基于改进的PSO-BP神经网络的参考作物腾发量预测

摘要：

针对传统PSO算法易陷入局部极值的缺点,提出了一种改进的粒子群算法(ADAPPSO).该算法通过利用表现为非线性递减特性的自适应惯性权重来有效减少PSO算法在运算过程中出现局部极值的情况.利用ADAPP-SO算法对BP神经网络所涉及的一系列参数进行优化,并在此基础上建立ADAPPSO-BP模型对参考作物腾发量(ET0)进行预测.以商丘地区数据为例,通过平均影响值法(MIV)对变量进行筛选,并在此基础上建立了BP神经网络、PSO-BP和ADAPPSO-BP 3种预测模型.根据相关实验结果表明,BP模型、PSO-BP模型和ADAPPSO-BP模型的决定系数R2分别为0.8983、0.9527和0.9606,3种模型的平均绝对误差MAE分别为0.3558、0.2401和0.2056.3种模型中,ADAPPSO-BP模型的R2值最大,MAE最小,这表明提出的ADAPPSO-BP模型能够有效地提高ET0的预测能力.

关键词：改进PSO算法、非线性递减、参考作物腾发量、平均影响值、预测模型

分类号：S27;TP183(农田水利)

资助基金：国家自然科学基金;昆明理工大学慕课建设项目

在线出版日期：2020-06-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：7-10,15