利用逐步回归法进行建模ꎮ经过 逐步法 筛选出ȡ5ħ活动积温㊁ȡ5ħ有效积温㊁1月平均降水量㊁1月上旬平均气温仍然存在严重的共线性ꎬ由于ȡ5ħ活动积温与盛花期的相关性极强ꎬ所以剔除掉ȡ5ħ有效积温ꎬ然后再进行逐261㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第55卷㊀步回归ꎬ建立了多元线性逐步回归(MLSR)模型ꎬ见式(4)ꎮ表3㊁表4㊁表5分别是对模型中各个系数检验和自变量多重共线性诊断结果ꎮ结果表明ꎬ自变量VIF小于10ꎬ条件指数在0~10之间ꎬR2=0.905ꎻ模型通过了F检验ꎬF=47.631>F0.010(3ꎬ15)=5.42ꎬP<0.01ꎬ自变量通过了t检验ꎬ即模型回归显著ꎬ不存在多重共线性ꎮY=94.908-0.045H5-0.777T2-8.591T16ꎮ(4)式中ꎬY是盛花期日序数ꎬH5是1 3月上旬ȡ5ħ活动积温ꎬT2是1月上旬平均气温ꎬT16是1月平均降水量ꎮ㊀㊀表2㊀积温因子与盛花期相关系数序号变量符号气象因子相关系数1H0ȡ0ħ活动积温-0.833∗∗2H3ȡ3ħ活动积温-0.820∗∗3H5ȡ5ħ活动积温-0.852∗∗4H10ȡ10ħ活动积温-0.2645Y3ȡ3ħ有效积温-0.796∗∗6Y5ȡ5ħ有效积温-0.593∗∗7Y10ȡ10ħ有效积温-0.070㊀㊀表3㊀自变量之间多重共线性诊断结果模型特征值条件指数方差比例常量H5T2T1612.7501.0000.010.010.020.0420.8221.8290.000.010.310.1630.3892.6580.020.050.110.7540.0408.3370.970.930.550.04㊀㊀表4㊀模型系数检验结果模型非标准化系数B标准错误标准化系数Betat值P值共线性统计容差方差膨胀因子常量94.9081.38768.4130.000H5-0.0450.011-0.468-4.2800.0010.5341.874T2-0.7770.191-0.419-4.0660.0010.6011.663T16-8.5912.357-0.315-3.6460.0020.8501.179㊀㊀表5㊀模型方差分析检验结果变异来源平方和自由度均方F显著性回归375.3363125.11247.6310.000残差39.401152.627总计414.737182.3.2㊀模型回代检验㊀利用建立的多元线性逐步回归模型对2002 2020年盛花期数据进行拟合ꎬ结果(表6)显示ꎬ实际盛花期与预测盛花期完全一致年份为2003㊁2015㊁2020年ꎬ占15.8%ꎻ拟合误差在ʃ1㊁ʃ2天的有15年ꎬ占78.9%ꎻ拟合误差为ʃ3的仅有2009年ꎬ占5.3%ꎮ㊀㊀表6㊀㊀鸭梨盛花期与气象因子模型回代检验年份实际值预测值拟合误差2002(03-23)82(03-22)81-12003(04-06)96(04-06)9602004(03-28)88(03-26)86-22005(04-08)98(04-07)97-12006(03-31)90(04-01)9112007(04-03)93(04-02)92-12008(03-28)88(03-27)87-12009(03-30)89(04-03)9232010(04-07)97(04-06)96-12011(04-05)95(04-06)9612012(04-07)98(04-06)96-22013(04-04)94(04-03)93-12014(03-28)87(04-01)8922015(03-30)89(03-30)8902016(03-28)88(03-29)8912017(03-27)88(03-26)86-22018(03-30)90(03-31)9112019(03-27)86(03-28)8822020(03-23)83(03-23)830㊀㊀注:括号内为日期(月-日)ꎬ括号外数值为盛花期日序数ꎮ2.4㊀基于BP神经网络建立鸭梨盛花期预测模型首先将筛选出的极显著影响盛花期的13个气象因子进行归一化处理ꎬ作为输入层ꎬ输出层为盛花期日序数ꎬ然后对气象因子数据集进行网络训练ꎮ采用公式q=k+m+α确定隐含层节点数ꎬ此处k=13ꎬm=1ꎬa 