导读:本文包含了粮食产量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:粮食产量,预测模型,主成分分析(PCA),粒子群(PSO)算法
粮食产量预测论文文献综述
郭亚菲,樊超,闫洪涛[1]（2019）在《基于主成分分析和粒子群优化神经网络的粮食产量预测》一文中研究指出粮食产量的预测研究在粮食安全方面具有重要意义,神经网络可以较好地反映粮食产量这一复杂的非线性动态系统。但是传统的BP神经网络预测模型存在学习收敛速度慢、易陷入局部极小值等缺陷,为了改善这一缺陷,提出了一种基于主成分分析(PCA)和粒子群(PSO)优化神经网络的预测模型。首先计算各影响因素与粮食产量之间的相关系数,利用主成分分析方法降低影响因子的维度,将降维后的因子作为神经网络的输入,然后采用BP神经网络建立粮食产量预测模型,其中引入PSO算法对BP神经网络的权值和阈值进行优化,最后使用训练过的BP神经网络预测粮食产量值。预测结果表明,该模型可有效提高预测精度,且收敛速度快,全局收敛性好,为粮食产量预测提供了一种新的途径。(本文来源于《江苏农业科学》期刊2019年19期）
刘鹏凌,吴文俊,万莹莹,万光辉[2]（2019）在《粮食产量的影响因素分析及灰色预测——基于安徽省主产区的数据》一文中研究指出抓住影响粮食产量的主要因素并科学预测粮食产量,对于提高粮食产量和保障粮食安全至关重要。选取安徽省叁大农产品主产区2000—2017年的粮食产量等数据,对影响粮食产量的因素进行主成分分析,并采用GM(1,1)灰色模型预测安徽省主产区未来八年的粮食产量。结果表明:1.安徽省主产区粮食产量在过去18年总体增长,但农业的弱质性影响依然严重;2.影响粮食产量的因素按程度由大到小排列依次为:技术要素、资源投入要素、市场要素;3.通过预测粮食产量未来八年呈增长趋势,但边际产量递减。因此,建议加强农业基础设施建设降低农业弱质性,合理配置要素资源,强化政策扶持和引导,促进适度规模形成。(本文来源于《西安建筑科技大学学报(社会科学版)》期刊2019年04期）
张火平,苏妩[3]（2019）在《鄂州市粮食产量影响因素分析及预测》一文中研究指出利用湖北省鄂州市1983—2012年统计年鉴资料和相应气象资料,基于数据挖掘技术、灰色关联分析技术分析了鄂州市粮食产量存在增-减-增的波动趋势,运用Adaptive-Lasso变量选择方法选择对粮食产量有影响的主要因素并进行预测。结果表明,影响鄂州市粮食产量的主要因素有粮食播种面积、单产机械投入、化肥用量和年日照时数,气象因子日照时数对粮食产量影响不大,预测粮食产量与实际较为一致。(本文来源于《湖北农业科学》期刊2019年S1期）
吴耀东[4]（2019）在《改进型极限学习机模型在粮食产量预测中的应用》一文中研究指出为了提高粮食产量的预测精度和时效性,论文提出一种基于增长极限学习机(GELM)的粮食产量预测方法。该方法以极限学习机(ELM)为理论框架,针对ELM中隐节点数目L优化问题,在L递增情况下,推导输出权重广义逆矩阵的递推更新公式,避免了ELM在不同L下重复计算输出权重广义逆矩阵的问题,降低ELM的计算量,继而提出GELM算法。最后给出粮食产量GELM预测方法流程。以1960-2015年我国粮食产量为实验数据,结果表明,相比于ELM和支持向量机(SVM),GELM的预测准确性高于SVM,与ELM相差不大,但GELM的耗时明显低于ELM和SVM。(本文来源于《计算机与数字工程》期刊2019年06期）
张莹莹,徐文科[5]（2019）在《基于灰色GM(1,1)模型对黑龙江省粮食产量的预测》一文中研究指出应用GM(1,1)模型对1995～2017年黑龙江省粮食产量进行趋势的分析,并且按照发展趋势进行为期叁年的预测.所应用到的GM(1,1)模型是按照参数的双向差分进行最小二乘估计,并且在初始值也进行两方面的变动,应用模型初始值加权评均法、模型初始值加权误差平方法.这样可以适当的提高模型的预测精度.(本文来源于《哈尔滨师范大学自然科学学报》期刊2019年03期）
