基于BP神經(jīng)網(wǎng)絡(luò)模型的中國乳業(yè)發(fā)展規(guī)模預(yù)測

馬國巍 佟光霽 李天霄

(東北林業(yè)大學(xué)，黑龍江哈爾濱150040)

基于BP神經(jīng)網(wǎng)絡(luò)模型的中國乳業(yè)發(fā)展規(guī)模預(yù)測

馬國巍 佟光霽 李天霄

(東北林業(yè)大學(xué)，黑龍江哈爾濱150040)

文章簡要分析了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和學(xué)習(xí)過程，然后以1978－2009年的中國乳業(yè)規(guī)模發(fā)展數(shù)據(jù)為基礎(chǔ)，以奶牛年末存欄數(shù)(千頭)、奶牛養(yǎng)殖業(yè)產(chǎn)值、畜牧業(yè)總產(chǎn)值等三個變量作為輸入、中國奶牛產(chǎn)量作為輸出，采用MATLAB2009a中的BP神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建了基于BP神經(jīng)網(wǎng)絡(luò)的中國乳業(yè)發(fā)展規(guī)模預(yù)測模型。研究結(jié)果表明:未來十年中國原奶產(chǎn)量將大幅度增長，乳業(yè)規(guī)模將迅速擴(kuò)大，原料奶生產(chǎn)無組織管理已不適應(yīng)乳業(yè)經(jīng)濟(jì)的迅猛發(fā)展，“十二五”期間必須轉(zhuǎn)變原料奶總量的增長方式。研究成果對于奶牛養(yǎng)殖業(yè)管理部門、養(yǎng)殖業(yè)者科學(xué)合理地規(guī)劃奶牛養(yǎng)殖規(guī)模具有重要的參考價值。

BP神經(jīng)網(wǎng)絡(luò);中國乳業(yè);發(fā)展規(guī)模;MATLAB

人工神經(jīng)網(wǎng)絡(luò)是最近幾十年新興的交義性學(xué)科，也是國際上研究異常活躍的領(lǐng)域之一。其中BP模型是應(yīng)用較為`廣泛的一種人工神經(jīng)網(wǎng)絡(luò)，具有自學(xué)反饋能力，采用多個節(jié)點的輸入層、隱層和多個或1個輸出的輸出層組成，每個節(jié)點為1個單獨的神經(jīng)元。BP神經(jīng)網(wǎng)絡(luò)通常采用基于BP神經(jīng)元的多層前向神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)形式。從結(jié)構(gòu)上看，一個典型的BP網(wǎng)絡(luò)通常有輸入層節(jié)點、一個或多個隱含層節(jié)點、一個輸出層節(jié)點構(gòu)成，其學(xué)習(xí)過程為，首先把樣本信號輸入到網(wǎng)絡(luò)中，由網(wǎng)絡(luò)第一個隱含層開始逐層地進(jìn)行計算，并向下一層傳遞，直至輸出層，其間每一層神經(jīng)元只影響到下一層神經(jīng)元的狀態(tài)。然后，以其輸出與樣本的期望輸出進(jìn)行比較，如果誤差不能滿足要求，則沿著原來的連接通路逐層返回，并利用兩者的誤差按照相應(yīng)的原則對各層節(jié)點的連接權(quán)值進(jìn)行調(diào)整，使誤差逐步減小，直到滿足精度要求時為止。

一 資料來源及模型參數(shù)確定

1.資料來源

1987年以來，中國乳業(yè)規(guī)模迅速發(fā)展、壯大，主要表現(xiàn)為奶牛數(shù)量和牛奶產(chǎn)量的增加。影響我國原奶生產(chǎn)的主要因素包括價格因素、生產(chǎn)方式等。本文以奶牛年末存欄數(shù)作為參數(shù)，結(jié)合乳業(yè)發(fā)展的影響因素和中國乳品市場發(fā)展的特點，建立中國乳業(yè)發(fā)展模型。具體分析如下:

采用全國 1978—2009年的統(tǒng)計資料(見表1)，采用MATLAB2009a中的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)，建立中國乳業(yè)發(fā)展規(guī)模的BP神經(jīng)網(wǎng)絡(luò)模型。其中:1998—2007年的統(tǒng)計資料作為模型的輸入，2008—2009年的統(tǒng)計資料作為預(yù)留檢驗，對中國乳業(yè)發(fā)展規(guī)模進(jìn)行模擬和預(yù)測。

2.模型結(jié)構(gòu)確定

本文選擇了影響中國乳業(yè)發(fā)展規(guī)模的奶牛年末存欄數(shù)(千頭)、奶牛養(yǎng)殖業(yè)產(chǎn)值、畜牧業(yè)總產(chǎn)值等三個變量，因此輸入樣本為該三個影響因子，中國奶牛產(chǎn)量作為輸出。根據(jù)前述內(nèi)容，本文中國乳業(yè)發(fā)展規(guī)模預(yù)測的BP神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點數(shù)為3個，輸出層節(jié)點數(shù)為1個，隱含層數(shù)為1層(8)，經(jīng)過網(wǎng)絡(luò)試算，當(dāng)隱含層節(jié)點數(shù)ni=6時，網(wǎng)絡(luò)性能最佳，因此，本節(jié)設(shè)計的BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)為3:6:1。