为[1ꎬ10]之间的常数ꎬ确定隐含层节点数选取区间为[4ꎬ13]ꎮ通过10次试验结果(表7)可见ꎬ当隐含层个数为10时ꎬ训练误差最小ꎬ为0.0084ꎬ训练结果最佳ꎮ神经元传递函数采用非线性的激活函数tan ̄sigꎬ其收敛速度快ꎬ可以有效减少迭代次数ꎮ训练算法采用Trainlm函数ꎬ训练次数1000次ꎬ学习速率设为0.01ꎬ训练目标最小误差设为0.001ꎬ输出层神经元传递函数采用Purelin函数ꎮ选择2002 2016年数据为训练集进行训练ꎬ2017 2020年数据进行测试ꎮ通过计算盛花期预测值与实测值的相关系数ꎬ训练集样本两者间的相关系数都在0.860~0.972之间ꎬ因此ꎬ根据测试集相关系数高低来选择模型ꎬ最终选出训练集R2=0.970㊁测试集R2=0.700的模型为最佳模型ꎬ训练集㊁测试集预测误差均在ʃ2天以内(图2361㊀第7期㊀㊀王鹏飞ꎬ等:基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型5)ꎬ未出现误差为ʃ3天的年份ꎬ预测精度较高ꎬ较好地模拟出2002 2020年实际盛花期与预测盛花期的波动变化ꎮ㊀㊀表7㊀不同隐含层节点数的训练误差节点数45678910111213训练误差0.02460.06640.03290.14880.03690.03390.00840.03540.09630.0101图2㊀训练样本实测值与预测值图3㊀测试样本实测值与预测值图4㊀训练集样本误差2.5㊀两种模型预测精度的比较评价通过计算决定系数(R2)㊁均方根误差(RMSE)㊁预测准确率(Rd1)㊁预测误差率(Rd2)ꎬ比较两种鸭梨盛花期预测模型精度ꎬR2越高ꎬRMSE越小ꎬRd1越高ꎬ预测效果越好ꎮ由表8可知ꎬBP神经网络模型的R2为0.950ꎬ明显高于多元线性逐步回归模型的R2值(0.905)ꎬ说明BP神经网络模型对盛花期波动趋势拟合度更高ꎻ进一步分析两种模型的RMSE㊁Rd1㊁Rd2表明ꎬ基于多元线性逐步回归的RMSE为1.45ꎬRd1为94.7%ꎬRd2为5.3%ꎮBP神经网络RMSE为1.05ꎬRd1为100%ꎬNd2为0ꎮ对比发现ꎬ基于BP神经网络建立的预测模型对鸭梨盛花期的预测精度较高ꎮ图5㊀测试集样本误差㊀㊀表8㊀两种建立模型预测精度检验模型R2RMSERd1(%)Rd2(%)BP模型0.9501.051000MLSR模型0.9051.4594.75.32.6㊀两种建立模型对2021、2022盛花期的预测效果利用2021㊁2022年的数据对建立的多元线性逐步回归㊁BP神经网络模型的预测效果进行验证ꎬ结果(表9)显示ꎬ多元线性逐步回归模型预测的2021年盛花期在第84天ꎬ与实际盛花期(2021年3月23日)日序数误差为2天ꎻ2022年盛花期在第86天ꎬ与实际盛花期(2022年3月27日)相符ꎮBP神经网络模型预测的2021年盛花期在第82天ꎬ2022年盛花期在第86天ꎬ均与实际盛花期观测值相符ꎮ总体来看ꎬ两种模型都能很好地预测出2021㊁2022年的盛花期时间ꎬ且误差较小ꎬ尤461㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第55卷㊀以BP神经网络模型的预测准确度更高ꎮ㊀㊀表9㊀两种建立模型预测效果的验证结果年份盛花期时间实际日序数MLSR模型BP模型20