基于GA-BP神經網絡的農業機械化綜合水平預測模型

王　攀，陳　建，曹中華，吳先兵

(西南大學 工程技術學院，重慶　400715)

?

基于GA-BP神經網絡的農業機械化綜合水平預測模型

王攀，陳建，曹中華，吳先兵

(西南大學 工程技術學院，重慶400715)

摘要：根據1986-2013年我國農業機械化綜合水平的統計數據，建立了基于GA-BP神經網絡的農業機械化綜合水平預測模型。通過對1992-2011年農業機械化綜合水平實際值與訓練輸出值的對比分析，表明該預測模型具有較好的擬合精度；采用該模型對2012年和2013年的農業機械化綜合水平進行預測，進一步驗證了模型的可靠性。運用該預測模型對2014-2018年的農業機械化綜合水平進行預測，結果表明：在2014年我國農業機械化綜合水平為61.97%，與我國農業部公布的2014年農業機械化綜合水平將超過61%基本相符，2018年我國農業機械化綜合水平將達到70%左右。

關鍵詞：農業機械化；綜合水平；GA-BP神經網絡；預測

0引言

農業機械化綜合水平是反映農業機械化發展水平的重要指標。我國農業機械化綜合水平是由機械化耕作水平、機械化播種水平和機械化收獲水平分別按照0.4、0.3、0.3的權重組成[1]。目前，我國農業正處于從傳統農業向現代農業轉變的關鍵時期，發展農業機械化，提高農業機械化綜合水平，對我國農業的發展具有重要的戰略意義[2-3]。因此，如果能夠對我國農業機械化綜合水平進行有效預測，不僅能夠增強對我國農業機械化發展進程的把握，還能夠為科學制定我國農業機械化發展的方針和政策等提供一定的借鑒和導向作用。

本文將遺傳算法(GA)與誤差反向傳播神經網絡(BP神經網絡)相結合，建立了我國農業機械化綜合水平的GA-BP神經網絡預測模型，并運用該預測模型對我國2013-2018年的農業機械化綜合水平進行預測。

1我國農業機械化綜合水平發展分析

為了更好地展現出我國近年來農業機械化綜合水平的實際發展情況，選擇1986-2013年我國農業機械化綜合水平數據制成農業機械化綜合水平趨勢圖，如圖1所示。

圖1　農業機械化綜合水平趨勢

據分析，由于受到人類活動、統計誤差、統計手段等多因素的影響，我國耕地面積的統計數據存在一定的誤差。張睿[4]等人對由于耕地面積統計誤差造成農業機械化綜合水平計算誤差的現象進行了研究，并對部分數據做了計算糾正。為更加實際體現我國農業機械化綜合水平，提高模型預測精度，部分數據采用了糾正后的數據。

由圖1可以看到：我國歷年農業機械化綜合水平整體上呈上升趨勢，且2005年以后的上升趨勢相比以往明顯加快；2007年我國農業機械化綜合水平突破40%，進入農業機械化進程的中級發展階段；自2005年以來，我國農業機械化綜合水平保持以兩個百分點以上的速度增長，2013年我國的農業機械化綜合水平突破59%。隨著一系列有關促進農業機械化的政策法規的出臺，我國農業機械化的發展在未來一段時間內仍將處于良好的機遇期。

2GA-BP神經網絡原理與算法

BP神經網絡預測模型是混沌時間序列預測模型中具有較好非線性擬合能力和預測能力的預測模型[4]。但是，該預測模型的初始權值和閾值是隨機賦值的，其學習算法采用梯度下降法，在樣本訓練中容易陷入局部極小值，且具有收斂速度慢的特點。GA算法作為一種自適應全局優化搜索方法，具有良好的智能性和魯棒性[6]。本模型首先利用GA算法良好的自適應全局優化搜索能力找到最優適應度值的對應個體，利用GA算法得到的最優個體對BP神經網絡的初始權值和閾值進行賦值，有效避免了網絡由于初始的權值和閾值因隨機賦值而陷入局部極小值的缺陷，充分發揮BP神經網絡局部搜索能力強的特點，大大提高了其收斂速度，使預測模型快速在最優處收斂。

