《灌溉发展需求预测人工神经网络模型的建立与应用论文,理工论文论文...》由会员分享，可在线阅读，更多相关《灌溉发展需求预测人工神经网络模型的建立与应用论文,理工论文论文...（26页珍藏版）》请在金锄头文库上搜索。
1、 灌溉发展需求预测人工神经网络模型的建立与应用论文,理工论文论文.灌溉发展需求预测人工神经网络模型的建立与应用 摘要：本文将计算机人工神经网络理论首次引入灌溉宏观发展战略研究领域，以各“五年”计划期末全国粮食总产与影响因子集为训练样本，建立了灌溉发展需求预测人工神经网络模型；从建国以来40多年的时间序列中，任选5个年份的相应参数作为校核样本，对所建模型进行了校核；根据今后我国人口增长与粮食需求发展趋势，利用模型对未来30年全国的灌溉面积发展需求进行了预测；分析了预测结果，提出了发展对策.其成果对制定全国灌溉宏观发展战略与政策措施，确保未来30年中国粮食与经济安全具有十分重要的参考意义. 关键词
2、：灌溉 人工神经网络 预测 粮食 发展需求 计算机 近年来国内外兴起的人工神经网络研究方法能对信息进行大规模并行处理；具有很强的鲁棒性和容错性；善于联想、概括、类比和推理；而且具有很强的自学习能力，善于从大量统计资料中分析提取宏观统计规律，很适合灌溉宏观发展战略的定量研究.因此，本文引入人工神经网络原理，来建立全国粮食总产与影响因子间的定量关系模型. 1模型的建立 在其它条件不变的情况下，粮食总产主要取决于播种面积、灌溉面积、农田成灾面积、渍涝盐碱地面积、粮食价格、良种覆盖率、化肥使用量、科技贡献率8个主要因素.为确定粮食总产与影响因子间的定量关系，根据人工神经网络基本原理，设计相应的神经网络
3、：网络共分四层，一个输入层，二个隐含层，一个输出层.输入层8个节点，输出层1个节点.令Qm,Hi,Wj,O分别为第1、2、3、4层的输出；Ui,Vj,S分别为第2、3、4层的输入；Aim,Bji，Cj分别为第12层，23层，和34层单元的连接权值；Xi,Yj,Z分别为第2、3、4层单元的偏置值；Di,Jj,G分别为第2、3、4层的误差信号.设有L个学习样本(Q1,T1),(Q2,T2),(Ql,Tl)定义误差函数：(1) 式中Tk,Ok分别表示样本k时网络的期望输出和实际输出值.根据人工神经网络BP算法基本原理，采用逐次修正法，用FORTAIN 5.0编制模型源程序. 模型计算步骤如下：1.网
4、络初始化取学习步长=0.1，冲量因子=0.1，最大学习误差E=0.00012，令权值Aim=Bji=Cj=0.65(i=1,2,8；j=1,2,8；m=1,2,8)置偏值Xi=Yj=Z=0.35(i=1,2,8;j=1,2,，8)令样本输入值=输入层输出值(Qm),(m=1,2,8)2.计算各层输入与输出第二层:(i=1,2,8)(2)Hi=f(Ui)(3) 式中：f为Sigmoid函数第三层：(j=1,2,8)(4)Wj=f(Vj)(5)第四层：(6)O=f(s)(7) 3.计算各层误差信号G=(O-T)O(1-O)(8)Fj=GCjWj(1-Wj)(9)(10) 4.修改各层权值Cj=Cj
5、+GWj (11)Bji=Bji+FjHi(12)Aim=Aim+DiDm(13) 5.修改各层偏置值E=E+G(14)Yj=Yj+Fj(15)Xi=Xi+Di(16) 6.输入下一样本7.学习样本结束，更新学习次数8.如果E水利统计资料，查得相关年参数如表1所示.表1模型训练参数年代粮食产量亿吨播种面积亿亩灌溉面积亿亩良种覆盖率%农田受灾万亩渍涝盐碱地亿亩粮食价格元/吨化肥用量万吨科技贡献率%19521.63918.5972.904100.624138.47.8519571.95120.0454.109202.2474.116237.3619621.618.2434.455302.5014.
6、119063719651.94517.9444.806401.6834.21229.2194.2819702.417.895.4500.4944.21270351.2919752.84518.1596.918601.5064.371310536.21019803.20617.5857.331803.3484.584360.61269.41519853.79116.3277.19623.4064.785416.11775.82019904.46217.027.26802.6734.86802590.32519954.66616.5097.368854.954.914803592.230为消除量纲
7、影响，对表1中原始数据做如下标准化处理：1.影响因子数据处理设影响因子值为Xij(i=1,2,8;j=1,2,10)i,j分别为影响因子数及样本数，则标准化过程为： (17)(18)(19)Xij=(Xij-BRi)/BRRRi(20) 2.粮食产量数据处理设Yj为第j个样本的粮食产量，则处理公式为：Yj=Yj/7(21) 将处理好的10组样本参数输入模型训练，当训练至E0.00012时，得出模型训练结果如表2所示表2灌溉面积预测模型训练结果年代模拟产量/亿吨实际产量/亿吨绝对误差/亿吨相对误差/%19521.64651.63870.00780.4719571.91761.9509-0.033
8、3-1.7119621.65111.60020.05093.1819651.96681.94530.02151.1119702.33922.4003-0.0611-2.5519752.88112.84480.03631.2819803.18913.206-0.0169-0.5319853.76543.7912-0.0258-0.6819904.49994.46180.03810.8519954.65744.6662-0.0088-0.19从表中看出，10个训练样本的模拟输出与期望输出的相对误差均在3.2%的范围内，模型的收敛效果很好.经过上述训练所得到的权重体系及偏置值所确定的网络就是所要建立
9、的灌溉发展需求预测人工神经网络模型. 3模型的校核 在各“五年”计划期间任选五个年份，如1973、1978、1983、1988、1993年，从有关农业、水利统计资料查得各年粮食产量及影响参数如表3所示.表3模型校核参数年代粮食产量亿吨播种面积亿亩灌溉面积亿亩良种覆盖率%农田受灾万亩渍涝盐碱地亿亩粮食价格元/吨化肥用量万吨科技贡献率%19732.64918.1736.572551.1434.315200511.1919783.04818.0887.208653.7874.47263.48841019833.87317.1077.28357.7532.434.7144001659.81519883
10、.94116.5187.187703.5914.8036002141.52019934.56516.5767.3823.474.98003150.125将表中原始数据进行标准化处理后输入训练好的人工神经网络模型进行核算，核算如表4所示. 表4灌溉面积预测模型校核结果年代模拟产量/亿吨实际产量/亿吨绝对误差/亿吨相对误差/%19732.78542.64880.13665.1619782.77943.0478-0.2684-8.8119833.95033.87310.07721.9919883.95033.9410.00930.2419934.71184.56470.14713.22结果表明，5个校核样本的模拟输出与期望输出的相对误差有3个小于3.3%，另2个小于9%，比较令人满意.表明模型具有较好的适用性. NextPage 4灌溉发展需求预测 根据1996年11月中国政府在罗马世界粮食首脑会议上提交的中国的粮食安全状况报告，未来30年中国的粮食需求状况见表5.(为确保国家粮食供给安
