未来智库 > 神经网络论文 > 【基于小波神经网络的麦蚜发生量预测研究】
    关键词:小波神经网络;发生量;预测
       Study on the Prediction of Occurrence Quantity of Wheat Aphids Based on Wavelet Neural Network
       JIN Ran,LI Sheng-cai
       (Agronomy College,Shanxi Agricultural Unversity,Taigu,Shanxi 030801,China)
       Key words:wavelet neural network; occurrence;forecast
       笔者运用小波神经网络这种复合型神经网络结构,采用更为准确的预测模型对麦蚜的发生量进行监测,对研究害虫灾害发生的动态规律、发展趋势,对农业部门指导农民科学生产[15-17],采取有效措施减少虫害危害,增加农民收入,都具有很好的现实意义,不失为一种有益的尝试。
       1 试验对象及数据来源
       1.1 麦蚜数据
       2 数据归一化处理
       由于不同气象因子对麦蚜发生量量纲不同,数据值变化范围较大,会严重影响对小波神经网络的训练和学习速度,神经网络对[0,l]间的数据最敏感,因此,在进行建模之前,要将每个气象因子归一化处理,使每个气象因子都在[0,l]范围内。归一化公式为: Y=■
       式中,Xi表示数据原始值,Y表示归一化后的数据,Xmax、Xmin分别表示每一类气象因子的最大值和最小值。
       3 筛选气象因子
       4 小波神经网络模型的建立
       4.1 小波神经网络模型的结构
       本研究采用的是紧致型小波神经网络,如图1所示。即用小波函数代替常规神经网络中的隐含层函数,用小波函数的尺度代替输入层到隐含层的权值,用小波函数的平移参数代替隐层阈值[18]。
       4.2 小波神经网络结构设计
       4.2.1 小波函数的选择 选择合适的小波具有相对灵活性,数据信号不同,需要恰当的小波作为分解基。小波基种类众多,信号不同,小波基不同。在实际应用中,小波函数的选择要根据小波的波形、支撑大小和消失矩阵的数目确定,即信号的特征相一致。本研究选用的是Morlet小波函数。
       4.2.2 隐含层设置 隐含层节点的作用是从样本中提取并存储其内在规律,每个隐含层节点有许多能够增强网络映射能力的参数权值。若设置隐含层节点数量过多,易出现“过拟合”现象,使网络的泛化能力降低,训练时间增长。若隐含层节点数量太少,网络从样本中获取信息的能力就差,输出层很难体现训练集的样本规律[19]。
       4.3 小波神经网络模型建立程序
       笔者采用MATLAB软件编写对麦蚜发生量进行预测的小波神经网络模型,具体程序包括网络参数配置、输入输出数据归一化、网络训练、网络预测、结果分析等5个部分,由于篇幅有限,只将关键步骤写出。
       4.3.1 网络参数配置
       load('E:\work\Ymax.mat') %导入数据
       trainx=input(1:30,:);
       trainy=output(31:35);
       M=size(trainx,2); %输入节点个数
       N=size(trainy,2); %输出节点个数
       n=15; %隐形节点个数
       lr1=0.01 %学习概率
       lr2=0.05 %学习概率
       maxgen=150; %迭代次数
       Wjk=randn(n,M);
       ……
       4.3.2 输入输出数据归一化
       testy=output(31:35);
       [inputn,inputps]=mapminmax(input',0,1);
       [outputn,outputps]=mapminmax(output',0,1);
       trainxn=inputn(:,1:30)';
       trainyn=outputn(1:30)';
       4.3.3 网络训练
       for i=1:maxgen
       error(i)=0; %误差累计
       for kk=1:size(trainx,1) %循环训练
       ……
       y=y+Wij(k,j)*temp; %小波函数
       error(i)=error(i)+sum(abs(yqw-y));%计算误差和
       for j=1:n %权值调整
       temp=mymorlet(net_ab(j)); %计算d_Wij
       ……
       4.3.4 网络预测
       x=inputn(:,31:35); %预测输入归一化
       x=x';
       for i=1:size(testy,1) %网络预测
       ……
       ynn=mapminmax('reverse',yuce,outputps); %预测输出反归一化
       4.3.5 结果分析
       figure(1)
       plot(ynn,'r*:')
       hold on plot(testy,'bo--')
       title('小波神经网络预测结果','fontsize',12)
       legend('预测值','实际值')
       xlabel('年份')
       ylabel('蚜虫最大量')
       5 评价指标
       由于样本数的限制,本试验预测方法还需要进一步改进并验证。下一步,可将小波神经网络与模糊神经网络、遗传神经网络、支持向量机所做模型进行比较,找到虫害预测预报更为准确的方法或将几种方法的优点结合起来,建立复合型模型。
       参考文献:
       [2] 张映梅,李修炼,赵惠燕.人工神经网络及其在小麦等作物病虫害预测中的应用[J].麦类作物学报,2002,22(4):84-87.
       [3] 朱大奇.人工神经网络研究现状及其展望[J]. 江南大学学报:自然科学版,2004,3(1):103-109.
转载请注明来源。原文地址:https://www.7428.cn/vipzj14220/