神經網絡與加權模糊馬爾可夫鏈的組合模型及其應用*

王江榮 李向兵

(甘肅蘭州石化職業技術學院信息處理與控制工程系，蘭州 730060)

0 引言

全國糧食產量與有效灌溉面積、農業基本建設投資和勞動力投入等諸多因素有著很強的關聯性[1]。受氣象條件的多樣性、變異性、復雜性以及土地流失等因素的影響，糧食產量存在著大量的不確定性、不穩定性，以及較強的隨機性、相依性和非線性，從而降低了產量預測的精確性。因此，有必要研究在存在大量不確定因素的情況下，如何較為準確地預測全國糧食產量，為有關部門提供決策依據。

該文提出了一種基于BP(Back Propagation)神經網絡與加權模糊馬爾可夫鏈的組合預測方法。首先采用BP神經網絡，使用較少的樣本數據完成糧食產量曲線的粗略擬合，在此基礎上應用模糊聚類方法計算出糧食產量數據序列的分級模糊區間[2]，然后以產量序列規范化后的各階自相關系數為權，用加權的馬爾可夫鏈縮小預測區間以提高預測精確度，從而為定量評估多重因素對糧食產量影響提供了一種新的思路。

1 BP神經網絡與加權模糊馬爾可夫鏈組合預測模型的構建

1.1 基于BP神經網絡的動態基準曲線擬合

神經網絡作為一種并行的運算模型，能夠在被建對象結構及參數未知的情況下，通過樣本訓練，自適應地獲取輸入與輸出的非線性映射關系[3]。BP神經網絡結構簡單，具有較強的非線性映射能力，是應用最為廣泛的一類多層前向神經網絡。BP學習算法是一種梯度快速下降法，其訓練過程可歸納如下：