BP神經(jīng)網(wǎng)絡(luò)在河南省糧食產(chǎn)量預(yù)測中的應(yīng)用

張成才+陳少丹

摘要：利用河南省１９９６－２０１１年糧食生產(chǎn)相關(guān)影響因素指標(biāo)數(shù)據(jù)，建立了基于ＢＰ神經(jīng)網(wǎng)絡(luò)的河南省糧食產(chǎn)量的預(yù)測模型。該模型以播種面積、農(nóng)田有效灌溉面積、農(nóng)用機(jī)械總動(dòng)力、化肥施用量、農(nóng)藥施用量５個(gè)指標(biāo)為網(wǎng)絡(luò)的輸入值，糧食產(chǎn)量為輸出值進(jìn)行網(wǎng)絡(luò)訓(xùn)練。預(yù)測結(jié)果表明，最大預(yù)測誤差小于２％，說明ＢＰ網(wǎng)絡(luò)模型具有較高的預(yù)測精度和穩(wěn)定性，可為糧食產(chǎn)量預(yù)測提供一種新途徑。

關(guān)鍵詞：ＢＰ神經(jīng)網(wǎng)絡(luò)；糧食產(chǎn)量；預(yù)測；河南省

中圖分類號(hào)：Ｑ８１５文獻(xiàn)標(biāo)識(shí)碼：Ａ文章編號(hào)：0439－８114（２０14）08－1969-03

Application of BP Neural Network in Predicting Grain Yield of Henan Province

ＺＨＡＮＧ Ｃｈｅｎｇ－ｃａｉ，ＣＨＥＮ Ｓｈａｏ－ｄａｎ

（Ｃｏｌｌｅｇｅ ｏｆ Ｗａｔｅｒ Ｃｏｎｓｅｒｖａｎｃｙ ＆ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｚｈｅｎｇｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ， Ｚｈｅｎｇｚｈｏｕ ４５０００１，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ： Ｔｈｅ ｄａｔａ ｏｆ ｆａｃｔｏｒｓ affecting ｆｏｏｄ ｐｒｏｄｕｃｔｉｏｎ ｏｆ Ｈｅｎａｎ ｐｒｏｖｉｎｃｅ ｆｒｏｍ １９９６ ｔｏ ２０１１ ｗｅｒｅ ｕｓｅｄ ｔｏ ｆｏｒｅｃａｓｔ ｔｈｅ ｇｒａｉｎ ｙｉｅｌｄ ｂｙ ｂａｃｋ ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ ｏｆ ｇｒａｉｎ ｙｉｅｌｄ ｏｆ Ｈｅｎａｎ ｐｒｏｖｉｎｃｅ ｗａｓ ｓｅｔ ｕｐ ｂａｓｅｄ ｏｎ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． Ｔｈｅ ｍｏｄｅｌ used ５ ｉｎｄｉｃａｔｏｒｓ ｉｎｃｌｕｄｉｎｇ ｓｏｗｎ ａｒｅａ， ｔｈｅ ｅｆｆｅｃｔｉｖｅ ｉｒｒｉｇａｔｉｏｎ ａｒｅａ， ｔｈｅ ｔｏｔａｌ ｐｏｗｅｒ ｏｆ ａｇｒｉｃｕｌｔｕｒａｌ ｍａｃｈｉｎｅｒｙ， ｔｈｅ ｃｏｎｓｕｍｐｔｉｏｎ ｏｆ ｃｈｅｍｉｃａｌ ｆｅｒｔｉｌｉｚｅｒ ａｎｄ ｔｈｅ ａｍｏｕｎｔ ｏｆ ｐｅｓｔｉｃｉｄｅ ａｐｐｌｉｃａｔｉｏｎ ａｓ ｔｈｅ ｎｅｔｗｏｒｋ ｉｎｐｕｔ ｖａｌｕｅ， ａｎｄ ｇｒａｉｎ ｙｉｅｌｄ ａｓ ｔｈｅ ｏｕｔｐｕｔ ｔｏ ｄｏ ｔｈｅ ｎｅｔｗｏｒｋ ｔｒａｉｎｉｎｇ． Ｔｈｅ ｐｒｅｄｉｃｔion ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｍａｘｉｍｕｍ ｐｒｅｄｉｃｔｉｏｎ ｅｒｒｏｒ ｗａｓ ｌｅｓｓ ｔｈａｎ ２％， ｉｎｄｉｃａｔing ｔｈａｔ ｔｈｅ ｍｏｄｅｌ ｈａｄ ｈｉｇｈ ａｃｃｕｒａｃｙ ａｎｄ ｓｔａｂｉｌｉｔｙ of ｐｒｅｄｉｃｔｉｏｎ ａｎｄ would ｐｒｏｖｉｄｅ ａ ｎｅｗ ｗａｙ ｆｏｒ predicting ｇｒａｉｎ ｙｉｅｌｄ．

