农作物用水量预测及智能灌溉方法(8)
时间:2025-07-11
时间:2025-07-11
次模型进行回归,输出结果如下:
Dependent Variable: Y
Method: Least Squares
Date: 05/21/16 Time: 17:24
Sample: 1 10
Included observations: 10
Variable Coefficient Std. Error t-Statistic Prob.
X 5.186257 0.000204 25424.73 0.0000
X^2 -0.006980 3.10E-07 -22482.97 0.0000
C -478.4724 0.032041 -14933.05 0.0000
R-squared 1.000000 Mean dependent var 430.7570
Adjusted R-squared 1.000000 S.D. dependent var 74.07824
S.E. of regression 0.006569 Akaike info criterion -6.969485
Sum squared resid 0.000302 Schwarz criterion -6.878710
Log likelihood 37.84743 Hannan-Quinn criter. -7.069066
F-statistic 5.72E+08 Durbin-Watson stat 2.663122
Prob(F-statistic) 0.000000
y=−478.4724+−0.006980x2+ 5.186457x
(-14933.05)(-22482.97) (25424.73)
5.1.3模型结果分析
(1)函数中a、b、c参数的t检验在1%的显著性水平下均显著:
p a<0.01,p b<0.01,p c<0.01
(2)拟合优度判定系数R2=1
拟合优度判定系数体现了回归模型中自变量的变异在因变量的变异中所占的比例,本模型中y的变异中完全都是由变量x的变化引起的,所有观测点都落在拟合的直线或曲线上,说明该模型建立良好。
5.2 问题2的模型建立与求解
由于BP神经网络可以实现输入和输出间的任意非线性映射,首先使用BP 神经神经网络进行拟合
上一篇:《邓小平南巡讲话》读后感