優化BP神經網絡在玉米產量預測中的應用

馬越

摘 要：玉米產量預測一直是農業發展過程中的重要組成部分。神經網絡算法以其較好的非線性優化擬合能力應用于玉米產量的預測中。但是傳統的神經網絡算法具有收斂速度慢，易陷入局部最優等缺陷。從權值和閾值角度，用遺傳算法優化BP神經網絡應用于玉米產量預測，與基于自回歸移動平均模型在玉米產量預測進行比較，證明運用遺傳算法優化BP神經網絡算法不僅能提高玉米產量預測中的收斂速度，而且在玉米產量預測精度上也有很大提高。同時對多因素影響下的事件進行預測提供了新的解決思路和方向。

關鍵詞：遺傳算法；BP神經網絡；自回歸移動平均模型；玉米產量預測

玉米是唐山生產的重要農作物之一，也是我國主要食用作物。快速準確地對唐山玉米產量進行預測可以為玉米生產的組織實施提供數據參考。然而，玉米的生產過程受自然和人為的雙重影響，影響玉米產量的因素很多，要想準確預測玉米產量是一個難題。如今有很多學者采用各種方法進行了分析預測，但預測結果多有些偏差。主要由于玉米生產過程中受較多不確定因素制約，無法建立更加符合實際的模型進行描述[1]。因此，尋找一個更加切實可行的算法是玉米產量預測問題中的重中之重。

一、優化BP神經網絡玉米產量預測模型

唐山處于華北平原北部，屬于溫帶季風氣候，降雨量適中，光照充足，具有發展玉米生產的良好條件，適合早、中、晚等不同熟期玉米品種種植。玉米是唐山市的第一大糧食產物，從2005年來，玉米的種植面積和產量一直呈增加態勢。在唐山市8個糧食作物主產縣（市）區，開展了玉米高產創建活動，推廣了一些增產技術[2]，促進了唐山市玉米生產的發展。

但唐山市玉米種植基礎條件較為薄弱，受自然災害的影響依然較大。近些年，春旱、伏旱以及秋吊等現象嚴重影響玉米產量，使得玉米生產產量不穩定，同時玉米種植品種多而雜，缺乏高產穩產優質抗倒伏的春播品種。因此提高玉米產量生產效率，減小自然災害對玉米產量的影響是迫切需要解決的問題。

本文綜合影響玉米產量的所有特性，選擇日照、降水、平均氣溫、播種面積作為影響玉米產量的主要因素。以河北省農村統計年鑒中的實際考察數據為試驗數據樣本來源，選取2012-2016年實際數據為樣本數據，由表1可知，玉米產量與影響因素之間是非線性的關系。

為了消除不同因子之間由于量綱和數值大小的差異而造成的誤差，通過公式對糧食產量數據進行標準化處理[3]，得到了符合網絡要求的數據。

二、與自回歸移動平均模型玉米產量預測比較分析

采用對遺傳算法優化的神經網絡算法進行計算，與自回歸移動平均模型預測玉米產量的算法結果進行對比。得到結果如下表2：

由表2中可得，以遺傳算法優化BP神經網絡模型預測出的玉米產量較好，預測平均相對誤差在1.09%。基于自回歸移動平均模型預測玉米產量的平均相對誤差在2.32%，兩者相比，遺傳算法優化BP神經網絡算法更精確。

三、結論

本文主要考慮了自然因素中光照、降水量、溫度和播種面積等影響玉米產量的因素。自回歸移動平均模型在處理多因素問題預測中，極易出現誤差。本文基于四種因素影響玉米產量預測的前提，在預測過程中發現各個因素之間有較強的相關性，采用遺傳算法對參數進行了改進，優化了神經網絡算法對玉米產量的預測。

參考文獻：

[1]楊雨時，董連杰，管琳.基于粗糙集理論和BP神經網絡的糧食產量預測方法[J].

[2]崔書會.唐山市玉米生產現狀、存在的問題與發展對策[J].農業科技通訊，2011.06.

[3]郭慶春，何振芳，李力.基于LM-BP網絡的糧食產量預測[J].湖北農業科學，2012，51（23）：5480-5481.endprint