采用基于实数编码的加速遗传算法(RAGA)代替传统的最小二乘法以优化GM(1,1)模型参数,并与BP人工神经网络相组合,形成了基于RAGA的等维灰色递补BP神经网络预测模型。运用此模型对三江平原创业农场地下水埋深进行动态预测,BP神经网络结构确定为3:12:3,预测结果的相对误差只有2.33%,与传统的GM(1,1)模型和BP神经网络模型预测结果相比,预测精度显著提高。通过此模型预测,从2007年到2012年,该地区地下水平均年下降0.3m。
Replacing Least Square Method by Real coding based Accelerating Genetic Algorithm, the parameters of time response function in the GM(1,1) Model are optimized. Combined with BP Artificial Neural Networks Model, the Equal-dimension Gray Filling BP Neural Networks Model Based on RAGA is established. By this model, predicted the groundwater depth of Chuangye Farm in the Sanjiang Plain. The structural of BP Neural Networks is 3:12:3. The relative error is only 2.33%. Comparing with the traditional GM(1,1) Model or BP Neural Networks Model, the precision is highly increased. The result shows that the groundwater deep will descend 0.3m in average annually in the area.
[1] 付 强, 门宝辉, 王立坤. 非平稳时序模型在三江平原井灌水稻区地下水动态变化中的应用[J]. 系统工程理论与实践, 2003, 23(1): 132~138.
[2] 邓聚龙. 灰预测与灰决策[M]. 武昌: 华中科技大学出版社, 2002, 9: 45~109.
[3] 付 强. 数据处理方法及其农业应用[M]. 北京:科学出版社, 2006, 8: 31-35, 171~175.
[4] 朱剑英. 智能系统非经典数学方法[M]. 武昌: 华中科技大学出版社, 2001, 4: 194~209.
[5] 付 强, 刘建禹, 王立坤, 等. 基于人工神经网络的井灌水稻区地下水位预测[J]. 东北农业大学学报, 2002, 33(2): 152~159.
[6] 倪深海, 白玉慧. BP神经网络模型在地下水水质评价中的应用[J]. 系统工程理论与实践, 2002, (8): 124~127.
[7] 张大海, 江世芳, 史开泉. 灰色预测公式的理论缺陷及改进[J]. 系统工程理论与实践, 2002, (8): 140~142.
[8] 李祚泳, 张 明, 邓新民. 基于遗传算法优化的GM (1, 1)模型及效果检验[J]. 系统工程理论与实践, 2002, (8): 136~139.
