基于人工神经网络的数据优化.doc

《基于人工神经网络的数据优化.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于人工神经网络在作物产量与土壤信息关系的分析应用BP神经网络分析作物产量与土壤信息之间关系。把人工神经网络技术引入回归分析过程，通过对给定样本的学习，不断调整网络权值，实现在变量与自变量之间的非线性映射，从而达到确定土壤特性与作物产量之间因果关系的目的。人工神经网络是一种大规模并行的非线性动力系统。它具有许多引人注目的特点：大规模的复杂系统，有大量可供调节的参数：高度并行的处理机制，具有高速运算的能力：高度分散的存储方式，具有全息联想的特征；高度灵活可变的拓扑结构，具有很强的适应能力：高度冗余的组织方式，具有很好的坚韧性：高度的非线性运

2、算，具有自组织、自学习的潜力：高度的集体协同计算，模拟处理与数字处理并存。1作物籽粒产量的神经网络模型本文采用三层BP网络建模进行预测与拟合，必须先确定输入、输出样本对。输入层有6个输入量，即土壤含水量、有机质、全氮、碱解氮、速效磷、速效钾。输出层有一个输出量即作物籽粒产量。当训练样本数据确定后，神经网络的输入层和输出层节点数即可确定。1.1网络输入、输出样本数据的确定本文中，可以利用一冬小麦田中采集到的63组数据建立作物产量的神经网络模型。在样本训练前，对输入输出数据进行分类，抽取13组数据用于网络校验数据，其余50组数据用于网络训练。

3、1.2BP网络结构及参数的确定网络结构的确定主要是输入层与隐含层内的节点数的确定。根据上述可知，输入层选定6个节点。BP网络隐含层节点数的选择是一个十分复杂的问题，它与求解问题的要求及输入、输出节点数的多少都有直接的关系。一般根据问题的复杂程度、训练样本容量和实际要求由建模者的经验和试验工作确定。隐层节点数的确定参考下面的隐层单元数计算公式n1=+a上式中n1为隐层单元数，n为输入神经元个数，m为输出神经元个数，a为1～10之间的常数。本文中，隐层单元数计算如下：+1≤n1≤+10即4.16≤n1≤13.16根据n1的计算值，由小到大改变

4、节点数训练并检验其精度，当节点数的增加误差不进一步减小时，其临界值即为应采用的数值。最后，经过网络的实际训练结果比较，选定网络隐含层节点数为9，此时网络能较快地收敛至所要求的精度。利用VisualBasic6．0编制了BP人工神经网络模型计算机程序进行训练集样本训练，当误差给定E=0.001，隐含层节点数选定9个，学习步长为0．5，动量项为0.5，经次训练，网络精度达到要求。利用此时得到的权值，用检验样本集进行预测检验。该选定网络拓扑结构为6：9：l。在隐含层采用双曲正切S型(sigmoid)作为传递函数，输出层采用线性函数作为传递函数。

5、学习规则采用带有动量规则的BP算法。利用该训练好的网络，可以进行各种土壤空间分布信息与产量的回归预测。2作物籽粒产量与土壤特性关系的神经网络模型分析2.1作物籽粒产量与土壤特性的相互关系的确定利用训练好的网络，进行作物籽粒产量与土壤空间分布信息的相互关系分析。在分析前，对输入样本数据进行了预处理。其具体作法是：将实验地块中获取的63组数据中的每一种土壤空间分布信息从小到大排序；把排序后的每一种土壤空间分布信息按序号等分为五段；取每一种土壤空间分布信息的每段上的第一个数据，这样可对应获取6组数据。一种土壤空间分布信息的6个数据，其余的各种土

6、壤空间分布信息的取它们的平均值，建立输入样本，输入训练好的网络进行产量的预测，每一种田间信息可获得产量的6个预测值。然后利用表中的数据，拟合出变量之间的关系曲线，并拟合得到相应的关系方程式。2.2作物籽粒产量与土壤特性相互关系模型的检验利用BP神经网络，可以逼近土壤空间分布信息与籽粒产量之间的关系，而且可以知道它们之间许多具有非线性关系，在一种土壤特性因素变化，而其它土壤特性取平均值的情况下，获得了土壤含水量、有机质、全氮、碱解氮、速效磷、速效钾与产量关系的拟合模型，对拟合模型进行显著性检验，即进行F检验。根据各个拟合方程计算的拟合值及原

7、产量值，计算出各个方程的F值。查F分布表，比较F分布值，即可得到相应的关系。再依据得到数据，绘制土壤特性对产量影响的关系曲线，3总结1)用BP神经网络方法来确定土壤主要特性与作物产量的因果关系模型是可行的，因为BP网络通过样本的训练来不断的调整权值，使误差达到最小，避免了人为因素的干扰，其结果能很好地反映训练数据的情况，与训练数据的误差相对来说很小。通过实际数据验证，该BP网络方法有较高的准确度。2)建立起来的土壤特性与籽粒产量之间的关系模型，可用于指导农田的精确施肥、灌水等精细管理。不过应从时间和空间上收集更多的数据，可积累多年的产量数

8、据，气象数据，利用这些数据进行产量的预测，综合考虑产量的预测值，以便提高模型的实际应用性。4)在现实事物中，许多复杂的非线性系统是难以用数学方程表达出来的。神经网络则具有良好的自学功能和很强的