姚缙然[6]（2019）在《基于Python的粮食产量组合预测模型研究及应用》一文中研究指出粮食作为人类生存的根本,对于一个国家的安定起到举足轻重的作用,中国作为一个产粮大国,一直把粮食生产的发展放在最主要的地位。而随着现代技术的发展,人们不断尝试将现在科技和理论应用在粮食生产技术上,而预测技术就是其中之一。预测技术作为一个已经较为成熟的技术,已经给人们带来许多方便,从天气情况的变化到航天轨迹的预测,都对人类的生活发展产生了巨大的影响,将预测技术运用在粮食生产上,可以有效地改善和预防粮食生产过程中存在的一系列问题。运用预测技术可以对未来粮食产量进行一定评估,从而可以提早对部分地区乃至国家的粮食生产进行规划,达到增产增收,不浪费粮食的目的。预测粮食产量的方法有很多种,对于不同的地域、环境、以及作物等,不同的预测方法所预测的准确度都会不太相同,因而无法用单种方法预测所有的东西,除此之外,由于要准确地预测粮食产量需收集大量的数据并进行处理,只是实现一种预测模型就需要花费很长的时间。随着各种大数据平台的建立,收集数据渐渐已经不像过去那么复杂,不过因为数据量日益庞大,人们亟需一种能同时拥有收集和处理功能的软件来完成任务,于是Python便因此进入了人们的视野。Python拥有强大的数据处理能力和大量丰富的库,使Python能够胜任大部分数据处理的任务。同时,因为Python是一款拥有爬虫功能的软件,所以收集数据也变得非常简单,这使得Python可以在粮食预测上贡献自己的力量。它可以较快处理单个预测模型的工作,这也为粮食的组合预测提供了条件和可能性。本文将通过Python编程以及调用库函数,例如Math、Numpy、scikit-learn以及Pandas等,对指数平滑法、灰色GM(1,1)、回归分析法以及支持向量机这四种常用的粮食预测方法分别进行建模工作,将其编译成Python程序并测试其准确度,再由程序根据不同权重分配的方法将不同的模型进行权重分配,筛选出一种准确度更高的方法,来将多种单一预测模型组合成一个新的预测模型,并对其进行检测,从而获得一个能够取长补短、稳定性好、适用范围更广的组合预测模型,来实现对粮食产量更精准的预测。(本文来源于《武汉轻工大学》期刊2019-06-01）
王少航[7]（2019）在《基于灰色—马尔科夫模型的粮食产量预测》一文中研究指出粮食问题是我国生存与发展的重大问题。我国不仅是一个人口大国,而且自古以来也是一个农业大国。粮食一直与国民的生活息息相关,它不仅关系到国家经济的发展,也关系到国家的稳定与安全,所以粮食对我国至关重要。当下由于人口的压力,粮食一直处于紧张状态,我国的土地面积虽多,但是可耕地面积非常之少,所以对于粮食产量的预测非常重要。研究粮食产量的规律及其变化,能够为政府相关部门制定农业政策提供可靠的依据和保障。本文以河南粮食的总产量以及影响粮食产量的相关因素为出发点,研究了基于灰色—马尔科夫模型的粮食产量预测。灰色系统理论是一种新兴的理论,主要用于研究小样本、贫信息的数据,能够揭示事物发展的整体规律,在农业科学中应用十分广泛,该系统的主要预测模型为GM模型。由于影响粮食产量的因素众多,为了找出主要影响因素所以首先利用灰色系统理论中经典的邓氏关联度来分析影响粮食产量的影响因素。按照关联度从大到小进行排序,从中筛选出主要的四种影响因素,利用粮食数据与该四种主要影响因素建立灰色GM(0,4)模型来对河南粮食的总产量数据进行预测分析。灰色GM(0,4)模型能基本反映出粮食产量数据的整体变化趋势,但未能反映出粮食数据的波动性与不稳定性。为了能反映出粮食数据的这些特性,提升预测精度,随后又引入马尔科夫链。马尔科夫链依据系统数据的状态与变化趋势来预测数据下一时刻的状态,能够很好的反映数据的波动性与不稳定性。在灰色预测的基础上可以结合马尔科夫链建立灰色—马尔科夫模型来进行预测与修正,从而提升预测精度,反映出粮食数据的波动性与不稳定性。最后为了进一步提升预测的精度,又引入遗传优化算法建立遗传算法—灰色马尔科夫模型来进行修正。该算法覆盖面广,并行性好,具有自学习、自适应的特点,有利于参数的优化,从而进一步提升了预测精度。实验结果表明:对于河南粮食总产量的预测,遗传算法—灰色马尔科夫模型的预测精度优于灰色—马尔科夫模型与灰色GM(0,4)模型。(本文来源于《河南工业大学》期刊2019-05-01）
