基于神经网络的粮食产量预测模型

关键词：神经网络；粮食产量预测；模型 中图分类号：TP393 文献标识码：A Forecasting Model of Foodstuff Yield based on Artificial Neural Networks XIAO Hui-min, FAN Wei-gang (Department of Computer Science, Henan University of Finance and Economics, Zhengzhou 45002, China) Abstract: In this paper, artificial neural networks are investigated. Forecasting model of foodstuff yield is established by means of artificial neural networks. Foodstuff Yield of Henan Province are forecasted by the model. Simulation example is given. Key words: Artificial Neural Networks; Forecast; Model 1 引言 民以食为天。一个国家如果粮食短缺，而且又未能通过其它方式，如国际贸易，来补足的话，人民就会陷入饥饿，社会就会动荡不安，其它一切活动生产都要受到严重影响。人类只有满足了最基本的吃的需求，才能进行其它活动，如文教、艺术等。这些年我国农业已经有了很大发展，但总体上生产方式还比较落后，有些地方还是靠天吃饭。我国是农业大国，但还不是农业强国。粮食产量模型研究的是粮食总产量与其影响因素之间的关系，在宏观决策中有很大意义。本文利用人工神经网络理论与方法，建立粮食产量预测模型，对河南省粮食产量进行预测，并利用检验数据来评价预测模型的优劣。 2 基于神经网络的预测模型 2．1 人工神经网络 人工神经网络(Artificial Neural Network)是人类在对其大脑神经网络认识理解的基础上构造的能够实现某种功能的拓扑结构。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它具有高度的非线性，能够进行复杂的逻辑操作和非线性关系的实现。 人工神经网络吸取了生物神经网络的许多优点，因而具有其固有的特点： ①高度的并行性：人工神经网络有许多相同的简单处理单元并联组合而成，虽然每个单元的功能简单，但大量简单处理单元的并行活动，使其对信息的处理能力与效果十分惊人。 ②高度的非线性全局作用：人工神经网络每个神经元量其他神经元的输入，并通过并行网络产生输出，影响其它神经元。网络之间的这种相互制约和相互影响，实现了从输入状态到输出状态空间的非线性映射。 ③良好的容错性与联想记忆能力 ④十分强的自适应性、自学习能力 它可以通过训练和学习来获得网络的权置与结构，呈现出很强的自学习能力和对环境的自适应能力。 正是基于以上优点，我们引入人工神经网络来构造粮食产量预测模型。 目前人工神经网络中应用最广泛并且比较成功的是BP网络，它是一种多层前馈神经网络，其隐含层神经元的激活函数是S型函数，因此其输出量为0到1之间的连续量，从而可以实现从输入到输出的任意的非线性映射。由于权值的调整采用反向传播(Back Propagation)的学习方法，因此称之为BP网络。 本文采用BP网络建立评价模型。图1所示是具有一个隐含层的BP网络。 BP网络的学习过程由正向和反向传播组成，正向传播输入样本的输入信息，反向传播传递输出与目标间的误差及调整信息。在正向传播时，输入信息在神经元中均由S型激活函数激活后输出，S型激活函数为厂(z)=1／[1+exp( - x)] BP训练算法如下： (1)选取学习率r， (2)进行下列过程直至性能满足要求为止： ①对于每一样本输入， (a)计算所得输出； ②对于所有样本输入，对权值变化求和，并修正各权值。 上述步骤计算量很大，实际上这些完全不用手工计算，可以用MATLAB软件中的神经网络工具箱(Neural Network Toolbox)轻松实现。 2．2 粮食产量预测模型设计 影响粮食产量的因素较多，如粮食作物播种面积、农业劳动力、化肥施用量、农用机械化水平、受灾面积等。这些因素对粮食产量的影响较为复杂，很难用定量化的模型来描述，但利用人工神经网络可以描述这类复杂的非线性关系。本文粮食产量预测模型的设计步骤如下： ①准备好样本数据，并将样本数据分为实验数据和检验数据两部分。实验数据用来训练神经网络模型；检验数据用来检验模型的预测效果，不参与模型训练；②对数据作规范化处理；③主成分分析，剔除相关度较高的因素；④确定BP网络各具体参数，构建模型，并用实验数据进行训练；⑤用检验数据进行检验；⑥如果效果可以，则设计工作结束，否则，调整参数，转入④继续执行。 本文选取河南省1988年至2002年数据作为样本数据，共十五组数据，如表1所示。前十四组数据作为实验数据，2002年数据作为检验数据，具体数据来自河南省历年统计年鉴。每组数据均包括当年的粮食总产量、粮食作物播种面积、农业劳动力、农用化肥施用量、农用机械总动力、受灾面积六个项目。先对其进行规范化处理，作主成分分析。为了尽可能准确地预测，应尽量多地引入影响因素，因此，作主成分分析时，保守地参数选取了0．001。分析结果显示，在该参数下，五个因素都应当包含在内。 经过多次试验，神经网络的结构选为：一个隐含层，隐含层神经元个数为6，一个输出神经元。学习率为0．001，目标值为0．000001，经过7代训练，达到目标值，如图2所示。1988年到2001年的实验数据与其模型预测值的捏合情况如图3所示，2002年的检验数据与其预测值的捏合情况如图4所示。模型预测值与实际值的比较如表2所示。从图4及表2上可以看出，实验数据(1988年至2001年数据)与其模型预测值拟合得非常好，检验数据(2002年)与其预测值拟合的还令人满意，误差仅为1．25％。至此，这个训练好的神经网络就能依据需预测年份的粮食作物播种面积、农业劳动力、农用化肥施用量、农用机械总动力、受灾面积数据对河南省粮食产量进行预测了。 3 结论 利用人工神经网络理论与方法，建立粮食产量预测模型，取得了较好的结果，但还存在一些不足，如果能考虑更多的影响因素以及历史资料，就会有更好的预测效果。同时，它还能广泛地应用到其它领域中。 参考文献 [1]王华．MATLAB在电信工程中的应用[M]．北京：中国水利水电出版社，2001． [2]焦李成．神经网络系统理论[M]．西安：西安电子科技大学出版社。1990． [3]蔡自兴，等．人工智能及其应用[M]．北京：清华大学出版社，1996．