"灰色理论和神经网络对粮食产量的预测"
本文介绍了基于灰色理论和神经网络对粮食产量的预测方法。该方法结合了灰色理论和BP神经网络,克服了模型信息单一的缺点,提高了粮食产量预测的精度。
灰色理论是指对不确定系统的特征值原始数列x ∞(t =0, 1, 2, ..., N-1) 经过一次累加后得到的数列x"呈现指数增长规律。灰色神经网络模型微分方程表达式为:idy + ay1 + b1y2 + b2y3 + ... + bn_ly (1)
在上式中,Y2, Y3, ..., Yn为输入参数;Y1为输出参数;a, b1, b2, ..., bn为方程的系数。式(1)的时间响应式为:z(t) = (y1(0) - b1y2(t) - b2y3(t) - ... - bn-1y(t)) e + b1y(t) + y2(t) + ... + bn-1y(t) (2)
将式(2)变换后可得到一个扩展的BP神经网络。因此,结合灰色理论和BP神经网络,根据上面的式子就得到n个输入参数,1个输出参数的灰色神经网络。
灰色神经网络的结构有LA、LB、LC、LD四层,w2l, w22, ..., w2n是LB到LC的权值,W3l, W32, ..., W3n是LC到LD的权值,LD层输出节点的阀值为:0 = (1 - e) (d - Y(0)) 二
基于灰色神经网络对粮食预测的算法有三个部分:(1) 灰色神经网络建立及初始化;(2) 灰色神经网络训练;(3)灰色神经网络的预测。
在建立模型时,文章考虑到数据的获取性和模型的有效性,选取了影响粮食产量的5个自然因素:农作物总面积、成灾面积、有效灌溉面积、农用化肥施用量和乡村人口。因此输出数据是1维,输入数据是5维,灰色神经网络结构为1—1—6 —1,分别表示是IA、LB、LC、LD的四个节点。
在灰色神经网络学习中,文章的学习流程如下:步骤1:对原始数据累加,得到Y(1,1), y(1,2), y(1,3), Y(1,4), y(1,5), ..., Y(31,6)数据。步骤2:初始化参数a, b,即a = b = b2 = ... = bn = 0.3 + ! (4)。
实验结果表明灰色神经网络预测的效果比BP神经网络效果好,精度高。
本文提出了一种基于灰色理论和神经网络的粮食产量预测方法,该方法克服了模型信息单一的缺点,提高了粮食产量预测的精度。