2.1BP神經網絡

BP神經網絡的原理是采用梯度下降法調整權值和閾值使得網絡的實際輸出與期望輸出的均方誤差值最小[7]。其訓練仿真過程如下：

1)確定BP神經網絡結構并對輸入層到隱含層權值wij、隱含層到輸出層權值vjt、隱含層閾值θj及輸出層閾值γt進行賦值。

2)隨機選取訓練樣本(Pk，Rk)提供給網絡。

3)利用輸入樣本Pk、連接權值wij、閾值θj，計算隱含層各單元的輸入Sj，然后利用Sj通過傳遞函數計算隱含層各單元的輸出Bj。則有

(1)

Bj=f(Sj)

(2)

4)利用中間層的輸出Bj、權值vjt、閾值γt，計算輸出層單元的輸出Lt，然后通過傳遞函數計算輸出層單元的響應Ct。則有

(3)

Ct=f(Lt)

(4)

5)利用期望輸出Rk和網絡實際輸出Ct計算輸出層單元的一般化誤差dt，有

dt=(r-Ct)·Ct(1-Ct)

(5)

6)利用連接權值vjt、輸出層的一般化誤差dt和中間層輸出Bj計算中間層各單元的一般化誤差ej，有

(6)

7)利用輸出層單元的一般化誤差dt與中間層各單元輸出Bj來修正連接權值vjt和閾值γt，有

vjt(N+1)=vjt(N)+α·dt·Bj

(7)

γt(N+1)=γt(N)+α·dt

(8)

0<α<1

8)利用隱含層各單元的一般化誤差ej、輸入層各單元的輸入Pk修正連接權值wij和閾值θj，則有

wij(N+1)=wij(N)+β·ej·pi

(9)

θj(N+1)=θj(N)+β·ej

(10)

0<β<1

9)隨機選取下一個學習樣本提供給網絡，返回步驟3)，直到樣本訓練完畢。

10)判斷算法是否達到結束迭代條件，若達到，算法結束。否則返回步驟3)。

2.2GA算法

GA算法進行全局尋優主要過程由種群初始化、適應度函數、選擇操作、交叉操作和變異操作組成。

1)種群初始化：種群初始化過程中按照BP神經網絡的輸入層與隱含層連接權值、隱含層閾值及隱含層與輸出層連接權值及輸出層閾值采用二進制實數編碼對個體進行編碼。

2)適應度函數確定：將BP神經網絡的預測輸出yi和期望輸出oi之間的絕對誤差絕對值的和的倒數作為個體適應度值F，則有

(11)

3)選擇操作：遺傳算法選擇操作方法有輪盤賭法、錦標法等多種方法，本模型選擇基于適應度比列的選擇策略，即輪盤賭法。這樣適應度值高的個體被選擇到下一代的概率大一些。設第i個體的選擇概率為pi，有

(12)

4)交叉操作：由于初始化中采用編碼方式為實數編碼，因此交叉操作選擇實數交叉法。假設第k個染色體和第f個染色體在j位進行交叉，有

akj=akj(1-b)+afjb

(13)

afj=afj(1-b)+akjb

(14)

0

5)變異操作：選取第m個個體的第n個基因amn進行變異操作，有

(15)

其中，amax、amin分別為基因amn的上界和下界；f(g)=r1(1-g/Gmax)，r1為隨機數，g為當前的迭代次數；Gmax是最大進化次數，r為0～1之間的隨機數。

6)計算適應度值函數，若滿足該算法結束條件，則輸出個體，否則返回到步驟3)。

7)將GA算法得到的最有個體賦值給BP神經網絡的權值和閾值，用訓練樣本對BP神經網絡進行訓練，完成模型預測。

3農業機械化綜合水平預測模型

3.1建立GA-BP神經網絡預測模型

GA-BP神經網絡預測模型的網絡拓撲結構主要由輸入層、隱含層、輸出層及各層的節點數構成。由Komogorov定理可知：3層的BP神經網絡可以完成任意的N維到M維的映射[8]，因此預測模型選用單隱含層網絡結構。本預測模型的訓練樣本來自中國農業年鑒統計的1986-2013年的我國農業機械化綜合水平的數據，其輸入樣本和輸出樣本如表1所示。