213月23日82848220223月27日8686863㊀讨论筛选显著影响花期的气象因子是建立预测模型的基础及提升预测精度的有效方法ꎮ前人研究认为植物花期与其前期气象因素显著相关[19-25]ꎬ其中温度是影响花期的重要因素ꎮ因此ꎬ本研究通过分析鸭梨盛花期与前期的平均气温㊁平均最高气温㊁平均最低气温㊁活动/有效积温㊁平均降水量㊁平均日照时数等气象因子的相关性ꎬ筛选出13个与鸭梨盛花期极显著相关的气象因子作为预报因子ꎬ用于预测模型构建ꎮ这13个因子中ꎬ1月上旬的平均气温㊁平均最高气温㊁平均最低气温㊁1月平均降水量与鸭梨盛花期负相关的程度最高ꎬ可能与当地的气候条件及地理位置有关ꎻ1 3月上旬的ȡ5ħ活动积温与盛花期相关关系最为紧密ꎬ这与郭连云[26]㊁郭睿[23]等的结论相符ꎬ即完成某一发育期需要一定数量的积温ꎮ建模方法是影响鸭梨盛花期预测精度的一个重要因素ꎮ在多元线性回归分析中ꎬ由于入选的自变量之间容易存在共线性ꎬ需要采用 逐步法 剔除冗余信息ꎬ以确保自变量之间不存在高度相关性ꎬ该算法不仅可以简化计算过程ꎬ更能显著提升花期预测模型精度和可靠性[27]ꎻ但随着样本数量和自变量的增多ꎬ入选的影响花期早晚的因素可能较少ꎬ从而导致预测精度不高ꎮBP神经网络作为一种按照误差逆向传播算法训练的多次前馈网络ꎬ不仅可以储存和学习大量的数据输入和输出ꎬ而且不需对变量的映射关系进行表述ꎬ具有处理非线性能力ꎻ应用反向传播途径不断调整网络的阈值与权值ꎬ直到满足误差最小精度条件ꎬ输出最优结果[18ꎬ28]ꎮ传统的回归模型需要人为选择被预测变量与预测变量之间的模型形式ꎬ尤其在数据量较大的情况下ꎬ更难选择一个合适且具有代表性的预测模型ꎬ所以ꎬ在实际应用过程中往往选择简单的多元线性回归模型ꎬ但预测精度降低ꎻ而BP神经网络只要建模数据有足够的代表性ꎬ利用网络自身的学习能力和速算能力ꎬ可以得到一个预测效果比较好的模型ꎮ本试验对魏县鸭梨盛花期的预测结果表明ꎬBP神经网络预测模型要优于多元线性逐步回归模型ꎮ本研究所建立的模型仅适用于魏县整个区域的鸭梨盛花期预测ꎬ而每个梨园的管理水平㊁地势㊁地温㊁树势等条件存在差异ꎬ也会影响盛花期ꎬ后期有必要针对单个梨园开展更精准的花期预测ꎮ4㊀结论魏县地区2002 2020年的19年间鸭梨盛花期总体呈现提前趋势ꎬ每10年平均提前2.4天ꎮ1月平均气温㊁1月上旬平均气温㊁3月上旬平均气温㊁1月上旬平均最高气温㊁1月平均最低气温㊁1月上旬平均最低气温㊁3月上旬平均最低气温㊁1月平均降水量及1 3月上旬的ȡ0ħ㊁ȡ3ħ㊁ȡ5ħ活动积温和ȡ3ħ㊁ȡ5ħ有效积温与鸭梨盛花期极显著负相关ꎬ相关系数在-0.575~-0.852ꎮ逐步多元线性回归㊁BP神经网络两种预测模型均可在3月上旬提前预测盛花期ꎬ基于最早盛花期可以提前13天预报ꎬ基于最晚盛花期可以提前29天预报ꎮ其中ꎬBP神经网络模型的预测精度更高ꎮ参㊀考㊀文㊀献:[1]㊀牛桂草ꎬ周绩宏ꎬ马红燕ꎬ等.基于ARMA模型的河北鸭梨价格预测及预警[J].山东农业科学ꎬ2021ꎬ53(11):151-156.[2]㊀张倩.影响库尔勒香梨开花与果实生长的气象条件分析[D].乌鲁木齐:新疆师范大学ꎬ2013.[3]㊀屈振江ꎬ刘瑞芳ꎬ郭兆夏ꎬ等.陕西省苹果花期冻害风险评估及预测技术研究[J].自然灾害学报ꎬ2013ꎬ22(1):219-225.[4]㊀王润红.陕西富士系苹果花期冻害和水分适宜度研究[D].杨凌:西北农林科技大学ꎬ2021.[5]㊀李德ꎬ陈文涛ꎬ乐章燕ꎬ等.基于随机森林算法和气象因子的砀山酥梨始花期预报[J].农业工程学报ꎬ2020ꎬ36(12):143-151.[6]㊀刘璐ꎬ王景红ꎬ傅玮东ꎬ等.中国北方主产地苹果始花期与气候要素的关系[J].中国农业气象ꎬ2020ꎬ41(1):51-60. [7]㊀柏秦凤ꎬ霍治国ꎬ王景红ꎬ等.