作物产量预测的bp神经网络模型研究

《作物产量预测的bp神经网络模型研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第32卷第9期人民黄河Vo1．32．No．92010年9月YELL0WRIVERSep．，2010【灌溉·供水】作物产量预测的BP神经网络模型研究宰松梅，郭冬冬，温季，罗华梁，董汝瑞(1．水利部农田灌溉研究所，河南新乡453003；2．河南省人民胜利渠管理局，河南新乡453003；3．新乡职业技术学院，河南新乡453003)摘要：将人工神经网络技术应用于作物产量预测，建立了拓扑结构为6—5一l的三层BP神经网络模型，并分析了模型计算流程。将该模型应用于人民胜利渠灌区1981-2000年作物产量的实例检验，并与灰色模型的模

2、拟结果进行了比较。结果表明：BP神经网络模型用于作物产量预测简便可行，预测的最大误差为一6．71％，平均误差仅为2．64％，预测精度优于灰色模型。关键词：作物产量；人工神经网络；模型；预测中图分类号：TP183文献标识码：Adoi：10．3969／j．issn．1000—1379．20t0．09．03l粮食生产关系到我国国民经济健康发展，研究我国粮食生层。若输出层的实际输出与期望的输出不符，则转入误差逆传产系统的变动规律和粮食产量科学预测对保证我国粮食安全播阶段。误差逆传播是将输出误差以某种形式通过隐含层向具有重要意义J

3、。人工神经网络是信息科学研究领域的新兴输入层逐层反传，并将误差分摊给各层的所有单元，从而获得学科，是近年来迅速发展起来的一门集神经科学、计算机科学、各层单元的误差信号，此误差信号作为修正各单元权值的依信息科学、工程科学为一体的边缘交叉学科。人工神经网络借据。这种信号正向传播与误差反向传播的各层权值调整过程，鉴了神经科学的基本成果，是基于模仿人类大脑结构和功能而是周而复始地进行的。权值不断调整的过程，也就是网络学习构成的一种信息处理系统，它可以表示极其复杂的非线性模型训练的过程。此过程一直进行到网络输出误差减少到叮接受系统

4、，具有高度并行的处理机制、高度灵活可变的拓扑结构以的程度，或进行到预先设定的学习次数为止j。及强大的自组织、自学习、自适应能力和处理非线性问题的能1．2模型设计力，应用前景广阔J。BP神经网络设计，就是确定网络的层数、每层神经元节点数、每个神经元的激活函数、网络权值和偏差的初始值、学习速1BP神经网络模型设计率等。(1)网络的层数。一个包括隐含层的网络中，隐含层具有1．1BP神经网络足够多的神经元，且隐含层神经元的激活函数是s型函数，输BP神经网络模型由输入层、输出层和隐含层组成，层与出层神经元的激活函数是线性函数，这样

5、的网络可以逼近任何层之间的神经采用全互连的连接方式，通过相应的网络权系数实际的函数。BP神经网络模型中的单隐含层网络(三层前馈网)相互联系，每层内的神经元之问没有联系。网络按有教师示的应用最为普遍，主要包括输入层、隐含层和输出层(见图1)。教的方式进行学习，当把一对学习模式提供给网络后，神经元的激活值从输入层经各中间层向输出层传播，在输出层神经元获得网络的输入响应。BP算法由信号的正向传播和误差的反向传播两个过程组成。输入信息先向前传播到隐含层，经隐含层逐层作用处理后，再把隐含层的输出信息传播到输出节点。每一层神经元的状

6、态只影响下一层神经元的状态。若输出层不能得到期望输出，则转入反向传播，使得到的误差信号最小，最终获得满意的权重分配结果。输八层隐含层输出层BP网络的学习过程由4个部分组成：①“模式顺传播”过图1BP神经网络结构程，即输入模式由输入层经中间层向输出层传播；②“误差逆传收稿日期：2009—09-21播”过程，即网络的希望输出与网络实际输出的误差信号经中基金项目：国家“863”计划项目(2006AA1002l3)；“十一五”国家科技支撑计划项目(2007BAC15B02)问层向输入层逐层传播并修正连接权；③“记忆训练”过程，即

7、作者简介：宰松梅(1970一)，女，河南南阳人，副研究员，博士，主要从事节水灌“模式顺传播”与“误差逆传播”反复交替进行；④“学习收敛”溉与环境方面的研究工作。通讯作者：温季(】96o一)，男，山东齐河人，研究员，博士，主要从事节水灌溉技过程，网络趋向收敛即网络的全局误差趋向极小值。模式顺传术研究工作。播时，输入样本从输入层传人，经各隐层逐层处理后，传向输出E·mail：ggszsm@yahoo．corn．cn·7】·人民黄河2010年第9期(2)隐含层神经元节点数。根据训练输入模式样本数据含网络的收敛过程就是网络全局误

8、差趋向极小值的过程。变量的个数，可以设定输入层神经元节点数。对于一个BP网一般全局误差为络，可以通过采用一层隐含层，增加隐含层神经元节点数来提=∑(一)／2(5)高精度。(3)初始权值设置。其与网络训练能否达到全局最小点、网络的全局误差为能否收敛和训练时间长短联系紧密，要能使加权后的神经元的E=∑E=∑∑(y一c)／