基于小波变换灰度模型r人工神经网络（gmrann） 组合 - 江苏农业科学.pdf

— ３９０— 江苏农业科学　２０１６年第４４卷第１２期 樊　超，杨　静，杨铁军，等．基于小波变换灰度模型－人工神经网络（ＧＭ－ＡＮＮ）组合的粮食产量预测模型［Ｊ］．江苏农业科学，２０１６，４４ （１２）：３９０－３９３． ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０１６．１２．１２０ 基于小波变换灰度模型－人工神经网络（ＧＭ－ＡＮＮ） 组合的粮食产量预测模型 樊　超，杨　静，杨铁军，傅洪亮 （河南工业大学信息科学与工程学院，河南郑州４５０００１） 　　摘要：由于粮食生产受到社会、经济和气候等多方面因素的影响，造成粮食产量序列的复杂性、随机性和非平稳 性。为了准确预测粮食产量，提出基于小波变换的灰度模型（ＧＭ）－反演（ＢＰ）神经网络［ＢＰ神经网络是人工神经网络 （ＡＭＮＮ）的一种］相结合的预测方法，首先利用小波变换将非平稳序列转化为若干不同频率分量的平稳序列；然后针对 各序列使用灰色ＧＭ（１，１）模型建立预测模型，为了进一步提高模型的预测精度，结合ＢＰ神经网络对预测残差进行修 正；最后通过组合得到粮食产量的预测模型。通过对２０１１—２０１４年我国粮食产量数据的预测，表明所提方法的预测精 度明显高于ＧＭ（１，１）和ＢＰ神经网络预测模型，４年的平均预测误差小于１％，能够较准确地预测我国粮食产量。 　　关键词：粮食产量；小波变换；灰度模型；ＢＰ神经网络；预测 　　中图分类号：Ｓ１１　　文献标志码：Ａ　　文章编号：１００２－１３０２（２０１６）１２－０３９０－０４ 　　粮食安全不仅关系国计民生，而且直接影响着社会稳定 势；同时，粮食产量波动频率较高，平均每２～３年就会出现１ 和经济发展，“无粮则不稳”，粮食生产是粮食安全的基石。 次负增长，说明粮食产量的波动系数较大。根据单位根检测， 目前，我国面临着人口多、耕地少且可耕地面积仍面临着年年 判定该序列是１个非平稳序列。 萎缩的状况，严重影响国家的粮食安全。为此，研究粮食产量 小波变换是在傅里叶变换基础上发展起来的信号处理方 的变化规律并对其发展趋势作出准确预测，对于保障国家粮 法，信号通过逐层小波分解后，可以得到信号在不同频率上的 食安全、指导政府部门制定科学的发展规划和政策具有重要 分量，对信号起到平滑作用的同时，还能将非平稳信号转换成 的意义。 为若干平稳信号，这样就可以使用传统的预测方法对平稳序 由于粮食生产受到社会、经济和气候等多种因素的影响， 列进行预测，最后通过合成得到原始信号的预测值。 导致粮食产量预测成为复杂的农学和统计学问题。为了准确 ［１］ 预测粮食产量，目前普遍采用遥感技术预测模型 、统计动 ［２］ ［３］ 力学生长模型 、气象产量预测模型 以及基于自回归滑动 平均模型（ＡＲＭＡ）和灰度理论等的时间序列预测等方 ［４－７］ 法 。这些方法虽然在一定程度上能够对粮食产量作出预 测，但均不同程度地存在所需数据量大、预测成本高以及预测 精度不理想等缺点。 为此，本研究考虑到粮食产量受到多种因素叠加共同影 响，具有多分性、复杂性和非平稳性的特点。而小波变换可以 将非平稳信号分解成若干不同频率分量，具有信号平滑的作 用，进而改善信号的稳定性［８－９］，提高粮食产量的预测精度。 　　为了分开粮食产量序列中的低频和高频成分，本研究采 １　粮食产量序列的小波变换 用Ｍａｌｌａｔ小波分解算法，其分解过程见图２。 本研究采用 １９７８—２０１０年共３３年全国粮食产量数据 Ｘ（ｋ）作为研究对象，其数据趋势见图１，可见粮食产量呈现波 动增长的趋势，并且在１９９８—２００３年间呈现较大的负增长趋 收稿日期：２０１５－１１－１０ 基金项目：国家粮食公益项目（编号：２０１４１３００１）。 作者简介：樊　超（１９７６—），男，河南郑州人，博士，副教授，主要从事