高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于BP神经网络的马尾松立木生物量模型研究

王轶夫 孙玉军 郭孝玉

王轶夫, 孙玉军, 郭孝玉. 基于BP神经网络的马尾松立木生物量模型研究[J]. 北京林业大学学报, 2013, 35(2): 17-21.
引用本文: 王轶夫, 孙玉军, 郭孝玉. 基于BP神经网络的马尾松立木生物量模型研究[J]. 北京林业大学学报, 2013, 35(2): 17-21.
WANG Yi-fu, SUN Yu-jun, GUO Xiao-yu. Single-tree biomass modeling of Pinus massoniana based on BP neural network[J]. Journal of Beijing Forestry University, 2013, 35(2): 17-21.
Citation: WANG Yi-fu, SUN Yu-jun, GUO Xiao-yu. Single-tree biomass modeling of Pinus massoniana based on BP neural network[J]. Journal of Beijing Forestry University, 2013, 35(2): 17-21.

基于BP神经网络的马尾松立木生物量模型研究

Single-tree biomass modeling of Pinus massoniana based on BP neural network

  • 摘要: 以马尾松为例,探索并验证BP神经网络模型在立木生物量估测上的适用性。通过12种算法的筛选、输入变量和输出变量的确定以及隐层节点数的选择,确定最优的模型拓扑结构,构建单隐层BP神经网络模型;对比单输入变量与多输入变量模型、单输出变量与多输出变量模型,并分析模型的输入变量数和输出变量数对模型估测精度的影响;将优选BP模型与传统相对生长模型进行对比以验证BP模型的可行性。结果表明:1)最优BP模型LM-DH-8-WtWaWr的训练算法为Levenberg-Marquardt算法,输入变量为D、H,输出变量为Wt、Wa、Wr,隐层节点数为8。2)输入变量和输出变量的增加不会降低BP神经网络模型的精度。3)模型LM-DH-8-WtWaWr能够精确地估测马尾松立木生物量,其精度高于传统的相对生长模型。该模型能够一次性地引入多个解释变量,并可以同时估测多个量,从而简化了生物量建模和估测工作,对实际生产具有一定的意义。

     

  • 加载中
计量
  • 文章访问数:  1052
  • HTML全文浏览量:  137
  • PDF下载量:  106
  • 被引次数: 0
出版历程
  • 收稿日期:  1900-01-01
  • 修回日期:  1900-01-01
  • 刊出日期:  2013-03-30

目录

    /

    返回文章
    返回