Ｋｅｙ ｗｏｒｄｓ： ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｇｒａｉｎ ｙｉｅｌｄ；ｐｒｅｄｉｃｔｉｏｎ；Ｈｅｎａｎ ｐｒｏｖｉｎｃｅ

農(nóng)業(yè)是國民經(jīng)濟(jì)的基礎(chǔ)，糧食生產(chǎn)對(duì)于社會(huì)、經(jīng)濟(jì)的穩(wěn)定具有重要作用，糧食產(chǎn)量的準(zhǔn)確預(yù)測可以為科學(xué)決策提供依據(jù)，從而保證國家的糧食安全［１］。影響糧食產(chǎn)量的因素眾多，是一個(gè)非線性系統(tǒng)，傳統(tǒng)的預(yù)測方法對(duì)其進(jìn)行預(yù)測會(huì)受到很大的影響和制約。近年來，人工神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性映射能力使其在各類預(yù)測研究中得到了廣泛應(yīng)用，取得了令人滿意的效果。本研究以人工神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，將ＢＰ神經(jīng)網(wǎng)絡(luò)應(yīng)用到河南省糧食產(chǎn)量的預(yù)測研究中，建立了基于ＢＰ神經(jīng)網(wǎng)絡(luò)的河南省糧食產(chǎn)量預(yù)測模型。對(duì)影響河南省糧食產(chǎn)量的諸多因素進(jìn)行分析，選取了主要影響因素指標(biāo)。然后用該模型進(jìn)行網(wǎng)絡(luò)預(yù)測分析，以期提高河南省糧食產(chǎn)量預(yù)測精度，為相關(guān)部門制定合理政策和采取相應(yīng)措施提供理論依據(jù)。

１ＢＰ神經(jīng)網(wǎng)絡(luò)

１．１ＢＰ神經(jīng)網(wǎng)絡(luò)算法

ＢＰ神經(jīng)網(wǎng)絡(luò)是目前神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣泛的網(wǎng)絡(luò)模型，其突出的特點(diǎn)是具有很強(qiáng)的非線性映射能力。Ｋｏｌｍｏｇｏｒｏｖ從理論上已經(jīng)證明，具有一個(gè)隱層的神經(jīng)網(wǎng)絡(luò)能夠以任意精度表示任意連續(xù)函數(shù)。ＢＰ神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法過程包括信號(hào)的正向傳播和誤差的反向傳播［２］。對(duì)于輸入信號(hào)，先向前傳播到隱含層，經(jīng)過作用函數(shù)后，再把隱含層的輸出信息傳播到輸出層；若輸出層的實(shí)際輸出與期望輸出不符，則轉(zhuǎn)入誤差的反向傳播，將誤差信號(hào)沿原來通路返回，通過修改各層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小［３］。作用函數(shù)通常采用Ｓ型函數(shù)，常用的激活作用函數(shù)ｆ（ｘ）為可導(dǎo)的Ｓｉｇｍｏｉｄ函數(shù)，ｆ（ｘ）＝■；ＢＰ神經(jīng)網(wǎng)絡(luò)通常使用的誤差函數(shù)是均方差，其定義為Ｅ■＝■■■（ｙ■－ｏ■）■，式中，Ｅ■是第ｋ個(gè)輸出響應(yīng)矢量的誤差，ｙ■是第ｊ個(gè)輸出神經(jīng)元的期望值，ｏ■是第ｊ個(gè)輸出神經(jīng)元的實(shí)際值。

１．２ＢＰ神經(jīng)網(wǎng)絡(luò)的糧食預(yù)測模型設(shè)計(jì)