中国富士系苹果主产区花期模拟与分布[J].中国农业气象ꎬ2020ꎬ41(7):423-435. [8]㊀谭静ꎬ陈正洪ꎬ肖玫.武汉大学樱花花期长度特征及预报方法[J].生态学报ꎬ2021ꎬ41(1):38-47.561㊀第7期㊀㊀王鹏飞ꎬ等:基于多元线性逐步回归和BP神经网络建立鸭梨盛花期预测模型[9]㊀冯敏玉ꎬ孔萍ꎬ胡萍ꎬ等.基于花前物候利用灰色关联分析法建立油菜花期预报模型[J].中国农业气象ꎬ2021ꎬ42(11):929-938.[10]李颖ꎬ陈怀亮.机器学习技术在现代农业气象中的应用[J].应用气象学报ꎬ2020ꎬ31(3):257-266.[11]杨丽丽ꎬ田伟泽ꎬ徐媛媛ꎬ等.谷物联合收割机油耗随机森林预测模型[J].农业工程学报ꎬ2021ꎬ37(9):275-281. [12]王怡宁ꎬ张晓萌ꎬ路璐ꎬ等.通径分析结合BP神经网络方法估算夏玉米作物系数及蒸散量[J].农业工程学报ꎬ2020ꎬ36(7):109-116.[13]刘双印ꎬ黄建德ꎬ徐龙琴ꎬ等.基于PCA-SVR-ARMA的狮头鹅养殖禽舍气温组合预测模型[J].农业工程学报ꎬ2020ꎬ36(11):225-233.[14]张兴伟ꎬ陈超ꎬ田姗ꎬ等.基于机器学习的苹果始花期预测[J].中国农业科技导报ꎬ2020ꎬ22(10):93-100. [15]徐敏ꎬ赵艳霞ꎬ张顾ꎬ等.基于机器学习算法的冬小麦始花期预报方法[J].农业工程学报ꎬ2021ꎬ37(11):162-171. [16]曹玉芬ꎬ刘凤之ꎬ胡红菊.梨种质资源描述规范和数据标准[M].北京:中国农业出版社ꎬ2006.[17]石云.Bp神经网络的Matlab实现[J].湘南学院学报ꎬ2010ꎬ31(5):86-88.[18]刘秀英ꎬ余俊茹ꎬ王世华.光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型[J].农业工程学报ꎬ2020ꎬ36(22):308-315.[19]柏秦凤ꎬ王景红ꎬ屈振江ꎬ等.陕西苹果花期预测模型研究[J].中国农学通报ꎬ2013ꎬ29(19):164-169.[20]刘璐ꎬ王景红ꎬ柏秦凤ꎬ等.气候变化对黄土高原苹果主产地物候期的影响[J].果树学报ꎬ2020ꎬ37(3):330-338. [21]张艳艳ꎬ赵玮ꎬ高庆先ꎬ等.气候变化背景下陇东塬区 红富士 苹果始花期研究[J].果树学报ꎬ2017ꎬ34(4):427-434.[22]李晓川ꎬ陶辉ꎬ张仕明ꎬ等.气候变化对库尔勒香梨始花期的影响及其预测模型[J].中国农业气象ꎬ2012ꎬ33(1):119-123.[23]郭睿.杨凌地区桃树花期预测模型研究[D].杨凌:西北农林科技大学ꎬ2016.[24]张爱英ꎬ张建华ꎬ高迎新ꎬ等.SW物候模型在北京樱花始花期预测中的应用[J].气象科技ꎬ2015ꎬ43(2):309-313. [25]李美荣ꎬ杜继稳ꎬ李星敏ꎬ等.陕西果区苹果始花期预测模型[J].中国农业气象ꎬ2009ꎬ30(3):417-420.[26]郭连云ꎬ赵年武.贵德县梨树始花期与气象因子的相关分析及预报模型[J].中国农学通报ꎬ2016ꎬ32(7):147-151. [27]于雷ꎬ洪永胜ꎬ周勇ꎬ等.高光谱估算土壤有机质含量的波长变量筛选方法[J].农业工程学报ꎬ2016ꎬ32(13):95-102.[28]张景阳ꎬ潘光友.多元线性回归与Bp神经网络预测模型对比与运用研究[J].昆明理工大学学报(自然科学版)ꎬ2013ꎬ38(6):61-67.661㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀山东农业科学㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第55卷㊀。

