基于Matlab-nntool的BP神經網絡在江蘇省糧食作物產量預測中的應用

戴　澍，潘　麗

（炎黃職業技術學院，江蘇漣水223400）

基于Matlab-nntool的BP神經網絡在江蘇省糧食作物產量預測中的應用

戴澍，潘麗

（炎黃職業技術學院，江蘇漣水223400）

本文基于BP神經網絡理論對2014年江蘇省糧食作物產量進行仿真，仿真結果為3510.8萬噸。與實際產量相比誤差為0.58%，實驗結果證明了利用BP神經網絡對江蘇省糧食作物產量預測是可行的，具有一定的應用價值。

Matlab；BP神經網絡；糧食作物

1　 BP神經網絡

BP神經網絡是1986年由Rume1hatt和McCe11and為首的科學家小組提出，它是一種按誤差逆傳播算法訓練的多層前饋網絡，是一種具有三層以上（包括三層）的神經網絡，包括輸入層、隱含層，和輸出層。各層之間實現全連接，而各層的神經元之間沒有直接連接。

2　 BP神經網絡在Matlab中的實現

實現BP神經網絡在Mat1ab中運行，首先需要對數據進行歸一化處理，然后建立神經網絡（即newff函數），接著進行網絡訓練即（ttain函數），并根據訓練結果，輸入測試數據進行仿真即（sim函數），最后將數據進行反歸一化處理。傳統模式下，以上過程都需依靠編寫程序代碼來實現，專業性強，且容易出錯。因此在較新版本的mat1ab下設置了Neuta1Netwotk Too1box，可在窗口化的界面進行神經網絡的創建、訓練與預測，簡化了操作，本文即采取此方法進行分析。

3　基于matlab和BP神經網絡的江蘇省糧

食作物產量預測

3.1指標說明與節點選取

選取影響江蘇省糧食作物產量的5個因素作為輸入變量，分別為糧食作物播種面積（千公頃）、農村勞動力（萬人）、農業機械總動力（萬千瓦）、農村用電量（億千瓦時）、化肥施用量（萬噸），輸出變量為糧食作物總產量（萬噸），數據來源于2003-2015年江蘇省統計年鑒。數據如下表所示。相應的，輸入節點數和輸出節點數分別為5和1，隱含層的節點數則運用以下公式計算：

其中，Z為隱含層節點數，X為輸入層節點數，y為輸出層節點數，可得隱含層的節點數范圍經過多次擬合最后確定隱含層的節點數取10。

3.2數據的歸一化處理

BP神經網絡的數據歸一化處理方法很多，基本原則是把數據按固定規律映射到0到1之間，以便進行統一比較，本文采取的方法如下，其中b為原始數據，a為新數據。

3.3創建與訓練網絡

取2001-2013年數據作為學習樣本，2014年數據為驗證數據利用Mat1ab的nntoo1命令，打開工具箱，錄入輸入、輸出數據，創建網絡。本文采取三層BP網絡，訓練函數經過大量試驗，最終確定為收斂快、誤差小的TRAINLM函數，隱含層激活函數選取TANSIG函數，輸出層激活函數選擇PURELIN函數。

3.4仿真與結果

利用2014年各輸入變量，錄入訓練好的BP神經網絡進行仿真，數據反饋到Netwotk/Date Managet窗口下的Output Date選項中，并將其反歸一化，最終結果3510.8。2014年糧食作物總產量為3490.62萬噸。誤差為0.58%。對于經濟指標，一般認為誤差在4%以內均算作準確，本次預測值遠小于4%，表明利用BP神經網絡對江蘇省糧食作物產量預測是可行的。

表1　2001－2014年影響江蘇省糧食作物產量的主要經濟指標

10.3969/j.issn.1673-0194.2016.13.094

F323.8

A

1673-0194（2016）13-0174-01

2016-04-14