在應(yīng)用ＢＰ神經(jīng)網(wǎng)絡(luò)解決實(shí)際問題的過程中，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)、訓(xùn)練算法和因素指標(biāo)的選取都只有通過大量的試驗(yàn)和計(jì)算獲得，這就加大了研究與計(jì)算的工作量。目前該領(lǐng)域較為流行的Ｍａｔｌａｂ軟件中，提供了現(xiàn)成的神經(jīng)網(wǎng)絡(luò)工具箱，為解決該問題提供了有利的條件。

Ｍａｔｌａｂ神經(jīng)網(wǎng)絡(luò)工具箱提供了建立神經(jīng)網(wǎng)絡(luò)的專用函數(shù)ｎｅｗｆｆ（），然后進(jìn)行ＢＰ神經(jīng)網(wǎng)絡(luò)的建立。三層ＢＰ網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)目的確定是模型建立成敗的關(guān)鍵，本研究根據(jù)２ｎ＋１的經(jīng)驗(yàn)方法來確定隱層節(jié)點(diǎn)數(shù)。把樣本分成訓(xùn)練樣本和測試樣本，用測試樣本檢驗(yàn)和修正網(wǎng)絡(luò)，然后根據(jù)結(jié)果通過逐步增加或減少隱層節(jié)點(diǎn)數(shù)量來調(diào)整網(wǎng)絡(luò)［４］。隱層節(jié)點(diǎn)確定之后進(jìn)行網(wǎng)絡(luò)的訓(xùn)練與檢驗(yàn)，如果誤差在合理的范圍內(nèi)，就可以用來進(jìn)行預(yù)測研究。

２河南省糧食產(chǎn)量預(yù)測

２．１河南糧食產(chǎn)量影響因素的選取

河南省農(nóng)業(yè)發(fā)展歷史悠久，是我國糧食主產(chǎn)區(qū)之一，穩(wěn)定和不斷提高河南省糧食產(chǎn)量對(duì)我國糧食安全和經(jīng)濟(jì)發(fā)展的影響舉足輕重，因此，糧食產(chǎn)量的準(zhǔn)確預(yù)測可以為科學(xué)決策提供依據(jù)。由于自然資源、經(jīng)濟(jì)發(fā)展水平的差異，中國各地區(qū)在影響糧食生產(chǎn)的因素方面存在區(qū)域差異，河南省糧食產(chǎn)量影響因素錯(cuò)綜復(fù)雜。根據(jù)糧食產(chǎn)量因素分析的相關(guān)文獻(xiàn)以及河南省實(shí)際情況［５，６］做了大量的調(diào)查研究后，選取與河南省糧食產(chǎn)量密切相關(guān)的播種面積、農(nóng)田有效灌溉面積、農(nóng)用機(jī)械總動(dòng)力、化肥施用量和農(nóng)藥施用量５個(gè)指標(biāo)作為網(wǎng)絡(luò)的輸入值，糧食產(chǎn)量作為網(wǎng)絡(luò)的輸出值。

以１９９６－２０１１年的數(shù)據(jù)為基礎(chǔ)，將樣本數(shù)據(jù)分為兩個(gè)部分，訓(xùn)練部分和檢驗(yàn)部分。選擇１９９６－２００６年１１個(gè)年份影響因素和糧食產(chǎn)量數(shù)據(jù)作為學(xué)習(xí)樣本，以２００７－２０１１年的影響因素和糧食產(chǎn)量數(shù)據(jù)作為檢測樣本。具體指標(biāo)數(shù)據(jù)見表１，數(shù)據(jù)來源于河南統(tǒng)計(jì)年鑒。

２．２ＢＰ神經(jīng)網(wǎng)絡(luò)模型預(yù)測

取輸入層數(shù)據(jù)的維數(shù)為５，因而網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)確定為５。輸出層的維數(shù)可根據(jù)使用者的要求自行確定，在本研究選取輸出層的維數(shù)為１。隱含層擬根據(jù)２ｎ＋１的經(jīng)驗(yàn)方法選１１個(gè)節(jié)點(diǎn)。在此基礎(chǔ)上不斷增加和減少隱層節(jié)點(diǎn)數(shù)，篩選確定隱層節(jié)點(diǎn)數(shù)取１０為滿意選擇［７］。輸出層為１個(gè)結(jié)點(diǎn)，為當(dāng)年的糧食產(chǎn)量，即網(wǎng)絡(luò)初始結(jié)構(gòu)為５·１０·１。

