基于神经网络的茶叶产量建模与预测方法研究.docVIP

基于神经网络的茶叶产量建模与预测方法研究 　　摘要：该文研究了基于神经网络的茶叶产量建模与预测方法，其目的是对茶叶产量进行仿真与预测。分别采用BP神经网络和Elman神经网络对茶叶产量进行了建模，并对它们的建模性能进行了对比。研究表明，采用BP神经网络和Elman神经网络对茶叶产量进行建模与预测，其方法是可行的。 　　关键词：神经网络；建模；预测；茶叶产量 　　中图分类号：TP18 文献标识码：A文章编号：1009-3044(2011)22-5427-03 　　Neural Network-based Modeling and Prediction Approach for Tea Production 　　WANG Zheng-xia, XIAO Lai-sheng 　　(Guangdong Ocean University, Zhanjiang 524088, China) 　　Abstract: Neural network-based modeling and prediction approach for tea production was studied, the goal of which is to carry out simulation and prediction for tea production. BP neural network and Elman neural network were employed respectively to model for tea production and their performances were compared to each other. Research showed that the approach to use BP neural network and Elman neural network for tea production modeling and prediction is feasible. 　　Key words: neural network; modeling; prediction; tea production 　　人工神经网络技术是以生物神经网络为基础，模拟人脑行为的一种信息处理方法。研究表明，人工神经网络可以以任意精度逼近一个非线性函数。由于茶叶产量的变化具有非线性的性质，因此，本文的目标是研究基于神经网络的茶叶产量建模与预测方法，以便对茶叶产量进行仿真与预测。 　　1 神经网络及其预测原理 　　1.1 BP神经网络与Elman神经网络 　　BP神经网络的模型结构如图1所示。网络采用三层结构，第一层是输入层，第二层是隐含层，第三层是输出层。其中X=（x1,x2,…,xm）为神经网络的m个输入端， Y=(y1,y2,…,yn)是神经网络的n个输出端，而隐含层的神经元个数待定。 　　除了输入层的神经元外，隐含层和输出层神经元的净输入是前一层神经元输出的加权和。 　　Elman神经网络是在BP神经网络的隐含层中增加了一个承接层，作为一步延迟算子，达到记忆的目的。它含有四层：输入层、隐含层、承接层和输出层。Elman神经网络结构如图2所示。 　　BP神经网络与Elman神经网络的训练算法都采用误差反向传播BP学习算法，网络输出误差的度量采用均方差准则，即： 　　 (1) 　　其中yk表示输出层上第 个神经元的实际输出，yk表示输出层上第k个神经元的期望输出。 　　1.2 神经网络预测原理 　　神经网络预测原理可以表述为：设有L个输入输出对(X(1),X(2),…,X(L))和 (Y(1),Y(2),…,Y(L))。对于第k个输入输出对，首先根据网络当前的内部表达，对样本输入模式X(k)作前向传播，计算网络的实际输出，与期望输出Y(k)进行对比。然后将误差反向传播，即按照使网络输出值与期望值之差e的平方和为最小的原则，反向计算，对网络各相邻节点的连接权值进行调整，经过多次学习训练，网络权值收敛于最佳权值，此时e的变化达到稳态。网络训练、校验完成之后，就可以根据预测点的输入，得到该点的输出[1]。 　　2 数据及其处理方法 　　2.1 茶叶产量数据 　　某国1990年到2009年的茶叶产量如表1所示。本文采用Matlab对表1中的茶叶产量进行建模与仿真，以1990年到2007年的数据作为训练样本分别对BP神经网络和Elman神经网络进行训练，而以2008年到2009年的数据作为检测样本对模型进行检测[2]。 　　2.2 数据预处理 　　为了使网络能够快速收敛，神经网络的学习方法要求输入层的输入值和输出层的输出值在[0,1]之间。因此，必须对茶叶产量数据进行归一化处理，其运算