基于Matlab-nntool的BP神經(jīng)網(wǎng)絡(luò)在江蘇省糧食作物產(chǎn)量預(yù)測(cè)中的應(yīng)用

戴　澍，潘　麗

（炎黃職業(yè)技術(shù)學(xué)院，江蘇漣水223400）

基于Matlab-nntool的BP神經(jīng)網(wǎng)絡(luò)在江蘇省糧食作物產(chǎn)量預(yù)測(cè)中的應(yīng)用

戴澍，潘麗

（炎黃職業(yè)技術(shù)學(xué)院，江蘇漣水223400）

本文基于BP神經(jīng)網(wǎng)絡(luò)理論對(duì)2014年江蘇省糧食作物產(chǎn)量進(jìn)行仿真，仿真結(jié)果為3510.8萬(wàn)噸。與實(shí)際產(chǎn)量相比誤差為0.58%，實(shí)驗(yàn)結(jié)果證明了利用BP神經(jīng)網(wǎng)絡(luò)對(duì)江蘇省糧食作物產(chǎn)量預(yù)測(cè)是可行的，具有一定的應(yīng)用價(jià)值。

Matlab；BP神經(jīng)網(wǎng)絡(luò)；糧食作物

1　 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是1986年由Rume1hatt和McCe11and為首的科學(xué)家小組提出，它是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是一種具有三層以上（包括三層）的神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層，和輸出層。各層之間實(shí)現(xiàn)全連接，而各層的神經(jīng)元之間沒(méi)有直接連接。

2　 BP神經(jīng)網(wǎng)絡(luò)在Matlab中的實(shí)現(xiàn)

實(shí)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)在Mat1ab中運(yùn)行，首先需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理，然后建立神經(jīng)網(wǎng)絡(luò)（即newff函數(shù)），接著進(jìn)行網(wǎng)絡(luò)訓(xùn)練即（ttain函數(shù)），并根據(jù)訓(xùn)練結(jié)果，輸入測(cè)試數(shù)據(jù)進(jìn)行仿真即（sim函數(shù)），最后將數(shù)據(jù)進(jìn)行反歸一化處理。傳統(tǒng)模式下，以上過(guò)程都需依靠編寫(xiě)程序代碼來(lái)實(shí)現(xiàn)，專(zhuān)業(yè)性強(qiáng)，且容易出錯(cuò)。因此在較新版本的mat1ab下設(shè)置了Neuta1Netwotk Too1box，可在窗口化的界面進(jìn)行神經(jīng)網(wǎng)絡(luò)的創(chuàng)建、訓(xùn)練與預(yù)測(cè)，簡(jiǎn)化了操作，本文即采取此方法進(jìn)行分析。

3　基于matlab和BP神經(jīng)網(wǎng)絡(luò)的江蘇省糧

食作物產(chǎn)量預(yù)測(cè)

3.1指標(biāo)說(shuō)明與節(jié)點(diǎn)選取

選取影響江蘇省糧食作物產(chǎn)量的5個(gè)因素作為輸入變量，分別為糧食作物播種面積（千公頃）、農(nóng)村勞動(dòng)力（萬(wàn)人）、農(nóng)業(yè)機(jī)械總動(dòng)力（萬(wàn)千瓦）、農(nóng)村用電量（億千瓦時(shí)）、化肥施用量（萬(wàn)噸），輸出變量為糧食作物總產(chǎn)量（萬(wàn)噸），數(shù)據(jù)來(lái)源于2003-2015年江蘇省統(tǒng)計(jì)年鑒。數(shù)據(jù)如下表所示。相應(yīng)的，輸入節(jié)點(diǎn)數(shù)和輸出節(jié)點(diǎn)數(shù)分別為5和1，隱含層的節(jié)點(diǎn)數(shù)則運(yùn)用以下公式計(jì)算：

其中，Z為隱含層節(jié)點(diǎn)數(shù)，X為輸入層節(jié)點(diǎn)數(shù)，y為輸出層節(jié)點(diǎn)數(shù)，可得隱含層的節(jié)點(diǎn)數(shù)范圍經(jīng)過(guò)多次擬合最后確定隱含層的節(jié)點(diǎn)數(shù)取10。

3.2數(shù)據(jù)的歸一化處理

BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)歸一化處理方法很多，基本原則是把數(shù)據(jù)按固定規(guī)律映射到0到1之間，以便進(jìn)行統(tǒng)一比較，本文采取的方法如下，其中b為原始數(shù)據(jù)，a為新數(shù)據(jù)。

3.3創(chuàng)建與訓(xùn)練網(wǎng)絡(luò)

取2001-2013年數(shù)據(jù)作為學(xué)習(xí)樣本，2014年數(shù)據(jù)為驗(yàn)證數(shù)據(jù)利用Mat1ab的nntoo1命令，打開(kāi)工具箱，錄入輸入、輸出數(shù)據(jù)，創(chuàng)建網(wǎng)絡(luò)。本文采取三層BP網(wǎng)絡(luò)，訓(xùn)練函數(shù)經(jīng)過(guò)大量試驗(yàn)，最終確定為收斂快、誤差小的TRAINLM函數(shù)，隱含層激活函數(shù)選取TANSIG函數(shù)，輸出層激活函數(shù)選擇PURELIN函數(shù)。

3.4仿真與結(jié)果

利用2014年各輸入變量，錄入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，數(shù)據(jù)反饋到Netwotk/Date Managet窗口下的Output Date選項(xiàng)中，并將其反歸一化，最終結(jié)果3510.8。2014年糧食作物總產(chǎn)量為3490.62萬(wàn)噸。誤差為0.58%。對(duì)于經(jīng)濟(jì)指標(biāo)，一般認(rèn)為誤差在4%以?xún)?nèi)均算作準(zhǔn)確，本次預(yù)測(cè)值遠(yuǎn)小于4%，表明利用BP神經(jīng)網(wǎng)絡(luò)對(duì)江蘇省糧食作物產(chǎn)量預(yù)測(cè)是可行的。

表1　2001－2014年影響江蘇省糧食作物產(chǎn)量的主要經(jīng)濟(jì)指標(biāo)

10.3969/j.issn.1673-0194.2016.13.094

F323.8

A

1673-0194（2016）13-0174-01

2016-04-14