导读:本文包含了林分出材率预测论文开题报告文献综述及选题提纲参考文献，主要关键词:林分出材率,投影寻踪回归,预测
林分出材率预测论文文献综述
马森林,林娟,江希钿,张惠光[1]（2012）在《投影寻踪回归方法在林分出材率预测中的应用》一文中研究指出利用投影寻踪回归(PPR)方法,通过对林分多个指标的运算预测其出材率,采用理论分析、程序设计和数值模拟相结合的方法,建立具有高度的运算精度和运行效率的林分出材率投影寻踪回归预测模型。通过留一交叉验证,确认其具有稳定的泛化性能。分析和仿真的结果表明,投影寻踪回归模型可应用于林分出材率预测,具有较强的适用性和应用性,能够准确、科学和客观地进行预测。(本文来源于《福建林学院学报》期刊2012年01期）
马森林[2]（2010）在《投影寻踪回归模型在林分出材率预测中的应用研究》一文中研究指出准确预测林分出材率在制订林业发展计划、预计木材产量、执行采伐限额制度以及开展森林资源资产评估等森林经理活动中都有着至关重要的作用。解决该问题的传统数学建模是围绕干曲线的研究而开展的,而在农林业领域常用的多元统计分析方法却由于其统计数据的非线性、非正态、小样本等等特性,难以展开应用。随着计算机技术和统计学习理论及其应用的发展,利用学习机器可以对该问题提出新的研究思路和解决方案。投影寻踪是处理和分析高维数据的一类新兴的统计方法,其基本思想是将高维数据投影到低维子空间上,寻找出反映原高维数据的结构或特征的投影,以达到研究和分析高维数据的目的。该思想与各类具体算法相结合在其他领域已有很多应用,其中包括了数据降维和回归预测。本文以作者负责的福建农林大学校青年基金项目为依托,基于R软件平台,利用理论分析、程序设计和数值模拟相结合的方法,旨在建立具有高度的运算精度和运行效率的林分出材率投影寻踪回归预测模型。并通过留一交叉验证,确认其具有稳定的泛化性能。论文第1部分给出了整体的研究路线;第2部分进行的是在投影寻踪思想下对高维数据主成分分析降维的理论分析和实践应用;第3部分就投影寻踪回归耦合模型展开深入的研究,建立了基于机器学习方法的仿真预测模型;为了检验该模型在同类方法中的优劣,论文第4部分将其与人工神经网络、支持向量机回归以及多元自适应回归样条这些同属于监督学习机制的模型在同一问题上展开了横向比较。分析和仿真结果表明在林分出材率预测问题中,统计学习方法是完全可行和可靠的,投影寻踪回归模型较同类方法在预测精度和收敛速度上具有一定的优势,投影寻踪在林业应用中具有相当的实际应用价值和开发潜力。(本文来源于《福建农林大学》期刊2010-04-01）
黄传春,郑德祥,黄斌,涂勇鑫[3]（2007）在《人工神经网络在林分出材率预测中的应用》一文中研究指出应用人工神经网络的原理和方法,结合主要林分因子建立林分出材率预测的多层神经网络模型。检验结果表明:所建立的预测模型,平均预测精度达到96.45%,可以对林分出材率作出准确有效的预测。(本文来源于《中南林业调查规划》期刊2007年04期）
黄传春[4]（2007）在《基于人工神经网络林分材种出材率预测模型研究》一文中研究指出林分出材率受到平均胸径、平均树高、立地质量、年龄、保留密度、蓄积量等诸多因素的影响，材种出材率的变化具有非线性及非确定性特征。传统的林分材种出材率预测采用统计分析的方法，需要大量样木单元(大于100个样本)为基础，模型涉及的参数较多，许多参数缺乏成熟的测定方法。人工神经网络(Artificical Neural Network，简称ANN)是基于实例的方法，不需要考虑数学模型的内部结构，不需要假设前提条件，不需要人为地确定因子权重，作为一个黑箱综合地映射研究对象的整体性。ANN具有大规模并行运算、自适应、自学习、容错性的能力，使它成为一个在传统统计方法之外，十分引人注目的新方法，并广泛的应用于生物系统中非线性行为的预测建模。因此，运用人工神经网络对林分材种出材率进行预测具有独特的优势，也为林分出材率的预测提供了新思路。本文以Matalab7.0为计算平台，应用人工神经网络的方法分别建立了林分出材率的预测，林分总出材率和非规格出材率预测，径级材种出材率预测的叁层前馈方向传播(BP)神经网络模型。通过对伐区设计资料，及实际生产码单数据进行学习，确定以平均胸径、平均树高、保留密度、蓄积量为输入神经元，分析了影响BP网络学习效率和预测精度的影响因素，主要从隐含层神经元数量、训练数、隐含层激励函数、学习样本数量几个方面对材种出材率预测BP网络模型进行了优化，确定了林分经验材种出材率预测人工神经网络模型。运用改进的BP神经网络预测的结果为：林分总出材率的小班识别率为95.4％，非规格材出材率的识别率为86.2％，林分径级出材率预测的平均绝对误差小于2％。结果表明：在小样本条件下，所建立的BP预测模型，具有令人满意的拟合精度和预测精度。(本文来源于《福建农林大学》期刊2007-04-01）
林分出材率预测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
准确预测林分出材率在制订林业发展计划、预计木材产量、执行采伐限额制度以及开展森林资源资产评估等森林经理活动中都有着至关重要的作用。解决该问题的传统数学建模是围绕干曲线的研究而开展的,而在农林业领域常用的多元统计分析方法却由于其统计数据的非线性、非正态、小样本等等特性,难以展开应用。随着计算机技术和统计学习理论及其应用的发展,利用学习机器可以对该问题提出新的研究思路和解决方案。投影寻踪是处理和分析高维数据的一类新兴的统计方法,其基本思想是将高维数据投影到低维子空间上,寻找出反映原高维数据的结构或特征的投影,以达到研究和分析高维数据的目的。该思想与各类具体算法相结合在其他领域已有很多应用,其中包括了数据降维和回归预测。本文以作者负责的福建农林大学校青年基金项目为依托,基于R软件平台,利用理论分析、程序设计和数值模拟相结合的方法,旨在建立具有高度的运算精度和运行效率的林分出材率投影寻踪回归预测模型。并通过留一交叉验证,确认其具有稳定的泛化性能。论文第1部分给出了整体的研究路线;第2部分进行的是在投影寻踪思想下对高维数据主成分分析降维的理论分析和实践应用;第3部分就投影寻踪回归耦合模型展开深入的研究,建立了基于机器学习方法的仿真预测模型;为了检验该模型在同类方法中的优劣,论文第4部分将其与人工神经网络、支持向量机回归以及多元自适应回归样条这些同属于监督学习机制的模型在同一问题上展开了横向比较。分析和仿真结果表明在林分出材率预测问题中,统计学习方法是完全可行和可靠的,投影寻踪回归模型较同类方法在预测精度和收敛速度上具有一定的优势,投影寻踪在林业应用中具有相当的实际应用价值和开发潜力。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
林分出材率预测论文参考文献
[1].马森林,林娟,江希钿,张惠光.投影寻踪回归方法在林分出材率预测中的应用[J].福建林学院学报.2012
[2].马森林.投影寻踪回归模型在林分出材率预测中的应用研究[D].福建农林大学.2010
[3].黄传春,郑德祥,黄斌,涂勇鑫.人工神经网络在林分出材率预测中的应用[J].中南林业调查规划.2007
[4].黄传春.基于人工神经网络林分材种出材率预测模型研究[D].福建农林大学.2007