張自敏 樊艷英 陳冠萍

摘要農(nóng)業(yè)生產(chǎn)總值是衡量一個(gè)地區(qū)農(nóng)業(yè)發(fā)展水平的重要指標(biāo)，農(nóng)業(yè)生產(chǎn)總值受多方因素的影響，具有非線性的特征，為此，提出了LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)農(nóng)業(yè)生產(chǎn)總值的模型及方法。以農(nóng)作物播種面積、糧食產(chǎn)量、甘蔗產(chǎn)量、木薯產(chǎn)量、茶葉產(chǎn)量、肉類產(chǎn)量、水產(chǎn)品產(chǎn)量、松脂產(chǎn)量及油茶籽產(chǎn)量等與農(nóng)業(yè)生產(chǎn)總值相關(guān)指標(biāo)作為網(wǎng)絡(luò)輸入，通過廣西2000～2012年農(nóng)業(yè)生產(chǎn)總值數(shù)據(jù)仿真試驗(yàn)分析表明，LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)際值有較好的擬合度。

關(guān)鍵詞農(nóng)業(yè)生產(chǎn)總值；人工神經(jīng)網(wǎng)絡(luò)；LMBP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)

中圖分類號(hào)S126；TP183文獻(xiàn)標(biāo)識(shí)碼

A文章編號(hào)0517-6611（2014）28-10009-03

Application of LMBP Neural Network in Predicting Gross Agricultural Product

ZHANG Zimin1， FAN Yanying2， CHEN Guanping2 （1.Center of Education Technology， Hezhou University， Hezhou， Guangxi 542899； 2. School of Computer Science and Information Engineering， Hezhou University， Hezhou， Guangxi 542899）

Abstract Gross agricultural product is an important indication to measure the agricultural development level of a region. It would be affected by many factors， owning the character of nonlinearity. For this reason， LMBP neural network was put forward as the model and method for predicting gross agricultural product. Taking the indications of the sown area of crop， the output of grain， sugarcane， cassava， tea， meat， aquatic products， turpentine and oiltea camellia seed， etc. as inputs， during 2000 to 2012 in Guangxi， the gross agricultural product data from the analysis of simulation experiment shows that the prediction of LMBP neural network fits well with actual results.

Key words Gross agricultural product； Artificial neural networks； Levenberg Marquardt Back Propagation（LMBP） neural network； Prediction

農(nóng)業(yè)總產(chǎn)值是指以貨幣價(jià)值形式反映一定時(shí)期內(nèi)農(nóng)業(yè)生產(chǎn)的總成果和總規(guī)模，是衡量一個(gè)地區(qū)農(nóng)業(yè)生產(chǎn)力和發(fā)展水平的重要指標(biāo)。正確預(yù)測(cè)農(nóng)業(yè)總產(chǎn)值為解決“三農(nóng)”問題提供決策參考數(shù)據(jù)，農(nóng)業(yè)生產(chǎn)總值的預(yù)測(cè)一直受到人們關(guān)注。預(yù)測(cè)農(nóng)業(yè)總產(chǎn)值主要運(yùn)用統(tǒng)計(jì)數(shù)學(xué)建模的方法。張潔瑕等提出利用自適應(yīng)ARMA建立農(nóng)業(yè)總產(chǎn)值預(yù)測(cè)模型[1]。張顯周等提出ARIMA的時(shí)間序列預(yù)測(cè)模型，并對(duì)我國農(nóng)業(yè)總產(chǎn)值作了預(yù)測(cè)[2]。劉楠等提出利用灰色理論并建立灰色預(yù)測(cè)模型對(duì)農(nóng)業(yè)經(jīng)濟(jì)進(jìn)行了預(yù)測(cè)[3-5]。農(nóng)業(yè)總產(chǎn)值受農(nóng)業(yè)種植業(yè)、農(nóng)業(yè)畜牧漁業(yè)及林業(yè)等諸多因素的影響，因此，農(nóng)業(yè)總產(chǎn)值具有非線性的特點(diǎn)。運(yùn)用統(tǒng)計(jì)數(shù)學(xué)建模的方法預(yù)測(cè)農(nóng)業(yè)總產(chǎn)值存在模型選擇困難及預(yù)測(cè)精度不高而造成預(yù)測(cè)效率低下的缺點(diǎn)。1986年美國學(xué)者Rumenlhart等提出誤差反向傳播算法[6]（Error Back Propagation，BP），簡稱BP算法，是一種誤差反向傳播算法的多層前饋網(wǎng)絡(luò)，其具有很強(qiáng)的非線性映射能力，是應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)。但BP網(wǎng)絡(luò)存在收斂速度慢、易陷入局部最小和泛化能力差等缺點(diǎn)，限制其的應(yīng)用。

