基于BP網(wǎng)絡的黑龍江省糧食播種面積動態(tài)仿真研究

陳 婧

(齊齊哈爾市水文局，黑龍江 齊齊哈爾 161005)

0 引言

耕地是人類賴以生存和發(fā)展的重要物質基礎，也是不難以再生的有限的和十分寶貴的資源[1]，糧食播種面積是耕地面積的重要組成部分，其變化及發(fā)展趨勢對區(qū)域的農(nóng)業(yè)可持續(xù)發(fā)展、糧食安全與生態(tài)環(huán)境具有重要影響[2]，因此，研究分析區(qū)域糧食播種面積動態(tài)變化具有重要意義。

近年來，隨著“東北老工業(yè)基地”的振興，“八大經(jīng)濟區(qū)”和“十大工程”的提出和實施，黑龍江省的經(jīng)濟迅猛發(fā)展，使黑龍江省發(fā)展環(huán)境空前優(yōu)越。然而工業(yè)化程度不斷提高的同時，致使每年大量的耕地流失，糧食播種面積受到嚴重威脅，特別是對黑龍江省“千億斤糧食產(chǎn)能工程”的順利實施具有重要影響。為了避免這種情況出現(xiàn)，必須對未來糧食播種面積進行初步的預測。因此，本文嘗試采用BP網(wǎng)絡模型，以黑龍江省1980—2008連續(xù)29 a的糧食播種面積數(shù)據(jù)為例，對黑龍江省糧食播種面積未來發(fā)展趨勢進行預測，以期為黑龍江省糧食發(fā)展規(guī)模的確定和農(nóng)業(yè)長期規(guī)劃的編制提供一定的數(shù)據(jù)參考。

1 人工神經(jīng)網(wǎng)絡模型

人工神經(jīng)網(wǎng)絡是最近幾十年新興的交義性學科，也是國際上研究異常活躍的領域之一。神經(jīng)網(wǎng)絡模型有BP模型、Kohonen模型、Hamming模型、Hopfield模型等，都是基于連接學說構造的智能仿生模型，它是將算法和構造相結合，采用大量神經(jīng)元組成的非線性動力系統(tǒng)，具有非區(qū)域性、非線性、非定長性和非凸性等特點。其中BP模型是應用較廣泛的一種人工神經(jīng)網(wǎng)絡，具有自學習反饋能力，采用多個節(jié)點的輸入層、隱層和多個或1個輸出的輸出層組成，每個節(jié)點為1個單獨的神經(jīng)元[3]。

1.1 BP網(wǎng)絡的結構

BP神經(jīng)網(wǎng)絡通常采用基于BP神經(jīng)元的多層前向神經(jīng)網(wǎng)絡的結構形式。從結構上看，一個典型的BP網(wǎng)絡通常有輸入層節(jié)點、一個或多個隱含層節(jié)點、一個輸出層節(jié)點構成。當有信息向網(wǎng)絡輸入時，信息先由輸入層傳至隱層節(jié)點，經(jīng)特性函數(shù)作用后，再傳至下一隱含層，直到最終傳至輸出層進行輸出為止，其間每經(jīng)過一層都要由相應的特性函數(shù)進行變換。隱含層一般采用雙曲正切函數(shù)(tansig)作為傳遞函數(shù)，輸出層一般采用線性函數(shù)(purelin)作為傳遞函數(shù)，信息流動為正向傳播過程[3]。

1.2 BP網(wǎng)絡的學習過程

學習的目的是不斷地對網(wǎng)絡的連接權值進行調(diào)整，使其對任一輸入信號都能得到期望的輸出。學習的方法是用一組訓練樣本對網(wǎng)絡進行訓練，每一個樣本都包括輸入及期望的輸出兩部分。訓練時，首先把樣本信號輸入到網(wǎng)絡中，由網(wǎng)絡第一個隱含層開始逐層地進行計算，并向下一層傳遞，直至輸出層，其間每一層神經(jīng)元只影響到下一層神經(jīng)元的狀態(tài)。然后，以其輸出與樣本的期望輸出進行比較，如果誤差不能滿足要求，則沿著原來的連接通路逐層返回，并利用兩者的誤差按照相應的原則對各層節(jié)點的連接權值進行調(diào)整，使誤差逐步減小，直到滿足精度要求時為止[4]。

2 BP網(wǎng)絡在黑龍江省糧食播種面積預測中的應用

現(xiàn)以黑龍江省1980—2008年的逐年糧食播種面積為例(資料來源于2009年《黑龍江省統(tǒng)計年鑒》)，采用 MATLAB7.1中的神經(jīng)網(wǎng)絡工具箱函數(shù)，建立糧食播種面積預測的BP網(wǎng)絡模型。其中:1980—2003年的糧食播種面積序列數(shù)據(jù)作為模型的輸入，2004—2008年的糧食播種面積序列數(shù)據(jù)作為預留檢驗，對黑龍江省糧食播種面積變化規(guī)律進行模擬和預測，為確定黑龍江省糧食發(fā)展規(guī)模提供參考依據(jù)。根據(jù)實測數(shù)據(jù)繪制黑龍江省糧食播種面積變化曲線，見圖1。

圖1 黑龍江省糧食播種面積變化曲線(1980—2008)

從圖1中可以看出:黑龍江省糧食播種面積變化隨機性較強，不存在明顯的周期，是一典型的隨機信號，因此，黑龍江省1980—2008年糧食播種面積可以采用上述方法建立BP網(wǎng)絡模型進行分析。

