BP神经网络在我国饲料总产量预测中的应用.docVIP

BP神经网络在我国饲料总产量预测中的应用 　　摘 要：畜牧水产业是我国国民经济发展的支柱性产业之一，饲料产量的精确预测是饲料企业以及养殖企业制定合理生产计划，实现可持续发展的重要条件。文中基于BP神经网络，结合1992～2015年我国饲料总产量数据，对我国2011～2015的饲料产量进行了预测。预测结果表明，该预测模型预测精度良好，具有较好的应用价值。 　　关键词：BP神经网络；饲料产量；饲料产量预测；畜牧水产业 　　中图分类号：TP183 文献标识码：A 文章编号：2095-1302（2017）01-00-02 　　0 引 言 　　我国是世界上人口最多的国家，畜牧水产业的发展与我国国民生活息息相关。畜牧水产业的可持续发展需要饲料产业的支持。饲料产业为现代养殖业的可持续发展提供了重要的物质基础，为我国人民生活水平的提高作出了重大贡献[1]。 　　1979年，我国正式从传统饲料进入现代饲料工业时代。经过30多年的发展，我国饲料产量逐年增加，于2011年开始超过美国，跃居世界第一，同时我国饲料从一开始饲料产品品种单一，质量不高，到现在饲料产品多样化、系列化，且饲料产品质量管理体系不断完善，有力地推动了养殖业的快速可持续发展，加快了农业结构调整，增加了国民收入[2]。 　　目前，国内用于饲料产量预测的方法并不多，范润梅[3]提出的灰色预测理论建立了GM（1，1）模型用于预我国饲料产量，该模型具有较好的预测精度。但由于灰色预测的理论缺陷，当数据波动较大时，GM（1，1）模型预测误差较大，有时不能满足预测需要。而BP神经网络具有强大的学习能力，可以逼近任意复杂的非线性函数，信息利用率较高，在预测中得到了广泛应用[4-6]。本文利用BP神经网络模型和灰色预测模型对我的饲料产量进行了预测，结果表明，BP模型具有很好的预测效果，预测最大误差为5.79%，平均误差为3.56%，而灰色预测模型预测的最大误差为12.95%，平均误差为7.24%。因此BP神经网络模型能够更好地用于饲料产量的预?y，具有更高的工程应用价值。 　　1 灰色理论模型 　　GM（1，1）模型的基本原理如下： 　　根据灰色理论的原理，本文建立灰色预测模型的步骤如下所示： 　　①输入样本数据，根据公式（3）对样本数据进行累加处理。 　　②根据公式（6）求得B和YN。 　　③根据公式（7）求得模型的累加预测值。 　　④根据公式（8）求得样本的预测值。 　　灰色预测模型流程图如图1所示。 　　2 BP神经网络模型 　　BP神经网络有一个输入层、一个输出层和一个或多个隐含层，同层神经元间无关联，异层神经元间向前连接。根据对象的复杂程度，选择适当的网络结构就可以实现从输入空间到输出空间的任意非线性函数的映射。BP神经网络拓扑结构如图2所示。 　　BP神经网络建模流程图如图3所示。BP神经网络模型的建立需要按照如下步骤进行： 　　（1）输入样本数据，对样本数据进行归一化处理。 　　（2）设置神经网络的误差精度、学习速率、最大训练次数等参数。 　　（3）使用梯度下降法对权值和阈值进行调整，同时使用反向传播算法对BP神经网络进行训练。 　　（4）训练合格则模型建立成功，否则继续训练。 　　（5）使用训练好的模型进行预测，输出预测值。 　　（6）对预测值进行反归一化处理，得到真实的预测值。 　　3 两种模型在饲料产量预测中的应用 　　本文这24年的饲料总产量相关数据进行饲料产量预测，以1992为起点依次选取19年的数据作为训练样本分别采用灰色预测模型和BP神经网络模型来预测下一年的饲料产量，其预测结果和误差分别如图4、图5所示。 　　从图4可以看出灰色模型和BP神经网络模型的预测值与实际值都能够较好地吻合，而2013年我国饲料产量下降，数据曲线不再线性增加，此时灰色模型的预测值就偏离了实际值，预测误差增大，但是BP神经网络模型的预测值还是可以与实际值较好地吻合。从图5可以看出，BP神经网络模型的误差大约为5%，而灰色模型的误差最大达到了10%以上。从图4和图5中可以看出，BP神经网络模型相比灰色模型具有更高的预测精度，能够更好地用于饲料产量预测。 　　4 结 语 　　由以上分析可知，采用灰色模型进行饲料产量预测时，当饲料产量减少，波动较大，灰色预测模型的预测误差就可能会增大。本文采用BP神经网络模型有效减小了波动时产生的预测误差，提高了预测精度，为饲料产量的预测提供了一种新的研究方法。但该方法并不能够时时优于灰色模型，因此该方法有待于进一步完善和发展。 　　参考文献 　　[1]马广鹏.我国饲料行业发展现状及趋势分析[J].饲料工业，2013（4）：45-