基于“多元回归分析法和BP神经网络”的坝体沉降预测研究

基于“多元回归分析法和BP神经网络”的坝体沉降预测研究

基于“多元回归分析法和BP神经网络”的坝体沉降预测研究目录1. 内容概览 (2)1.1 研究背景 (2)1.2 研究意义 (4)1.3 研究内容与方法 (5)1.4 章节结构安排 (6)2. 文献综述 (7)2.1 坝体沉降的基本理论 (8)2.2 多元回归分析法的应用 (9)2.3 BP神经网络的基本原理 (10)2.4 相关研究动态与发展趋势 (11)3. 坝体沉降的原理论基础 (13)3.1 坝体沉降的基本概念 (14)3.2 影响坝体沉降的因素 (15)3.3 相关参数的计算与确定 (17)4. 多元回归分析法 (17)4.1 多元回归分析的模型建立 (19)4.2 回归系数的估计与意义 (19)4.3 预测模型的评估与优化 (20)4.4 应用实例分析 (21)5. BP神经网络技术 (22)5.1 BP神经网络的结构与工作原理 (23)5.2 参数设置与学习算法 (25)5.3 训练质量的评估与优化 (25)5.4 BP神经网络在坝体沉降预测中的应用 (26)6. 坝体沉降预测模型的建立与验证 (28)6.1 数据收集与处理 (29)6.2 模型的构建与训练 (31)6.3 模型的验证与评估 (32)6.4 模型的实际应用与案例分析 (33)7. 研究成果分析与讨论 (34)7.1 两种方法的预测结果对比 (36)7.2 模型的优缺点分析 (38)7.3 模型的进一步改进建议 (39)8. 结论与展望 (40)8.1 研究总结 (42)8.2 对未来研究的展望 (43)8.3 对坝体沉降预测工作实践的建议 (44)1. 内容概览本研究旨在通过深入分析和实证研究,探讨基于“多元回归分析法”和“神经网络”的坝体沉降预测方法。