2.1 輸入輸出樣本對的確定

采用BP網(wǎng)絡對糧食播種面積進行模擬和預測時，必須首先確定網(wǎng)絡的輸入、輸出樣本對，即:網(wǎng)絡的輸入層和輸出層節(jié)點數(shù)，可采用前i個時間點值來預測第i+1個時間點值的方法[5]。通過相關性分析，達到顯著水平(a=0.05)的當年糧食播種面積與前3 a的糧食播種面積數(shù)據(jù)有關(見圖2)。因此，本文選擇前3 a的糧食播種面積資料作為網(wǎng)絡的輸入，當年糧食播種面積資料作為網(wǎng)絡(1個數(shù)據(jù))的輸出，將黑龍江省24 a的糧食播種面積實測資料(24個數(shù)據(jù))生成21個樣本對。

圖2 黑龍江省糧食播種面積隨機序列自相關圖

2.2 BP網(wǎng)絡結構的確定

如前所述，本文糧食播種面積預測的BP網(wǎng)絡輸入層節(jié)點數(shù)為3個，輸出層節(jié)點數(shù)為1個。

BP神經(jīng)網(wǎng)絡的結構設計主要是解決隱含層數(shù)和每個隱含層節(jié)點數(shù)。理論分析證明:具有單隱含層的BP神經(jīng)網(wǎng)絡可以映射所有連續(xù)函數(shù)，因此選定隱含層數(shù)為1層。一般認為，隱含層節(jié)點數(shù)可以在以下范圍內(nèi)進行調(diào)試:

式中:nh、nj為網(wǎng)絡輸入層和輸出層的節(jié)點數(shù);ni為網(wǎng)絡隱含層的節(jié)點數(shù)。

針對本文實際情況，nh=3，nj=1，則可計算得:3≤ni≤7。經(jīng)過網(wǎng)絡試算，當隱含層節(jié)點數(shù)ni=5時，網(wǎng)絡性能最佳，因此，本節(jié)設計的BP神經(jīng)網(wǎng)絡的拓撲結構為3∶5∶1。

2.3 BP網(wǎng)絡的訓練與仿真

采用MATLAB7.1中的神經(jīng)網(wǎng)絡工具箱函數(shù)newff生成網(wǎng)絡，train函數(shù)和sim函數(shù)對所建立的糧食播種面積BP網(wǎng)絡進行訓練和仿真[6]，可得到BP網(wǎng)絡訓練誤差變化曲線，見圖3。從圖3中可以看出，在經(jīng)過157次訓練之后，網(wǎng)絡性能達標。BP網(wǎng)絡模型擬合結果見圖4。

圖3 網(wǎng)絡訓練誤差變化曲線

圖4 黑龍江省糧食播種面積BP網(wǎng)絡模型擬合曲線

2.4 BP網(wǎng)絡模型精度檢驗

采用所建立的BP網(wǎng)絡模型的擬合數(shù)據(jù)進行擬合效果檢驗，并采用未參加建模的2004—2008年的糧食播種面積序列數(shù)據(jù)進行試報效果檢驗，試報效果擬合曲線見圖5，具體效果檢驗結果見表1。

圖5 黑龍江省2004—2008年糧食播種面積BP網(wǎng)絡模擬預測曲線

表1 BP神經(jīng)網(wǎng)絡模型精度檢驗結果

從表1中可以看出:擬合效果評價指標后驗差比值C=0，小誤差頻率P=1，相對均方誤差指標E1=0，擬合準確率E2=1，試報效果指標E3=80%，擬合階段各項指標均達到了一級標準，預測階段指標為二級標準[7]。從圖4和圖5中也可以看出黑龍江省糧食播種面積BP網(wǎng)絡模型擬合效果和預測效果較好。因此，所建立的糧食播種面積BP網(wǎng)路預測模型可靠性和預測精度較高，可用于預測未來黑龍江省糧食播種面積。

3 結論

采用BP人工神經(jīng)網(wǎng)絡和自相關分析相結合的方法，以黑龍江省1980—2008年糧食播種面積實測序列資料為例，構建了黑龍江省糧食播種面積BP網(wǎng)絡預測模型，精度檢驗結果表明，模型的有效性和可靠性較高，具有一定的實用性。該模型概念清晰，結構簡單，較為充分地揭示了黑龍江省糧食播種面積的變化規(guī)律，對黑龍江省糧食發(fā)展規(guī)模的確定和農(nóng)業(yè)長期規(guī)劃的編制具有重要的意義。

[1] 孟敏，李丁.甘肅省天水市耕地面積時序變化分析[J].安徽農(nóng)業(yè)科學，2009，37(34):16948-16950，16999.

[2] 張建軍，袁春，付梅臣，等.北京市耕地面積變化趨勢預測及保護對策研究[J]. 資源開發(fā)與市場，2006，22(6):497-499.

[3] 付強.數(shù)據(jù)處理方法及其農(nóng)業(yè)應用[M].北京:科學出版社，2005.

[4] 劉仁濤，付強，馮艷，等.基于RAGA的灰色BP神經(jīng)網(wǎng)絡預測模型及其對三江平原地下水埋深的動態(tài)預測[J]系統(tǒng)工程理論與實踐，2008(5):171-176.

[5] 彭勝民.區(qū)域水土資源優(yōu)化及糧食增產(chǎn)潛力研究—以齊齊哈爾為例[D].大慶:黑龍江八一農(nóng)墾大學，2010.

[6] 張德豐.MATLAB神經(jīng)網(wǎng)絡仿真與應用[M].北京:電子工業(yè)出版社，2011.

[7] 陳南祥.地下水動態(tài)預報模型的精度評價[J].工程勘察，1999(3):35-38.