二、中國乳業(yè)發(fā)展規(guī)模BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立

采用MATLAB2009a神經(jīng)網(wǎng)絡(luò)工具箱newff函數(shù)生成BP網(wǎng)絡(luò)，結(jié)果表明:當(dāng)輸入－隱層為tansig函數(shù)、隱層－輸出層為線性函數(shù)(purelin)時效果最好。采用newff默認(rèn)的L－M BP算法(trainlm)和帶有動量項的BP算法(learngdm)作為訓(xùn)練函數(shù)和學(xué)習(xí)規(guī)則函數(shù)，誤差函數(shù)為mse(9)。

采用MATLAB2009a神經(jīng)網(wǎng)絡(luò)工具箱中train函數(shù)和sim函數(shù)對所建立的中國乳業(yè)發(fā)展規(guī)模BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和仿真。利用1998—2007年的中國乳業(yè)發(fā)展規(guī)模標(biāo)準(zhǔn)化數(shù)據(jù)做為訓(xùn)練樣本，經(jīng)過編程計算可知，訓(xùn)練9次，誤差趨于穩(wěn)定。

三、模型擬合及精度檢驗

精度檢驗包括模型的擬合效果和試報效果檢查。采用所建立的BP神經(jīng)網(wǎng)絡(luò)模型的仿真數(shù)據(jù)進(jìn)行擬合效果檢驗。通過計算可知擬合效果評價指標(biāo)后驗差比值C=0.0724，小誤差頻率P=1，相對均方誤差指標(biāo)E1=0，擬合準(zhǔn)確率E2=1，達(dá)到一級標(biāo)準(zhǔn)(10)說明模型的擬合效果精度很高。

采用未參加建模的2008—2009年的奶牛產(chǎn)量序列進(jìn)行試報效果檢驗，通過計算可知試報效果指標(biāo)E3=100%，說明模型的試報效果非常好，可以對中國乳業(yè)未來發(fā)展規(guī)模進(jìn)行預(yù)測。

四、預(yù)測結(jié)果

1.奶牛年末存欄數(shù)預(yù)測

根據(jù)1978—2009年中國奶牛年末存欄數(shù)資料，采用MATLAB2009a編程建立以年份x為自變量的中國奶牛年末存欄數(shù)三次多項式預(yù)測模型如下:

其相關(guān)系數(shù)R2=0.9564，可以用于預(yù)測奶牛年末存數(shù)未來發(fā)展趨勢。采用上式對中國2010—2020年奶牛年末存欄數(shù)進(jìn)行預(yù)測，見表2。

表2 中國2010－2020年奶牛年末存欄數(shù)預(yù)測值

2.畜牧業(yè)總產(chǎn)值預(yù)測

根據(jù)1978—2009年中國畜牧業(yè)總產(chǎn)值資料，采用MATLAB7.1編程建立以年份x為自變量的中國畜牧業(yè)總產(chǎn)值指數(shù)預(yù)測模型如下:

其相關(guān)系數(shù)R2=0.9 796，可以用于預(yù)測中國畜牧業(yè)總產(chǎn)值未來發(fā)展趨勢。采用上式對中國2010—2020年畜牧業(yè)總產(chǎn)值進(jìn)行預(yù)測，預(yù)測結(jié)果見表3。

表3 中國2010－2020年畜牧業(yè)總產(chǎn)值預(yù)測值

3.奶牛養(yǎng)殖業(yè)產(chǎn)值預(yù)測

根據(jù)1998—2009年中國奶牛養(yǎng)殖業(yè)產(chǎn)值資料，采用MATLAB2009a編程建立以年份x為自變量的中國奶牛養(yǎng)殖業(yè)產(chǎn)值指數(shù)預(yù)測模型如下:

y= － 0.1 882x3+9.2 834x2+1.5 684x+68.774 R2=0.9 931

其相關(guān)系數(shù)R2=0.9 931，可以用于預(yù)測中國奶牛養(yǎng)殖業(yè)產(chǎn)值未來發(fā)展趨勢。采用上式對中國2010—2020年奶牛養(yǎng)殖業(yè)產(chǎn)值進(jìn)行預(yù)測，預(yù)測結(jié)果見表4。

表4 中國2010－2020年奶牛養(yǎng)殖業(yè)產(chǎn)值預(yù)測值

4.牛奶產(chǎn)量預(yù)測

采用前述所建立的網(wǎng)絡(luò)結(jié)構(gòu)，結(jié)合所預(yù)測的2010—2020年的奶牛年末存欄數(shù)、奶牛養(yǎng)殖業(yè)產(chǎn)值、畜牧業(yè)總產(chǎn)值，將其作為BP神經(jīng)網(wǎng)絡(luò)的輸入，對牛奶產(chǎn)量進(jìn)行預(yù)測，結(jié)果見表5。