首先,我们将对坝体沉降的基本原理、影响因素及其内在联系进行详细介绍,为后续的预测模型构建提供理论基础。

在多元回归分析法部分,我们将详细阐述该方法的基本原理、数学模型构建以及参数优化过程。

基于BP_神经网络的切削ZL114A_铝合金表面粗糙度预测

基于BP_神经网络的切削ZL114A_铝合金表面粗糙度预测

100
net.trainParam.mc=0.4;% 设置动量因子
net=train(net,inputn,outputn);% 训练函数
预测流程如图 2 所示。
最佳验证性能是第1571轮的0.030627
训练 验证 最佳 目标
均方误差(mse)
3 预测和误差分析
10-2
在 MATLAB 中根据流程编写程序,设置目标误
1 实验平台和方案
1.2 试验方案
影响零件表面粗糙度的因素除了切削速度、进给量和切
削深度外,还有主轴振动和刀具磨损等因素。为了研究在其他
因素基本一致的条件下,切削速度、切削深度和进给量对零件
表面粗糙度的影响规律,该文试验设计了三因素、四水平的正
交切削试验,切削用量的选用见表 2。
表 2 切削试验因素水平表
分别为第 k+1 次的权值和阈值的改变量 ;gw(k) 和 gb(k)为当前性能函数对权值和阈值的梯度 ; ak 为学习率;mc 为动量因子(动量系数),取值范 围为 [0,1] ;∆w(k-1)和 ∆b(k-1)为第 k-1 次
输入层
隐含层
输出层
的权值和阈值的该变量。
图 1 BP 神经网络结构图
- 60 -
工业技术
2023 NO.11(上) 中国新技术新产品
基于BP神经网络的切削ZL114A铝合金表面
粗糙度预测
王欣瑞 章 继 (昆明铁道职业技术学院,云南 昆明 650000)
摘 要 :该文针对铝合金 ZL114A 铣削加工中切削参数选择不合理的问题,搭建铣削加工试验系统,对铝合金
ZL114A 进行铣削试验。采用正交试验法,研究切削速度、切削深度和进给量对铝合金 ZL114A 表面粗糙度的影响。