為便于訓(xùn)練，更好地反映各因素之間的相互關(guān)系，在網(wǎng)絡(luò)學(xué)習(xí)過程中要對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理。如果各輸入值未進(jìn)行預(yù)處理變換，取值范圍大的數(shù)據(jù)項(xiàng)所取得的權(quán)值一般要超過取值范圍小的數(shù)據(jù)項(xiàng)所取得的權(quán)值，這樣就會(huì)造成非線性映射的失真。本研究在訓(xùn)練網(wǎng)絡(luò)之前，將輸入輸出樣本用以下公式進(jìn)行歸一化處理［８］。

Ｘ′■＝■

式中， Ｘ■、Ｘ■分別為第ｉ個(gè)神經(jīng)元各輸入分量的最大值和最小值；Ｘ■、Ｘ′■分別為第ｉ個(gè)神經(jīng)元預(yù)處理前后的輸入分量。

２．３預(yù)測結(jié)果與分析

在ＭＡＴＬＡＢ ７．１環(huán)境下，調(diào)用ＢＰ神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練與檢驗(yàn)。訓(xùn)練函數(shù)經(jīng)過訓(xùn)練比較，最終選定Ｔｒａｉｎｌｍ，學(xué)習(xí)函數(shù)設(shè)為Ｌｅａｒｎｇｄｍ（網(wǎng)絡(luò)默認(rèn)），隱層傳遞函數(shù)設(shè)為Tansig，輸出層傳遞函數(shù)設(shè)為Ｌｏｇｓｉｇ［９］。網(wǎng)絡(luò)設(shè)計(jì)的參數(shù)為：隱含層神經(jīng)元１０個(gè)，輸出層神經(jīng)元１個(gè)，學(xué)習(xí)率０．０１。網(wǎng)絡(luò)訓(xùn)練的終止參數(shù)為：最大訓(xùn)練批次１ ０００次初始化網(wǎng)絡(luò)的訓(xùn)練步長Ｅｐｏｃｈｓ值為１ ０００，精度值為０．０００ ０１層。

在以上分析的基礎(chǔ)上，編寫程序?qū)崿F(xiàn)ＢＰ預(yù)測網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與訓(xùn)練，并運(yùn)用其進(jìn)行預(yù)測及結(jié)果比較，經(jīng)過多次驗(yàn)證，取得了較好的預(yù)測效果。預(yù)測結(jié)果及檢驗(yàn)結(jié)果如圖１所示，誤差率如圖２所示，經(jīng)過１２次訓(xùn)練后，網(wǎng)絡(luò)的目標(biāo)誤差達(dá)到要求，為7.776 26e-011。檢驗(yàn)樣本預(yù)測值與真實(shí)值的結(jié)果見表２。

由表２可以看出，通過５年樣本的檢驗(yàn)，２００７－２０１１年的預(yù)測精度分別達(dá)到９９．７３％、９８．６５％、９９．５０％、９９．８６％、９９．７８％，預(yù)測值與真實(shí)值的誤差率都小于２％，具有相當(dāng)高的精度，這樣的網(wǎng)絡(luò)結(jié)構(gòu)便獲得了較好的擬合效果。結(jié)果表明，利用ＢＰ神經(jīng)網(wǎng)絡(luò)對(duì)河南省糧食產(chǎn)量進(jìn)行預(yù)測是可行的，且與傳統(tǒng)預(yù)測方法相比，預(yù)測精度有了顯著改善。

３結(jié)語

人工神經(jīng)網(wǎng)絡(luò)ＢＰ模型能自主地從訓(xùn)練實(shí)例中學(xué)習(xí)，建立自變量與因變量之間的非線性映射關(guān)系［１０］。將ＢＰ神經(jīng)網(wǎng)絡(luò)應(yīng)用到河南省糧食產(chǎn)量的預(yù)測研究中，建立了基于ＢＰ神經(jīng)網(wǎng)絡(luò)的河南省糧食產(chǎn)量預(yù)測模型。并以河南省糧食產(chǎn)量的相關(guān)數(shù)據(jù)為基礎(chǔ)，對(duì)２００７－２０１１年的河南省糧食產(chǎn)量進(jìn)行了預(yù)測。研究結(jié)果表明，基于ＢＰ神經(jīng)網(wǎng)絡(luò)的河南省糧食產(chǎn)量預(yù)測模型一種有效、擬合精度高的糧食產(chǎn)量預(yù)測方法。

