基于BP网农业产业化评估研究.docVIP

基于BP网农业产业化评估研究 　　摘 要:农业产业结构化可以衡量一个地区的农业结构的合理性,通过了解某地的产业结构化程度可以通过分析发现自身的不足及时做出调整。BP网利用已知数据可以对结构化程度进行很好的分类、预测。实验结果证明,BP网络很好地实现了这一功能。 　　关键词:BP人工神经网络 农业产业化 评估研究 　　 　　农业产业结构是指一定地域(国家或地区或农业企业)的农业各产业部门和各部门内部的组成及其相互之间的比例关系。它是农业生产力合理组合和开发利用方面的基本问题。人们提出了一些新的决策方法建立农业产业结构,如模糊综合评判法、AHP层次分析法以及结合层次法的模糊排序方法等。但这些方法也有一些缺点。利用BP人工神经网络的方法进行农业产业化评估能很好地解决上述问题,本文将探讨此方法,并说明其相对于其他方法的优点。 　　一、BP人工神经网络方法 　　人工神经网络是对生物神经网络的简化和模拟。通常可分为前向神经网络、反馈神经网络和自组织神经网络。BP神经网络(Backpr0pugati0n Neural Network)是单向传播的多层前向神经网络,网络可分为输入层、中间层(隐含层)和输出层。每个网络结点表示一个神经元,其传递函数通常采用Sigmoid型函数,对于样本输入和输出,存在某一映射函数g,使得g(xi)=yi,i=l,2,3,…,m,其中m为样本数。Sigmoid型函数通常为如下形式:f(u)=1/(1+e-u)。进一步优化则是BP网络按有教师学习方式进行训练,神经网络通过对输入值和希望的输出值(教师值)进行比较,然后根据两者之间的差的函数来调整神经网络的各层的连接权值和各个神经元的阈值,最终使误差函数达到最小。其调整的过程是由后向前进行的,这称为误差反向传播BP算法。具体计算步骤如下: 　　(一)从前往后计算输出值 　　中间层的输出值为: 　　 　　 ① 　　其中,j为中间层的单元数,n为输入层的个数,k为学习个数,θj为中间层单元的阈值,ωij为输入层至中间层的连接权值,XI为输入值。 　　则输出层的输出值为: 　　θj(new)=θj(old)+ejk t=1,2,…,q ② 　　(二)根据误差由后向前对网络进行校正 　　输出层的校正误差: 　　dtk=(ytk-ctk)ctk(1-ctk) ③ 　　中间层的校正误差: 　　 ④ 　　中间层至输出层的新连接权值: 　　vjt(new)=djkzik+vjt(old),其中,为学习因子 ⑤ 　　输出层新的阈值为: 　　rt(new)=rt(old)+dtk ⑥ 　　输入层至中间层的新连接权值: 　　rt(new)=rt(old)+ejkxik+ωij(old) ⑦ 　　中间层新的阈值为: 　　θj(new)=θj(old)+ejk ⑧ 　　上述的计算过程循环进行,直到完成给定的训练次数或达到设定的误差终止值。 　　二、农业产业化评价指标体系的构建及BP网仿真 　　(一)指标体系的选定 　　基于构建的科学性、系统性、可操作性、重点性原则,指标体系细分为三级指标,其中一级指标有以下四项:规模化指标、市场化指标、效益指标、一体化关联度指标。其中规模化指标的二级指标有:人均生产量、支柱产品支持度、商品基地规模。市场化指标的二级指标有:农业商品率、经济外向度。效益指标的二级指标有:农民人均收入增长率、耕地产出率。一体化关联度指标的二级指标:龙头企业、农产品加工转化率。 　　以云南省14地区为单位的一级指标的数据如表1所示: 　　表1 　　地区 规模化指标 市场化指标 效益指标 关联度指标 产业化程度 　　昆明 0.59 0.94 0.96 0.73 10 　　曲靖 0.48 0.34 0.69 0.86 01 　　玉溪 0.62 0.49 0.92 0.79 01 　　… … … … … … 　　注:大部分数据由云南省统计局提供 　　 　　其中,10代表高农业产业化程度,01代表较高的农业产业化程度,00代表低的农业产业化程度,需要进一步的努力。 　　全国部分省区一级指标如表2所示: 　　表2 　　 规模化指标 市场化指标 效益指标 关联度指标 产业化程度 　　1 1 1 1 1 01 　　2 0.79 0.66 0.90 0.32 01 　　3 0.78 0.86 0.65 0.34 01 　　 　　通过对云南省各地农业产业化程度的评估,预测全国部分地区的产业化情况,通过与全国产业化程度的对比,找出不足之处。 　　(二)Matlab7.0仿真 　　根据仿真程序进行预测,训练结果及网络预测误差如图1、图2所示: 　　 　　三、结束语 　　综上可知,当隐层神经元为16的