表5 中國2010－2020年牛奶產(chǎn)量預(yù)測值

中國乳業(yè)發(fā)展規(guī)模預(yù)測指明，2010—2020年十多年間，中國乳業(yè)將迅速發(fā)展。奶牛年末存欄數(shù)預(yù)測表明，2010—2020年期間，奶牛年末存欄數(shù)將由2010年的1 498.6萬頭增長至2020年的3 182.5萬頭，年存欄數(shù)由2011比2010年增加127.1萬頭，到 2020比 2019年的增加 213.3萬頭，年平均增加168.4萬頭，存欄數(shù)年平均增長率為 7.82% 。

牛奶產(chǎn)量預(yù)測表明，2010年—2020年，牛奶產(chǎn)量將由2010年的4 506.5萬噸，增加到2020年的12 842.5萬噸，平均年增長量833.6萬噸，平均年增長率為11.14% 。

奶牛養(yǎng)殖業(yè)總產(chǎn)值預(yù)測表明，2010—2020年期間，奶牛養(yǎng)殖業(yè)總產(chǎn)值由2010年的1 244.6億元增加到2020年的2 725.9億元，年平均增加值為148.7億元，總產(chǎn)值年平均增長率為8.18%。

畜牧業(yè)總產(chǎn)值預(yù)測表明，2010—2020年，畜牧業(yè)總產(chǎn)值由2010年的28 045億元逐年穩(wěn)步增加到59 219億元，年平均增加值為3 469.6億元，畜牧業(yè)總產(chǎn)值年平均增長率為8.44%。

由預(yù)測可知，未來十年中國原奶產(chǎn)量將大幅度增長，乳業(yè)規(guī)模將迅速擴(kuò)大，這不僅是中國經(jīng)濟(jì)高速發(fā)展的結(jié)果，也是隨著改革開放和市場經(jīng)濟(jì)的深入發(fā)展，乳業(yè)制度變遷的結(jié)果;反過來，乳業(yè)規(guī)模的擴(kuò)大，進(jìn)一步促進(jìn)了乳業(yè)的分工和專業(yè)化。原料奶生產(chǎn)無組織管理已不適應(yīng)乳業(yè)經(jīng)濟(jì)的迅猛發(fā)展，“十二五”期間必須轉(zhuǎn)變原料奶總量的增長方式。

［1］付強(qiáng).數(shù)據(jù)處理方法及其農(nóng)業(yè)應(yīng)用［M］.北京:科學(xué)出版社，2005:66～88.

［2］劉仁濤，付強(qiáng)，馮艷，等.基于RAGA的灰色BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型及其對三江平原地下水埋深的動態(tài)預(yù)測［J］.系統(tǒng)工程理論與實踐，2008，(5):171～176.

［3］Hunter A.Feature selection using probabilistic neural networks［J］. Neural Computing ＆ Applications，2000，9:124～132.

［4］Rumelhart D E，et al.Learning representation by BP errors［J］.Nature(London)，1986，(7):64 ～70.

［5］NG S C，Cheung C C，Leung S H.Fast convergence for back－propagation network with magnified gradient function［J］.IEEE，2003，9(3):1903～1908.

［6］朱信凱.2008－2020年我國奶類供給與需求預(yù)測研究［J］.中國乳業(yè)，2008，(5):2～7.

［7］劉成果.中國奶業(yè)年鑒(2009)［M］.北京:中國農(nóng)業(yè)出版社.2009:52～69.

The Prediction of Chinese Dairy Industry Development Scale Basing the BP Neural Network

Ma GuoweiTong GuangjiLi Tianxiao
(Northeast Forestry University，Harbin，Heilongjiang 150040)

This article briefly analyzes BP Neural Network’s structure and its learning process，and then takes the quality of dairy herds at the end of the year，the value of dairy cow industry and total value of livestock industry as three input variables，dairy cow milk output in China as output，with the data of Chinese Dairy Industry scale from 1978 to 2009 as the base;it creates a model to predict Chinese dairy industry development scale upon BP Neural Network with the using of BP Neural Network tool box form MATLAB2009a.The research result shows that in the following 10 years Chinese raw milk output will increase heavily and dairy industry scale will expand rapidly，which requires more than non － organized raw milk production management.During“the 12th 5－year－plan”period，the increasing way of raw milk production must be changed.The result is of important reference for cow farming management department and cow farmers to plan and control cow farming scale.

BP Neural Network，Chinese dairy industry，development scale，MATLAB

F326

A

1672-3805(2011)06-0074-04

2011－09－26

馬國巍(1977－)，男，黑龍江哈爾濱人，東北農(nóng)業(yè)大學(xué)經(jīng)濟(jì)管理學(xué)院實驗中心講師，東北林業(yè)大學(xué)在讀博士;研究方向:農(nóng)業(yè)政策法規(guī)