但ＢＰ神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性優(yōu)化問題，因此不可避免地存在局部極小值問題。對(duì)于網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的選取，目前尚無理論指導(dǎo)，只能根據(jù)經(jīng)驗(yàn)來選取。因此，要想較好地運(yùn)用ＢＰ神經(jīng)網(wǎng)絡(luò)來進(jìn)行糧食產(chǎn)量預(yù)測，需要進(jìn)一步對(duì)其加以完善。

參考文獻(xiàn)：

［１］ 向昌盛，張林峰．灰色理論和馬爾可夫相融合的糧食產(chǎn)量預(yù)測模型［Ｊ］．計(jì)算機(jī)科學(xué)，２０１３（２）：２４５－２４８．

［２］ 王曉萍，孫繼洋，金鑫．基于ＢＰ神經(jīng)網(wǎng)絡(luò)的錢塘江水質(zhì)指標(biāo)的預(yù)測［Ｊ］．浙江大學(xué)學(xué)報(bào)（工學(xué)版），２００７，４１（２）：３６１－３６４．

［３］ 鄭重，馬富裕，李江全，等．基于ＢＰ神經(jīng)網(wǎng)絡(luò)的農(nóng)田蒸散量預(yù)報(bào)模型［Ｊ］．水利學(xué)報(bào)，２００８（２）：２３０－２３４．

［４］ 閆建波．基于ＢＰ神經(jīng)網(wǎng)絡(luò)的灰色預(yù)測模型［Ｄ］．西安：西安理工大學(xué)，２００９．

［５］ 李瑞華，李明秋．河南省糧食產(chǎn)量影響因素分析［Ｊ］．廣東農(nóng)業(yè)科學(xué)，２００９（７）：３２３－３２５．

［６］ 王慧．影響河南糧食產(chǎn)量的因子分析與發(fā)展對(duì)策［Ｊ］．農(nóng)業(yè)經(jīng)濟(jì)，２００８（８）：４５－４７．

［７］ 李存軍，鄧紅霞，朱兵，等．ＢＰ神經(jīng)網(wǎng)絡(luò)預(yù)測日徑流序列的數(shù)據(jù)適應(yīng)性分析［Ｊ］．四川大學(xué)學(xué)報(bào)（工程科學(xué)版），２００７（２）：２５－２９．

［８］ 劉天舒．ＢＰ神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用［Ｄ］．哈爾濱：東北農(nóng)業(yè)大學(xué)，２０１１．

［９］ 趙姚陽，濮勵(lì)杰，胡曉添．ＢＰ神經(jīng)網(wǎng)絡(luò)在城市建成區(qū)面積預(yù)測中的應(yīng)用——以江蘇省為例［Ｊ］．長江流域資源與環(huán)境，２００６，１５（１）：１４－１８．

［１０］ 禹建麗，黎婭．基于人工神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測模型［Ｊ］．河南農(nóng)業(yè)科學(xué)，２００５（７）：４４－４６．

Ｘ′■＝■

式中， Ｘ■、Ｘ■分別為第ｉ個(gè)神經(jīng)元各輸入分量的最大值和最小值；Ｘ■、Ｘ′■分別為第ｉ個(gè)神經(jīng)元預(yù)處理前后的輸入分量。