郭亚菲[8]（2019）在《基于组合模型的粮食产量预测方法研究》一文中研究指出农业是国民经济的基础,粮食产量是粮食安全保障的一个重要组成部分,因此粮食产量预测也成为了一个重要的研究课题,采用合理的方法和模型预测粮食产量变化趋势十分重要。针对我国粮食产量数据的特点,从两方面对粮食产量预测进行研究。一方面从影响因子入手,建立描述粮食产量与影响因子间的映射关系,提出了两种组合预测模型,模型一首先通过灰关联筛选出影响因子,其次,根据影响因子与粮食产量数据之间的非线性特点,建立BP神经网络模型,并采用粒子群算法对其权值进行优化,最后得到预测值。模型二首先计算影响因子与粮食产量间的相关系数,其次,利用主成分分析构建影响因子主要成分,最后建立主要成分与粮食产量数据的极限学习机模型,从而得到预测值。另一方面从单一的粮食产量时间序列上入手,建立时间序列模型。针对粮食产量的数据具有复杂性、随机性和非平稳性的特点,提出了在小波变换的基础上,结合GM(1,1)模型与ARIMA模型的优点,建立了GM(1,1)-ARIMA组合预测模型。针对小波分解后各分量序列的不同特征,采用灰色GM(1,1)模型对近似分量进行趋势预测,然后采用ARIMA预测模型对细节分量进行预测;最后通过小波重构得到产量的预测值。通过对比分析粮食产量实际数值与模型所得的预测值,计算得到各个预测模型的预测精确度,结果表明,基于粒子群优化的BP网络预测模型的平均误差为1.7%,基于主成分分析与极限学习机预测模型的平均误差为1.3%,基于小波变化的GM(1,1)-ARIMA预测模型平均误差为0.8%。相比于其他预测模型,组合方法可有效提高预测精度,本文所提出的组合模型对可有效对的粮食产量进行预测,为粮食产量的预测提供了新方法。(本文来源于《河南工业大学》期刊2019-05-01）
邢聪仁[9]（2019）在《基于机器学习的安徽省粮食产量预测方法研究》一文中研究指出粮食产量预测是粮食储藏、农田管理和国家农业决策的关键,是国家粮食安全评估和粮食政策制定的重要组成部分,农作物生长监测及产量预测是调节农业种植系统和农业经营管理的关键。人口增加、耕地面积和水资源减少、环境恶化、全球气候变暖等一系列因素对农业生产影响显着,威胁着粮食安全。预计到2050年,世界总人口将达到91.5亿人,粮食安全保障至关重要,准确的区域作物生长监测和产量预测对于指导农业生产、保障国家粮食安全以及维持农业的可持续发展至关重要。本文对安徽省地理条件及粮食产量变化趋势深入了解后,首先针对各因素对安徽省粮食产量的影响机制进行具体阐述,最终确定安徽省粮食产量主要影响因素有粮食播种面积、有效灌溉面积、受灾面积、化肥施用量、塑料膜使用量、农药施用量、农用柴油使用量、农林牧渔劳动力、农业机械总动力、已建成水库数、农业生产资料价格指数1 1个指标。其次,基于1990-2014年安徽省粮食产量相关数据,分别构建BP神经网络、支持向量回归模型、随机森林回归模型对安徽省粮食产量进行拟合,并以2015-2017年粮食产量相关数据作为测试集对各模型进行检验。结果表明,各模型拟合效果及预测能力均存在一定缺陷,故本文提出基于方差倒数法的组合预测模型,将上述所构建叁种模型进行有效结合,并对其预测能力进行评估,结果显示,组合预测模型对训练集的拟合效果较为良好,具有一定的稳定性,且模型一定程度上加入了全局最优的特点,使得预测结果更具有可靠性。最后,本文对安徽省2018-2020年粮食产量进行预测,分别为3459.83万吨、3478.57万吨、3505.57万吨。(本文来源于《安徽大学》期刊2019-05-01）
