基于GNNM加工番茄产量预测研究.docVIP

基于GNNM加工番茄产量预测研究 　　摘要：为提高加工番茄产量预测精度，提出一种串联型组合灰色神经网络模型（grey neutral net model，GNNM）的番茄产量预测方法。通过以新疆某加工番茄产业基地的历史数据作为研究对象，利用灰色关联分析法，获取与加工番茄产量相关性较大的影响因素，剔除非主要影响因素。以主要影响因素和灰色模型（grey model，GM）预测值作为神经网络模型输入，加工番茄产量作为输出，构建GNNM预测模型。仿真试验结果表明，新预测模型具有更好的逼近能力和预测精度，为加工番茄产量精准预测提供了一种新的方法。 　　关键词：加工番茄；灰色模型；神经网络；产量预测 　　中图分类号： S11文献标志码： A 　　文章编号：1002-1302（2017）11-0167-04[HS）][HT9.SS] 　　新疆独特的光热和水土条件成就了优质番茄的生长，为大规模的番茄酱加工创造了有利条件。加工番茄作为新疆的优势果蔬产业，种植规模达7万hm2以上，已经达到全国总产量的90%，番茄酱出口量接近全国贸易总量的1/4，被誉为新疆的红色支柱产业[1]。因此研究加工番茄产量预测模型可以为本地区番茄种植规划、番茄产业的宏观调控、加工及储藏等方面提供一定的参考价值。 　　然而国内针对加工番茄?a量预测的理论研究较少，已有的相关研究大都集中于线性回归模型、移动平均法、指数平滑法和误差反向传播（back propagation，BP）神经网络等预测方法上。姜波等利用粒子滤波对番茄产量进行短期预测[2]；袁莉等运用灰色系统理论建立了加工番茄产量预测灰色模型[3]；尤坤鹏等采用马尔科夫预测技术建立番茄产量预测模型[4]；韩泽群等通过加权将3种统计分析方法加以组合建立了组合预测模型[5]。综上所述，前人采用了不同的预测方法对加工番茄产量进行预测，并取得了一定的成果，但是在对加工番茄产量进行建模预测时，忽略了加工番茄产量与其影响因素之间存在着灰色性、不确定性和模糊性的关系，影响了预测精度和可靠性。 　　针对上述问题，本研究提出串联型组合灰色神经网络模型（grey neutral net model，GNNM），通过灰色关联分析法对影响加工番茄产量的因素进行全面定量分析，选择关联度较高的影响因素作为GNNM模型的输入节点，将GM（1，1）与BP神经网络进行组合应用于加工番茄的产量预测， 通过仿真结[LM]果分析，该预测模型可进一步提高加工番茄产量的预测精度，为制定合理的种植规划和管理决策提供科学依据。 　　1基本原理与方法 　　1.1灰色预测模型 　　灰色预测又称为灰色系统预测，即通过对原始数据进行处理并分析其中的变化规律，生成具有较强规律性的数据序列，然后建立相应的灰色系统模型，从而定量预测系统的未来状态。灰色系统理论与方法的核心是灰色模型，而灰色模型是通过序列生成而建立的近似微分方程，是具有部分微分、部分差分性质的模型[6]。灰色模型应用最广泛的是灰色序列模型，它采用一阶单变量灰微分型方程，即GM（1，1）。 　　设非负原始序列为 　　即得到原始数据序列的预测值。 　　1.2GNNM预测模型 　　灰色预测的优点是所需样本数据少，不需要考虑其分布规律及变化趋势，建模比较简单，而且运算方便[7]；但是缺乏自学习、自组织和自适应能力，对非线性信息的处理能力较弱，不适合逼近复杂的非线性函数。而BP神经网络是由大量简单的神经元相互连接构成的复杂网络系统，其非线性系统具有很强的模拟能力[8-9]和很强的学习、联想、容错、逼近任意函数的能力，但会因为过分逼近数据变化曲线上的细节而影响泛化能力。 　　灰色预测的少信息、建模简单及非线性处理能力弱等特征与BP神经网络预测大样本、非线性处理能力及学习能力强等特点具有优势互补性，将灰色模型与BP神经网络进行组合应用于产量预测，能够提高预测精度、可靠性和稳定性[10-12]。因此，本研究提出一种串联型灰色神经网络模型，其原理是将加工番茄产量历史数据归一化后作为灰色预测模型的输入，通过计算得到历史数据序列的预测值，将预测值与影响加工番茄产量的主要因素统一综合到BP神经网络作为输入样本，实际值作为输出样本，采取一定的网络结构对神经网络进行训练，利用神经网络的非线性拟合能力和能够逼近任意函数的特性，得到一系列相应节点的权值和阈值，实现预测值与实际值的最佳拟合。 　　其网络拓扑结构如图1所示，其中di为灰色预测模型预测值输入参数，f1、f2、f3为主要影响因素输入参数；ω21、ω22、…ω2n、ω31、ω32、…ω3n为BP神经网络权值，y为GNNM模型输出预测值。 　　2加工番茄产量影响因素选择 　　加工番茄产量涉及到诸多外部和内部因素，为提高番茄产量的预测精度，需要对这些因素进