２．３預(yù)測結(jié)果與分析

在ＭＡＴＬＡＢ ７．１環(huán)境下，調(diào)用ＢＰ神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練與檢驗(yàn)。訓(xùn)練函數(shù)經(jīng)過訓(xùn)練比較，最終選定Ｔｒａｉｎｌｍ，學(xué)習(xí)函數(shù)設(shè)為Ｌｅａｒｎｇｄｍ（網(wǎng)絡(luò)默認(rèn)），隱層傳遞函數(shù)設(shè)為Tansig，輸出層傳遞函數(shù)設(shè)為Ｌｏｇｓｉｇ［９］。網(wǎng)絡(luò)設(shè)計(jì)的參數(shù)為：隱含層神經(jīng)元１０個(gè)，輸出層神經(jīng)元１個(gè)，學(xué)習(xí)率０．０１。網(wǎng)絡(luò)訓(xùn)練的終止參數(shù)為：最大訓(xùn)練批次１ ０００次初始化網(wǎng)絡(luò)的訓(xùn)練步長Ｅｐｏｃｈｓ值為１ ０００，精度值為０．０００ ０１層。

在以上分析的基礎(chǔ)上，編寫程序?qū)崿F(xiàn)ＢＰ預(yù)測網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與訓(xùn)練，并運(yùn)用其進(jìn)行預(yù)測及結(jié)果比較，經(jīng)過多次驗(yàn)證，取得了較好的預(yù)測效果。預(yù)測結(jié)果及檢驗(yàn)結(jié)果如圖１所示，誤差率如圖２所示，經(jīng)過１２次訓(xùn)練后，網(wǎng)絡(luò)的目標(biāo)誤差達(dá)到要求，為7.776 26e-011。檢驗(yàn)樣本預(yù)測值與真實(shí)值的結(jié)果見表２。

由表２可以看出，通過５年樣本的檢驗(yàn)，２００７－２０１１年的預(yù)測精度分別達(dá)到９９．７３％、９８．６５％、９９．５０％、９９．８６％、９９．７８％，預(yù)測值與真實(shí)值的誤差率都小于２％，具有相當(dāng)高的精度，這樣的網(wǎng)絡(luò)結(jié)構(gòu)便獲得了較好的擬合效果。結(jié)果表明，利用ＢＰ神經(jīng)網(wǎng)絡(luò)對(duì)河南省糧食產(chǎn)量進(jìn)行預(yù)測是可行的，且與傳統(tǒng)預(yù)測方法相比，預(yù)測精度有了顯著改善。

３結(jié)語

人工神經(jīng)網(wǎng)絡(luò)ＢＰ模型能自主地從訓(xùn)練實(shí)例中學(xué)習(xí)，建立自變量與因變量之間的非線性映射關(guān)系［１０］。將ＢＰ神經(jīng)網(wǎng)絡(luò)應(yīng)用到河南省糧食產(chǎn)量的預(yù)測研究中，建立了基于ＢＰ神經(jīng)網(wǎng)絡(luò)的河南省糧食產(chǎn)量預(yù)測模型。并以河南省糧食產(chǎn)量的相關(guān)數(shù)據(jù)為基礎(chǔ)，對(duì)２００７－２０１１年的河南省糧食產(chǎn)量進(jìn)行了預(yù)測。研究結(jié)果表明，基于ＢＰ神經(jīng)網(wǎng)絡(luò)的河南省糧食產(chǎn)量預(yù)測模型一種有效、擬合精度高的糧食產(chǎn)量預(yù)測方法。

但ＢＰ神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性優(yōu)化問題，因此不可避免地存在局部極小值問題。對(duì)于網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的選取，目前尚無理論指導(dǎo)，只能根據(jù)經(jīng)驗(yàn)來選取。因此，要想較好地運(yùn)用ＢＰ神經(jīng)網(wǎng)絡(luò)來進(jìn)行糧食產(chǎn)量預(yù)測，需要進(jìn)一步對(duì)其加以完善。

參考文獻(xiàn)：

［１］ 向昌盛，張林峰．灰色理論和馬爾可夫相融合的糧食產(chǎn)量預(yù)測模型［Ｊ］．計(jì)算機(jī)科學(xué)，２０１３（２）：２４５－２４８．

［２］ 王曉萍，孫繼洋，金鑫．基于ＢＰ神經(jīng)網(wǎng)絡(luò)的錢塘江水質(zhì)指標(biāo)的預(yù)測［Ｊ］．浙江大學(xué)學(xué)報(bào)（工學(xué)版），２００７，４１（２）：３６１－３６４．

［３］ 鄭重，馬富裕，李江全，等．基于ＢＰ神經(jīng)網(wǎng)絡(luò)的農(nóng)田蒸散量預(yù)報(bào)模型［Ｊ］．水利學(xué)報(bào)，２００８（２）：２３０－２３４．

