内容发布更新时间 : 2024/9/28 19:27:49星期一 下面是文章的全部内容请认真阅读。

基于Matlab―nntool的BP神经网络在江苏省粮食作

物产量预测中的应用

[摘 要] 本文基于BP神经网络理论对2014年江苏省粮食作物产量进行仿真，仿真结果为3510.8万吨。与实际产量相比误差为0.58%，实验结果证明了利用BP神经网络对江苏省粮食作物产量预测是可行的，具有一定的应用价值。

[关键词] Matlab；BP神经网络；粮食作物 doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2016. 13. 094

[中图分类号] F323.8 [文献标识码] A [文章编号] 1673 - 0194（2016）13- 0174- 01 1 BP神经网络

BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，它是一种按误差逆传播算法训练的多层前馈网络，是一种具有三层以上（包括三层）的神经网络，包括输入层、隐含层，和输出层。各层之间实现全连接，而各层的神经元之间没有直接连接。

2 BP神经网络在Matlab中的实现

实现BP神经网络在Matlab中运行，首先需要对数据进行归一化处理，然后建立神经网络（即newff函数），接着进行网络训练即（train函数），并根据训练结果，输入测试数据进行仿真即（sim函数），最后将数据进行反归一化处理。传统模式下，以上过程都需依靠编写程序代码来实现，专业性强，且容易出错。因此在较新版本的matlab下设置了Neural Network Toolbox，可在窗口化的界面进行神经网络的创建、训练与预测，简化了操作，本文即采取此方法进行分析。 3 基于matlab和BP神经网络的江苏省粮食作物产量预测

3.1 指标说明与节点选取

选取影响江苏省粮食作物产量的5个因素作为输入变量，分别为粮食作物播种面积（千公顷）、农村劳动力（万人）、农业机械总动力（万千瓦）、农村用电量（亿千瓦时）、化肥施用量（万吨），输出变量为粮食作物总产量（万吨），数据来源于2003-2015年江苏省统计年鉴。数据如下表所示。

相应的，输入节点数和输出节点数分别为5和1，隐含层的节点数则运用以下公式计算： 3.2 数据的归一化处理 3.3 创建与训练网络

取2001-2013年数据作为学习样本，2014年数据为验证数据利用Matlab的nntool命令，打开工具箱，录入输入、输出数据，创建网络。本文采取三层BP网络，训练函数经过大量试验，最终确定为收敛快、误差小的TRAINLM函数，隐含层激活函数选取TANSIG函数，输出层激活函数选择PURELIN函数。 3.4 仿真与结果

利用2014年各输入变量，录入训练好的BP神经网络进行仿真，数据反馈到Network/Date Manager窗口下的Output Date选项中，并将其反归一化，最终结果3510.8。2014年粮食作物总产量为3490.62万吨。误差为0.58%。对于经济指标，一般认为误差在4%以内均算作准确，本次预测值远小于4%，表明利用BP神经网络对江苏省粮食作物产量预测是可行的。