表1　訓練樣本

將第N年的農業機械化綜合水平作為輸出樣本，第N-1、N-2、N-3、N-4、N-5、N-6年的歷史數據作為輸入樣本，因此輸入層的節點數為6，輸出層的節點數為1。隱含層節點個數的確認：首先通過經驗公式16大致確定隱含層節個數的范圍，然后通過試驗訓練并結合雙階段結構自確認算法進行確定[9]，最終找到誤差最小的隱含層結點個數為9。因此，預測模型的網絡拓撲結構為6-9-1，有

(16)

其中，m、n分別為輸入層和輸出層節點個數，a取值為1～10的常數。

在該預測模型中，輸入層到隱含層的傳遞函數采用“tansig”函數，隱含層到輸出層的傳遞函數采用“purelin”函數。其訓練函數采用traingdx動量及自適應lrBP的梯度遞減訓練函數，學習函數采用learngdm梯度下降動量學習函數。遵循初始化參數設置原則及綜合考慮預測模型的要求并經過多次試驗，最終確定種群初始化的參數分別為種群大小60、遺傳代數100、交叉概率0.6、變異概率0.005。設置BP神經網絡模型的訓練次數為3 000，訓練目標為1e-5，其余參數選擇默認設置。采用絕對誤差和相對誤差來對預測模型的性能進行定量評判。根據以上參數和要求運用MatLab完成GA-BP神經網絡預測模型的構建，并根據訓練樣本(見表1)對網絡進行仿真訓練仿真。

3.2預測模型訓練仿真結果與分析

利用表1我國往年的農業機械化綜合水平的20個樣本對所建立的GA-BP神經網絡進行仿真訓練，訓練完成后農業機械化綜合水平真實值與輸出值如表2所示。

表2實際值與輸出值比較

Table 2Value of practice and output

%

年份實際值訓練輸出值絕對誤差相對誤差199223.2923.130.160.68199324.0123.730.281.17199424.7025.220.522.11199525.6625.870.210.82199627.0726.760.311.15199728.7528.390.361.25199830.3530.310.040.13199931.6231.630.010.03200032.3532.250.100.31200132.6532.640.010.03200232.9832.740.240.73200333.8633.930.070.21200435.4435.450.010.03200535.9337.101.173.26200638.2538.910.661.73200742.4741.031.443.39200845.7446.270.531.16200949.1349.090.040.08201052.2852.200.080.15201154.8254.700.120.22

從表2中可以看出：我國歷年農業機械化綜合水平的實際值與輸出值基本一致，平均絕對誤差為0.318%，最大絕對誤差為1.44%；平均相對誤差為0.932%，最大相對誤差為3.39%。在2005年和2007年出現較小范圍的波動，原因是農業機械化綜合水平受到農民收入水平、農機工業發展水平、農機使用成本、農村剩余勞動力轉移、勞動力價格及耕地規模等諸多因素的影響[10]；而且在數據統計上不可避免的存在一定誤差，在模型的計算中也會存在一定的系統誤差。因此，理論上該預測模型可以對我國農業機械化綜合水平進行預測。

3.3模型驗證

運用訓練完成后的模型對2012年和2013年我國農業機械化綜合水平預測檢驗，分別輸入2007-2011年和2008-2012年的農業機械化綜合水平，輸出預測結果2012年為57.64%，與實際值為57.17%基本吻合，絕對誤差為0.47%，相對誤差為0.82%；2013年為59.60%，與實際值59.48%也基本吻合，絕對誤差為0.12%，相對誤差為0.2%。由此說明，該模型經過仿真訓練后具有較好的預測精度和實用價值。

4農業機械化水平預測與分析

4.1模型預測

根據完成仿真訓練后的預測模型對我國2014-2018年的農業機械化綜合水平進行預測，結果如表3所示。

表3　農業機械化綜合水平預測結果

4.2預測結果分析

從我國農業機械化綜合水平預測結果來看，2014年我國農業機械化綜合水平為61.94%，這與農業部公布的2014年我國農業機械化綜合水平將超過61%是吻合的。2016-2018年農業機械化綜合水平增長保持兩個百分點以上，這與白人樸[11]在關于“十三五”我國農業機械化發展的思考中提到的農作物耕種收機械化水平年均提高速度保持在2%以上的合理區間是相符的。根據2006年農業機械發展戰略報告[12]，在綜合我國耕地面積、種植業勞動力及農業機械發展等因素后預測我國農業機械化綜合水平將在2020年達到70%左右；但2014年我國農業機械化綜合水平已超過61%，提前完成了“十二五”規劃中對農業機械化發展的要求。綜合考慮我國目前農業機械化綜合水平的發展現狀等各項因素，在2018年農業機械化綜合水平達到70%是很有可能實現的。可見,基于GA-BP神經網絡的農業機械化綜合水平預測模型對我國農業機械化綜合水平的發展趨勢有較好的預測能力。