［４］ 閆建波．基于ＢＰ神經(jīng)網(wǎng)絡(luò)的灰色預(yù)測模型［Ｄ］．西安：西安理工大學(xué)，２００９．

［５］ 李瑞華，李明秋．河南省糧食產(chǎn)量影響因素分析［Ｊ］．廣東農(nóng)業(yè)科學(xué)，２００９（７）：３２３－３２５．

［６］ 王慧．影響河南糧食產(chǎn)量的因子分析與發(fā)展對(duì)策［Ｊ］．農(nóng)業(yè)經(jīng)濟(jì)，２００８（８）：４５－４７．

［７］ 李存軍，鄧紅霞，朱兵，等．ＢＰ神經(jīng)網(wǎng)絡(luò)預(yù)測日徑流序列的數(shù)據(jù)適應(yīng)性分析［Ｊ］．四川大學(xué)學(xué)報(bào)（工程科學(xué)版），２００７（２）：２５－２９．

［８］ 劉天舒．ＢＰ神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用［Ｄ］．哈爾濱：東北農(nóng)業(yè)大學(xué)，２０１１．

［９］ 趙姚陽，濮勵(lì)杰，胡曉添．ＢＰ神經(jīng)網(wǎng)絡(luò)在城市建成區(qū)面積預(yù)測中的應(yīng)用——以江蘇省為例［Ｊ］．長江流域資源與環(huán)境，２００６，１５（１）：１４－１８．

［１０］ 禹建麗，黎婭．基于人工神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測模型［Ｊ］．河南農(nóng)業(yè)科學(xué)，２００５（７）：４４－４６．

Ｘ′■＝■

式中， Ｘ■、Ｘ■分別為第ｉ個(gè)神經(jīng)元各輸入分量的最大值和最小值；Ｘ■、Ｘ′■分別為第ｉ個(gè)神經(jīng)元預(yù)處理前后的輸入分量。

２．３預(yù)測結(jié)果與分析

在ＭＡＴＬＡＢ ７．１環(huán)境下，調(diào)用ＢＰ神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練與檢驗(yàn)。訓(xùn)練函數(shù)經(jīng)過訓(xùn)練比較，最終選定Ｔｒａｉｎｌｍ，學(xué)習(xí)函數(shù)設(shè)為Ｌｅａｒｎｇｄｍ（網(wǎng)絡(luò)默認(rèn)），隱層傳遞函數(shù)設(shè)為Tansig，輸出層傳遞函數(shù)設(shè)為Ｌｏｇｓｉｇ［９］。網(wǎng)絡(luò)設(shè)計(jì)的參數(shù)為：隱含層神經(jīng)元１０個(gè)，輸出層神經(jīng)元１個(gè)，學(xué)習(xí)率０．０１。網(wǎng)絡(luò)訓(xùn)練的終止參數(shù)為：最大訓(xùn)練批次１ ０００次初始化網(wǎng)絡(luò)的訓(xùn)練步長Ｅｐｏｃｈｓ值為１ ０００，精度值為０．０００ ０１層。

在以上分析的基礎(chǔ)上，編寫程序?qū)崿F(xiàn)ＢＰ預(yù)測網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)與訓(xùn)練，并運(yùn)用其進(jìn)行預(yù)測及結(jié)果比較，經(jīng)過多次驗(yàn)證，取得了較好的預(yù)測效果。預(yù)測結(jié)果及檢驗(yàn)結(jié)果如圖１所示，誤差率如圖２所示，經(jīng)過１２次訓(xùn)練后，網(wǎng)絡(luò)的目標(biāo)誤差達(dá)到要求，為7.776 26e-011。檢驗(yàn)樣本預(yù)測值與真實(shí)值的結(jié)果見表２。

由表２可以看出，通過５年樣本的檢驗(yàn)，２００７－２０１１年的預(yù)測精度分別達(dá)到９９．７３％、９８．６５％、９９．５０％、９９．８６％、９９．７８％，預(yù)測值與真實(shí)值的誤差率都小于２％，具有相當(dāng)高的精度，這樣的網(wǎng)絡(luò)結(jié)構(gòu)便獲得了較好的擬合效果。結(jié)果表明，利用ＢＰ神經(jīng)網(wǎng)絡(luò)對(duì)河南省糧食產(chǎn)量進(jìn)行預(yù)測是可行的，且與傳統(tǒng)預(yù)測方法相比，預(yù)測精度有了顯著改善。

