付中坤基于BP神经网络在粮食产量预测中的应用.docVIP

基于BP神经网络在粮食产量预测中的应用 摘要：本文基于BP神经网络模型，进行了2011——2020年我国粮食产量的预测。通过对比传统的“平均增长率一阶滞后模型”拟合及预测2001——2010年粮食产量与实际产量的误差值大小，可明显看出BP神经网络对于处理单输入单输出的时间序列预测问题是一种更具优越性的方法，它具有很强的学习与推广能力，具有很好的应用价值。 关键词：预测； 时间序列；粮食产量；BP神经网络 Application of BPNN for Forecast of Chinese Grain Output Abstract：based in the BPNN model，forecasts of Chinese grain output are done from 2011 to 2020 .according to comparison of the mistake in Chinese grain output of forecasting and practice from 2001 to 2010 between forecasting model，and the BPNN model，the BPNN model is more superiority on the time suite forecasting and assumes the Stronger learning and generalization ability. For dealing with the nonlinear time suite regression and forecasting of single input and single output，the BPNN model assumes good application value. Key words: forecasting；time suite；grain production；the BPNN model 引言 近些年来，由于全球气候变暖、灾害频发和生物质能开发等多种因素影响，国际粮食供求矛盾日益突出。自2004年以来，我国连续四年粮食增产，连续五年夏粮丰收，实现了自1985年以来的首次连续四增五丰，并于2007年重登10000亿斤台阶。在我国经济社会发展的关键时期，夺得粮食连续四增五丰，为改革开放和现代化建设全局提供了坚实有力的战略支撑。自2006年以来，终于在全球发生了一场至今未息的粮食危机。面对全球粮情和我国国情，中央坚持把三农工作作为全部工作的重中之重，不断加大对农业发展的扶持力度。BP神经网络预测值的精度最高，拟合的一致性最好，所以应用BP神经网络来进行粮食产量预测，以使预测精度更高，更合乎我国国情。 BP神经网络算法原理 BP神经网络的概念 BP（Back Propagation）网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。 2. BP网络模型处理信息的基本原理： 输入信号Xi通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。 2.1 BP神经网络模型 2.2激活函数 激活函数必须处处可导,故一般都使用S型函数。使用S型激活函数时BP网络输入与输出关系如下 输入： 输出： 输出的导数： 根据S型激活函数的图形可知,对神经网络进行训练，应该将net的值尽量控制在收敛比较快的范围内。 3．BP网络的标准学习算法 网络结构： 输入层有n个神经元 隐含层有p个神经元 输出层有q个神经元 变量定义： 输入向量; 隐含层输入向量: 隐含层输出向量： 输出层输入向量： 输出层输入向量: 期望输出向量： 输入层与中间层的连接权值: 隐含层与输出层的连接权值: 隐含层各神经元的阈值: 输出层各神经元的阈值: 样本数据个数: 激活函数: 误差函数： 第一步，网络初始化 给各连接权值分别赋一个区间（-1，1）内的随机数，设定误差函数e，给定计算精度值ε 和最大学习次数M。 第二步,随机选取第k个输入样本及对应期望输出 : 第三步，计算隐含层各神经