基于BP算法林分材种出材率模型研究.docVIP

基于BP算法林分材种出材率模型研究 　　摘要:通过对伐区设计资料,及实际生产码单数据进行学习,确定以平均胸径、平均树高、保留密度、蓄积量为输入神经元,分析了影响BP网络学习效率和预测精度的影响因素,主要从隐含层神经元数量、训练数、隐含层激励函数、学习样本数量几个方面对材种出材率预测BP网络模型进行了优化,确定了林分经验材种出材率预测人工神经网络模型。为林分经验材种出材率表的编制提供一种新的思路与方法。 　　关键词:神经网络;林分材种出材率;预测;BP学习算法 　　中图分类号:TP37文献标识码:A文章编号:1009-3044(2009)31-0000-00 　　 　　A Study on the Stand Merchant Radio Prediction Model Based on BP Algorithm 　　WANG Dong, ZHAO Tong-lin 　　(Southwest Forestry Univerciey, Kunming 650224, China) 　　Abstract: Design information through the cutting area, and the actual production code to study a single data to determine the average diameter at breast height, average tree height, retention density, accumulation of input neurons, and analyzed the impact of BP network learning efficiency and prediction accuracy of the impact of factors, primarily From the number of hidden layer neurons, training the number of hidden layer activation function, number of samples to study several aspects of the timber timber rate is forecast to grow BP network model has been optimized to determine the experience of the forest timber timber rate is forecast to grow artificial neural network model. Experience as a stand Merchantable Volume Table for the rate to provide a new thinking and methods. 　　Key words: neural network; merchant ratio;prediction;BP algorithm 　　 　　林分出材率受到平均胸径、平均树高、立地质量、年龄、保留密度、蓄积量等诸多因素的影响,材种出材率的变化具有非线性及非确定性特征。传统的林分材种出材率预测采用统计分析的方法,需要大量样木单元(大于100个样本)为基础,模型涉及的参数较多,许多参数缺乏成熟的测定方法。人工神经网络(ArtificicalNeuralNetwork,简称ANN)是基于实例的方法,不需要考虑数学模型的内部结构,不需要假设前提条件,不需要人为地确定因子权重,作为一个黑箱综合地映射研究对象的整体性。ANN具有大规模并行运算、自适应、自学习、容错性的能力,使它成为一个在传统统计方法之外,十分引人注目的新方法,并广泛的应用于生物系统中非线性行为的预测建模。因此,运用人工神经网络对林分材种出材率进行预测具有独特的优势,也为林分出材率的预测提供了新思路。 　　1 标准的BP算法 　　BP网络按有学习目标的方式进行学习,当为网络提供一对学习样本后,经过神经网络内的工作信号一系列正向传播,得到网络的输出值,然后根据期望输出与网络的实际输出间的误差按反向误差信号对网络进行调节,这样,随着学习过程的不断迭代进行,网络的实际输出值也就逐渐逼近希望输出值。 　　在样本学习中第k个样本的第n次迭代中输出层的第1个单元的网络实际输出为ylk(n),样本希望输出值为tlk(n),则该单元的误差信号为: 　　 ■ (1) 　　经典的即算法的目标函数为: 　　 ■(2) 　　BP算法是通过梯度下降法调整所有权值和阀值使网络的实际输出值逼近希望输出值的。以三层网络为例,梯度下降法的各层权