３結(jié)語

人工神經(jīng)網(wǎng)絡(luò)ＢＰ模型能自主地從訓(xùn)練實(shí)例中學(xué)習(xí)，建立自變量與因變量之間的非線性映射關(guān)系［１０］。將ＢＰ神經(jīng)網(wǎng)絡(luò)應(yīng)用到河南省糧食產(chǎn)量的預(yù)測研究中，建立了基于ＢＰ神經(jīng)網(wǎng)絡(luò)的河南省糧食產(chǎn)量預(yù)測模型。并以河南省糧食產(chǎn)量的相關(guān)數(shù)據(jù)為基礎(chǔ)，對(duì)２００７－２０１１年的河南省糧食產(chǎn)量進(jìn)行了預(yù)測。研究結(jié)果表明，基于ＢＰ神經(jīng)網(wǎng)絡(luò)的河南省糧食產(chǎn)量預(yù)測模型一種有效、擬合精度高的糧食產(chǎn)量預(yù)測方法。

但ＢＰ神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性優(yōu)化問題，因此不可避免地存在局部極小值問題。對(duì)于網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的選取，目前尚無理論指導(dǎo)，只能根據(jù)經(jīng)驗(yàn)來選取。因此，要想較好地運(yùn)用ＢＰ神經(jīng)網(wǎng)絡(luò)來進(jìn)行糧食產(chǎn)量預(yù)測，需要進(jìn)一步對(duì)其加以完善。

參考文獻(xiàn)：

［１］ 向昌盛，張林峰．灰色理論和馬爾可夫相融合的糧食產(chǎn)量預(yù)測模型［Ｊ］．計(jì)算機(jī)科學(xué)，２０１３（２）：２４５－２４８．

［２］ 王曉萍，孫繼洋，金鑫．基于ＢＰ神經(jīng)網(wǎng)絡(luò)的錢塘江水質(zhì)指標(biāo)的預(yù)測［Ｊ］．浙江大學(xué)學(xué)報(bào)（工學(xué)版），２００７，４１（２）：３６１－３６４．

［３］ 鄭重，馬富裕，李江全，等．基于ＢＰ神經(jīng)網(wǎng)絡(luò)的農(nóng)田蒸散量預(yù)報(bào)模型［Ｊ］．水利學(xué)報(bào)，２００８（２）：２３０－２３４．

［４］ 閆建波．基于ＢＰ神經(jīng)網(wǎng)絡(luò)的灰色預(yù)測模型［Ｄ］．西安：西安理工大學(xué)，２００９．

［５］ 李瑞華，李明秋．河南省糧食產(chǎn)量影響因素分析［Ｊ］．廣東農(nóng)業(yè)科學(xué)，２００９（７）：３２３－３２５．

［６］ 王慧．影響河南糧食產(chǎn)量的因子分析與發(fā)展對(duì)策［Ｊ］．農(nóng)業(yè)經(jīng)濟(jì)，２００８（８）：４５－４７．

［７］ 李存軍，鄧紅霞，朱兵，等．ＢＰ神經(jīng)網(wǎng)絡(luò)預(yù)測日徑流序列的數(shù)據(jù)適應(yīng)性分析［Ｊ］．四川大學(xué)學(xué)報(bào)（工程科學(xué)版），２００７（２）：２５－２９．

［８］ 劉天舒．ＢＰ神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用［Ｄ］．哈爾濱：東北農(nóng)業(yè)大學(xué)，２０１１．

［９］ 趙姚陽，濮勵(lì)杰，胡曉添．ＢＰ神經(jīng)網(wǎng)絡(luò)在城市建成區(qū)面積預(yù)測中的應(yīng)用——以江蘇省為例［Ｊ］．長江流域資源與環(huán)境，２００６，１５（１）：１４－１８．

［１０］ 禹建麗，黎婭．基于人工神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測模型［Ｊ］．河南農(nóng)業(yè)科學(xué)，２００５（７）：４４－４６．