LMBP網(wǎng)絡(luò)是對(duì)BP網(wǎng)絡(luò)的改進(jìn)，利用二階導(dǎo)數(shù)的信息，在函數(shù)逼近最優(yōu)值附近產(chǎn)生一個(gè)理想搜索方向，克服BP網(wǎng)絡(luò)朝單一方向盲目搜索的缺點(diǎn)，大大提高了網(wǎng)絡(luò)收斂速度。為此，筆者建立了關(guān)于農(nóng)業(yè)總產(chǎn)值的LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，運(yùn)用廣西農(nóng)業(yè)生產(chǎn)主要指標(biāo)作為輸入訓(xùn)練LMBP神經(jīng)網(wǎng)絡(luò)并預(yù)測(cè)了農(nóng)業(yè)總產(chǎn)值，通過與標(biāo)準(zhǔn)BP網(wǎng)絡(luò)預(yù)測(cè)模型比較分析顯示，LMBP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)農(nóng)業(yè)生產(chǎn)總值有較強(qiáng)的擬合性、較高的效率及較高的預(yù)測(cè)精度，為農(nóng)業(yè)生產(chǎn)總值提供一種精準(zhǔn)可靠的預(yù)測(cè)方法。

1BP神經(jīng)網(wǎng)絡(luò)

1.1BP神經(jīng)網(wǎng)絡(luò)原理

處理信息由輸入層經(jīng)網(wǎng)絡(luò)隱層結(jié)點(diǎn)計(jì)算每個(gè)結(jié)點(diǎn)實(shí)際輸出，若此時(shí)實(shí)際輸出與期望相符，則網(wǎng)絡(luò)學(xué)習(xí)結(jié)束；否則轉(zhuǎn)入反向傳播。誤差反向傳播，信息從輸出層經(jīng)隱層結(jié)點(diǎn)處理向輸入層逐層返回，計(jì)算每節(jié)點(diǎn)際輸出與期望的誤差，根據(jù)誤差調(diào)整各層結(jié)點(diǎn)連結(jié)權(quán)值。

BP算法采用最速下降求解，只采用了一階導(dǎo)數(shù)的信息，雖然方法簡單但網(wǎng)絡(luò)收斂速度慢，易陷入局部極小值，在網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)中難以避免學(xué)習(xí)收斂速度慢及訓(xùn)練過程出現(xiàn)振蕩的問題。為了加快網(wǎng)絡(luò)的收斂速度一些改良方法引入了二階導(dǎo)數(shù)的信息對(duì)BP算法加以改進(jìn)，如共軛梯度法、牛頓法和LM算法等，其中LM算法利用了二階導(dǎo)數(shù)的信息，是高斯-牛頓法的改進(jìn)。LM算法主要思想是對(duì)高斯-牛頓法增加了一個(gè)非負(fù)對(duì)角矩陣，使用強(qiáng)迫正定的策略。

1.2LMBP算法LM算法是高斯-牛頓法的改進(jìn)，利用高斯-牛頓在函數(shù)逼近最優(yōu)值附近產(chǎn)生一個(gè)理想搜索方向，通過自適應(yīng)調(diào)整網(wǎng)絡(luò)權(quán)值，克服負(fù)梯度下降法朝單一方向盲目搜索的缺點(diǎn)，可大大提高網(wǎng)絡(luò)收斂速度。

設(shè)wk為第k次迭代權(quán)值和閾值組成的向量，則第k+1次權(quán)值更新為：