多元线性回归与BP神经网络预测模型对比与运用研究

多元线性回归与BP神经网络预测模型对比与运用研究

多元线性回归与BP神经网络预测模型对比与运用研究一、本文概述本文旨在探讨多元线性回归模型与BP(反向传播)神经网络预测模型在数据分析与预测任务中的对比与运用。

我们将首先概述这两种模型的基本原理和特性,然后分析它们在处理不同数据集时的性能表现。

通过实例研究,我们将详细比较这两种模型在预测准确性、稳健性、模型可解释性以及计算效率等方面的优缺点。

多元线性回归模型是一种基于最小二乘法的统计模型,通过构建自变量与因变量之间的线性关系进行预测。

它假设数据之间的关系是线性的,并且误差项独立同分布。

这种模型易于理解和解释,但其预测能力受限于线性假设的合理性。

BP神经网络预测模型则是一种基于神经网络的非线性预测模型,它通过模拟人脑神经元的连接方式构建复杂的网络结构,从而能够处理非线性关系。

BP神经网络在数据拟合和预测方面具有强大的能力,但模型的结构和参数设置通常需要更多的经验和调整。

本文将通过实际数据集的应用,展示这两种模型在不同场景下的表现,并探讨如何结合它们各自的优势来提高预测精度和模型的实用性。

我们还将讨论这两种模型在实际应用中可能遇到的挑战,包括数据预处理、模型选择、超参数调整以及模型评估等问题。

通过本文的研究,我们期望为数据分析和预测领域的实践者提供有关多元线性回归和BP神经网络预测模型选择和应用的有益参考。

二、多元线性回归模型多元线性回归模型是一种经典的统计预测方法,它通过构建自变量与因变量之间的线性关系,来预测因变量的取值。

在多元线性回归模型中,自变量通常表示为多个特征,每个特征都对因变量有一定的影响。

多元线性回归模型的基本原理是,通过最小化预测值与真实值之间的误差平方和,来求解模型中的参数。

这些参数代表了各自变量对因变量的影响程度。

在求解过程中,通常使用最小二乘法进行参数估计,这种方法可以确保预测误差的平方和最小。

多元线性回归模型的优点在于其简单易懂,参数估计方法成熟稳定,且易于实现。

多元线性回归还可以提供自变量对因变量的影响方向和大小,具有一定的解释性。

基于BP神经网络的切削表面粗糙度预测方法

基于BP神经网络的切削表面粗糙度预测方法

基于BP神经网络的切削表面粗糙度预测方法张永顺;孙华;丁伟;黄雷【摘要】利用神经网络理论,提出一种利用BP神经网络预测切削表面粗糙度的方法.简单分析了粗糙度的影响因素及预测原理.介绍了BP神经网络的特点、原理、算法和公式.在对Matlab及其神经网络工具箱简要介绍的基础上,采用BP网络的方法对钢Q235材料粗糙度进行了训练、预测和分析.结果表明,该方法的预测误差小于3%.【期刊名称】《机械管理开发》【年(卷),期】2011(000)005【总页数】3页(P71-72,74)【关键词】BP神经网络;切削振动;Matlab;表面粗糙度预测【作者】张永顺;孙华;丁伟;黄雷【作者单位】西华大学机械工程及自动化学院,四川成都610039;西华大学机械工程及自动化学院,四川成都610039;西华大学机械工程及自动化学院,四川成都610039;西华大学机械工程及自动化学院,四川成都610039【正文语种】中文【中图分类】TP391.90 引言表面粗糙度是衡量工件加工质量的一个重要指标。

根据经验或试验选用合理切削参数是传统的切削加工中保证表面粗糙度要求的主要方法。

切削过程是动态的,材料的金相组织、硬度、韧性、切削振动等诸多影响表面粗糙度的因素在不断变化,在同一切削工序中采用统一的切削用量在兼顾加工质量和效率方面无法令人满意【1】。

如果数控系统能根据加工状况实时预测表面粗糙度值,就可在线自动优化切削用量,大大减少加工过程中财力、人力和时间的浪费。

高精度、柔性预测模型的建立是工件表面粗糙度趋势分析技术中的关键。

本文设计切削表面粗糙度预测系统时,采用了神经网络预测模型,目的是利用BP神经网络的非线性信息处理能力,将非线性预测和多因素预测技术引人工件表面粗糙度趋势分析,提高预测的精度和适应性。

1 表面粗糙度预测的原理表而粗糙度同加工中切削状态参数有直接关系。

因此,可以通过建立粗糙度与切削过程状态参数,如切削速度、进给量、背吃刀量等。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

为理 论 模 型 、经 验 模 型 、机 械 力 学 模 型 、 有 限 元
模型 和 神 经 网络 模 型 等 。但 是 文 献 [ 3 1 在 将 理 论 分
析 与 经验 相 结合 的 基 础 上 ,建 立 了统 一 的 切 削 力
归理 论 对 实 验 数 据 进 行去 异 常 点 处理 ,然 后将 未
D o i :1 0 . 3 9 6 9 / J . i s s n . 1 0 0 9 -0 1 3 4 . 2 0 1 3 . 0 9 ( 下) . 2 9
0 引言
建 立铣 削 力模 型 ,合 理 控 制 铣 削 加工 中零 件
的加 工 误 差 、刀 具 磨 损 、 刀具 断 裂 和 机 床振 动 , 对 于 优 化 加 工 参 数 , 保 证 零件 加 工 质 量具 有重 要
基于多元线性 回归和B P 神经 网络铣削 力的预测
The pr edi ct i on of mi l l i ng f or ce based on l i n ear r egr ess i on and BP n eu r al net w or k
胡 艳娟 ,王 占礼 ,朱 丹
H U Y a n  ̄ u a n 。V v AN G Z h a n . ¨ . Z HU D a n
( 长春 工业大学 机电工程学院,长春 1 3 0 0 1 2 ) 摘 要 : 分 别建立线性回归铣削力预测 模型和B P 神经网络铣削力预 测模型 ,对铣削力进行预测 , 获 得 预测值与 实验值的拟合 曲线 ,然后通过 线性回 归理 论对实验采集 的铣 削力数据进 行去除异常 数据点 ,再将实验数 据放入B P 神经网络预 测模型中进行训 I 练及铣 削力的预 测 ,获取预测值与 实验值的拟合 曲线 ,结果表明B P 神经 网络 铣削力预测模型更适合 ,并通过线性回归理论去 除 异常点后的数据 , 使得B P 神经网络预测值更加的准确 。 关键词 :多元线性回归 ;B P 神经网络 ;铣削力 中圈分类号 :T G 5 0 1 . 3 文献标识码 :A 文章编号 :1 0 0 9 —0 1 3 4 ( 2 0 1 3 ) 0 9 ( 下) -0 0 9 6 -0 4
去除 异 常 点 的 试 验数 据 和 去 除 异 常 点 的试 验 数 据 分 别 导 入 多元 线 性 回 归预 测 模型 和BP 神 经 网络 预 测模 型 中 ,再 将 所 得 铣 削 力 的预 测 值 与 实验 值 分
别进 行拟合 对 比 。
模 型 ,使 得 这 样 的 切 削 力 模 型 比单 独 的理 论 模 型
1 多元线性 回归预测模 型的建立
回 归 分析 是 一 种 用 来 分 析 多 因素数 据 的 统 计
技 术 。使 用这 种 技 术 的关 系, 可 以建 立一 个 因 变量 和一 组 独 立 的变 量 。 对于 标 准 的 一 般 线性 多 元 回
归表 达式为 :
成许 多切 削微 元 ,通 过计 算 参 与 切 削 的所 有切 削
x = 1 Fra bibliotek1 X 2 l
种 简 单 通 用 的 铣 削 力神 经 网络 模 型 , 可 用于 在 线