5結論

通過GA-BP預測模型對我國農業機械化綜合水平進行預測和驗證，通過定性和定量分析表明該模型有較好的預測性能。但是，GA-BP神經網絡預測模型作為一種時間序列預測模型，其預測具有短時性，進行長期預測其預測精度將大大降低。因此，下一步在保證預測精度的前提下延長預測時間，對時間序列的預測具有重要的意義，也將是預測模型優化的主要方向。

參考文獻：

[1]易中懿.中國農業機械化年鑒 [M].北京：中國農業科學技術出版社,2007.

[2]朱明.推進農業洪城科技創新，建設社會主義新農村[J].農業工程學報,2006,22(6):192-196.

[3]Zhu Ming. Experience of Agricultural Engineering Development in China[J].農業工程學報,2007,23(9):269-275.

[4]張睿,高煥文.基于灰色GM(1,1)的農業機械化水平預測模型[J].農業機械學報,2009,40(2):91-95.

[5]李松,羅勇,張銘銳.遺傳算法優化BP神經網絡的混沌時間序列預測[J].計算機工程與應用,2011,47(29):52-55.

[6]葛繼科,邱玉輝,吳春明,等.遺傳算法研究綜述[J].計算機應用研究,2008, 25(10):2911-2916.

[7]王德明,王莉,張廣明.基于遺傳BP神經網路的短期風速預測模型[J].浙江大學學報：工學版, 2010, 46(5): 837-842.

[8]戚德虎,康繼昌.BP神經網絡的設計[J].計算機工程與設計,1998, 19(4): 48-50.

[9]張雨濃,曲璐,陳俊維,等.多輸入Sigmoid激勵函數神經網絡權值與結構確定方法[J].計算機應用研究, 2012, 29(11): 4113-4116.

[10]盧秉福,張祖立,朱明,等.農業機械化發展關鍵影響因素的辨識與分析[J].農業工程學報,2008,24(11): 114-117.

[11]白人樸.關于“十三五”我國農業機械化發展的思考[J].中國農機化學報,2014,35(4):1-5.

Predictive Model of Agricultural Mechanization Comprehensive Level Based on the GA-BP Neural Network

Wang Pan，Chen Jian，Cao Zhonghua，Wu Xianbing

(College of Engineering and Technology, Southwest University, Chongqing 400715,China)

Abstract：According to the statistical data of the comprehensive level of agricultural mechanization in our country in 1986-2013, predictive model of agricultural mechanization comprehensive level based on the GA-BP neural network was built. Through comparative analysis on real value and training output value of the comprehensive level of agricultural mechanization in 1992-2011, it shows that the prediction model has good fitting precision. Then use this model to predict the comprehensive level of agricultural mechanization in 2012 and 2013 which further verifies the reliability of the model. And use this predictive model to predict the comprehensive level of agricultural mechanization in 2014-2018.The results show that the mechanization of agriculture comprehensive level in our country is 61.97%.This is nearly consistent with the results released by ministry of agriculture that the comprehensive level of agricultural mechanization in 2014 was more than 61%. In 2018, the comprehensive level of agricultural mechanization will reach 70% more or less.

Key words：agricultural mechanization; comprehensive level; GA-BP neural network; prediction

文章編號：1003-188X(2016)03-0075-05

中圖分類號：S233

文獻標識碼：A

作者簡介：王攀(1989-)，男，湖北襄陽人，碩士研究生，(E-mail)732779513@qq.com。通訊作者：陳建(1957-)，男，重慶人，教授，博士生導師，博士，(E-mail)jianchen@swu.edu.cn。

基金項目：重慶市應用開發計劃重點項目(cstc2013yykfB70002)

收稿日期：2015-04-27