尹邦华[10]（2019）在《基于灰色马尔可夫模型的湖南省粮食产量预测研究》一文中研究指出粮食是关系到国计民生的重大问题,随着影响粮食产量的各种因素的变化,对其变化趋势进行分析和预测迫在眉睫。本文对湖南省粮食生产的研究将从以下两方面展开:一方面是先对湖南省目前的粮食生产现状进行简单地分析;然后利用改进的广义灰色关联度分析法对影响湖南省粮食生产因素进行关联分析;最后从关联结果中得到影响湖南省粮食生产的主要因素有粮食单产、粮食作物播种面积、化肥使用量、有效灌溉面积、农村用电量及农业从业人员。另一方面是先在GM(1,1)模型的基础上建立AGM(1,1)模型,并对其优化;然后再根据2000年至2016年湖南省粮食产量的数据,将这17年的粮食产量数据分成两部分,一部分是将2000年至2011年的粮食产量数据作为原始数据,另一部是将2012年至2016年的粮食产量数据作为模型的验证数据;再分别运用GM(1,1)模型、改进的AGM(1,1)模型和新陈代谢的改进无偏灰色马尔可夫模型对湖南省粮食产量进行预测验证;最后将叁种模型的预测精度进行比较,研究认为新陈代谢的改进无偏灰色马尔可夫模型预测精度强于改进的AGM(1,1)模型,而AGM(1,1)模型预测精度又强于GM(1,1)模型,表明新陈代谢的改进无偏灰色马尔可夫模型更适用于粮食产量的中短期预测。(本文来源于《南华大学》期刊2019-05-01）
粮食产量预测论文开题报告
（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：
抓住影响粮食产量的主要因素并科学预测粮食产量,对于提高粮食产量和保障粮食安全至关重要。选取安徽省叁大农产品主产区2000—2017年的粮食产量等数据,对影响粮食产量的因素进行主成分分析,并采用GM(1,1)灰色模型预测安徽省主产区未来八年的粮食产量。结果表明:1.安徽省主产区粮食产量在过去18年总体增长,但农业的弱质性影响依然严重;2.影响粮食产量的因素按程度由大到小排列依次为:技术要素、资源投入要素、市场要素;3.通过预测粮食产量未来八年呈增长趋势,但边际产量递减。因此,建议加强农业基础设施建设降低农业弱质性,合理配置要素资源,强化政策扶持和引导,促进适度规模形成。
（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。
粮食产量预测论文参考文献
[1].郭亚菲,樊超,闫洪涛.基于主成分分析和粒子群优化神经网络的粮食产量预测[J].江苏农业科学.2019
[2].刘鹏凌,吴文俊,万莹莹,万光辉.粮食产量的影响因素分析及灰色预测——基于安徽省主产区的数据[J].西安建筑科技大学学报(社会科学版).2019
[3].张火平,苏妩.鄂州市粮食产量影响因素分析及预测[J].湖北农业科学.2019
[4].吴耀东.改进型极限学习机模型在粮食产量预测中的应用[J].计算机与数字工程.2019
[5].张莹莹,徐文科.基于灰色GM(1,1)模型对黑龙江省粮食产量的预测[J].哈尔滨师范大学自然科学学报.2019
[6].姚缙然.基于Python的粮食产量组合预测模型研究及应用[D].武汉轻工大学.2019
[7].王少航.基于灰色—马尔科夫模型的粮食产量预测[D].河南工业大学.2019
[8].郭亚菲.基于组合模型的粮食产量预测方法研究[D].河南工业大学.2019
[9].邢聪仁.基于机器学习的安徽省粮食产量预测方法研究[D].安徽大学.2019
[10].尹邦华.基于灰色马尔可夫模型的湖南省粮食产量预测研究[D].南华大学.2019
标签：粮食产量; 预测模型; 主成分分析(PCA); 粒子群(PSO)算法;