Xn 2 … X
收稿 日期:2 0 1 3 - 0 1 -1 6 基 金项 目:吉林省 自然科学基金项 目:基于虚拟现实的数控车削加工精度预测技术研究 ( 2 0 1 2 1 5 1 2 9 ) 作青简 介:胡艳娟 ( 1 9 8 0一),女 ,吉林通榆人,讲 师,博士 ,主要从事数字制造方向的研究 。
的意 义 。 因此 很 多 学 者 不断 地 对 吸 削 加 工过 程 中 产生 的 铣 削 力进 行 研 引 。切 削 力 模型 主 要 可分
预 测 平 均 铣 削 力 。神 经 网络 就 像 是一 个 黑 盒 子 ,
将 影 响 因 素 作为 输 入 量 就 会 获 得 想要 的输 出量 。 多元 回归 分 析是 一 种 最 广 泛 使 用 的统 计 技 术 ,常 用 来 分析 多因 素数 据 。使 用 这 种技 术 , 可 以建 立 多 组 独 立 的变 量 和 一 个 因变 量 之 间 的关 系 。因 此 多 元 回归分 析得 到不 同的应 用[ 1 1 , 1 2 ] 0 本 文 通 过建 立 多元 线性 回 归预 测模 型 和BP 神 经 网络 预 测 模 型u , 预 测铣 削力 ,再 通 过线 性 回
微 元 的 切 削 力矢 量 和 获得 总 的 切 削力 。文 献 [ 5 】 通 过 简化 等效 切 削 层 ,采 用直 角切 削 有 限 元模 型 简 化 直 齿 铣 削 过 程 ,经 模 拟 得 到 铣 削 力 。这 样 在 一
Y=p 0 +p l x I +I  ̄ - 2 X 2 +… + p P +£



f 1 )
1 3 。
定 程 度 上 使 得 建立 切 削 力模 型 简单 了 ,但 还 是 不
能达 到 人们 想要 的程度 。

B 1 3 = :
- J 肿 d

X1 2… X2 2…
随 着 神 经 网络 理 论 的 出现 和不 断 完善 ,学 者
或 单 独经 验 模 型 更 好 。可 是在 建 立 模 型 时 自变 量
因 素不 能 过 多 ,不 同 的 铣 削力 加 工 要 求 建 立 符合
各 自特 点 的模 型 ,计 算 过程 也 比较 复 杂 ,所 以这 类 经验 公 式 的通 用 性 受 到 一定 限 制 。随 后机 械 力 学模 型 和 有 限 元模 型 先 后 出现 ,文 献 【 4 】 针 对 铣 刀 刀 刃 复杂 情 况 ,将 铣 刀 的切 削 刃沿 轴 向 方 向划 分

们 开 始 注 意 并 将 其 引 用 在 切 削 力 的 建 模 和 预 测 上 。S u t h e r l a n d ( 1 8 6 4 ) 和De Vo r ( 1 9 8 6 ) 等 人将 神经 网 络 理论 应 用到 工 业制 造 上 叫】 。文 献 [ 1 0 】 提 出了一
相关文档
最新文档