本文關鍵詞：基于神經(jīng)網(wǎng)絡的安徽省糧食產(chǎn)量組合預測研究

  更多相關文章： BP神經(jīng)網(wǎng)絡 GRNN神經(jīng)網(wǎng)絡 RBF神經(jīng)網(wǎng)絡 IOWA算子組合 糧食產(chǎn)量 預測

【摘要】：眾所周知“民以食為天”,在中國近代史上曾多次爆發(fā)由于糧食問題引發(fā)的大規(guī)模饑荒,致使大量的人死亡,人口銳減,嚴重的甚至造成社會震蕩釀成歷史性的悲劇。因此,糧食問題關乎國家大計,影響著一個國家的生死存亡,是國家發(fā)展的根基。2016年,距離我國實現(xiàn)第一個一百年奮斗目標,即2020年全面建成小康社會還有四年,這期間的國家各項工作都在向著這一目標努力,其中糧食生產(chǎn)作為基礎性工作至關重要。多年來糧食產(chǎn)量的預測一直是農(nóng)業(yè)領域里的一項重要工作,預測出精準的糧食產(chǎn)量有利于國家其他領域包括國民生產(chǎn)總值、國民經(jīng)濟產(chǎn)業(yè)結(jié)構等方面的發(fā)展研究。據(jù)國家統(tǒng)計局調(diào)查數(shù)據(jù)顯示,2014年安徽省糧食總產(chǎn)量為3415.83萬噸,占全國比重5.63%。全年單產(chǎn)量排名由21位提升到19位,綜合實力有所提升,且全年總產(chǎn)量連續(xù)7年創(chuàng)歷史新高。這幾組有關于安徽省的糧食產(chǎn)量數(shù)據(jù)告訴我們,安徽省糧食產(chǎn)量總值的準確分析及預測對于我國整體發(fā)展和經(jīng)濟建設在理論和實踐方面都有著一定重要意義。預測糧食產(chǎn)量的方法有很多,主要有灰色預測法、回歸預測法、主成分分析法和神經(jīng)網(wǎng)絡預測法,其中神經(jīng)網(wǎng)絡和其他預測方法比較而言,預測的精度相對較高,它的體系結(jié)構靈感來自于生物神經(jīng)網(wǎng)絡的功能,試圖模仿大腦神經(jīng)網(wǎng)絡的記憶和工作方式處理大量信息,是由神經(jīng)元作為基本組成單位通過不同的連接方式以及不同種網(wǎng)絡組合構建一個具有非線性且自適應的信息處理系統(tǒng),是一種常用的數(shù)理統(tǒng)計預測方法,實質(zhì)是能夠用函數(shù)構建局部空間結(jié)構進行大量數(shù)據(jù)處理的數(shù)理統(tǒng)計學的標準學習方法。本文主要針對安徽省1965年至2014年的糧食產(chǎn)量使用神經(jīng)網(wǎng)絡進行預測,首先分析了神經(jīng)網(wǎng)絡的模型、學習方法和網(wǎng)絡結(jié)構等,并依次深入研究了BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡、GRNN神經(jīng)網(wǎng)絡,并用基于IOWA算子組合前三種糧食產(chǎn)量預測方法,實踐中BP神經(jīng)網(wǎng)絡存在收斂速度較慢,甚至不能收斂的問題,初始連接權值、閥值和網(wǎng)絡結(jié)構選擇具有隨機性,取值大或過小都有可能出現(xiàn)過擬合和不收斂的情況;RBF神經(jīng)網(wǎng)絡因其隱含層神經(jīng)網(wǎng)絡單元的局部限制不能保證最優(yōu)隱含層的確定,同時隱含層單元的數(shù)量通常固定,往往通過試湊經(jīng)驗選擇,存在大量時間消耗的問題;GRNN神經(jīng)網(wǎng)絡基函數(shù)中心及寬度決定神經(jīng)元的激活程度進而影響神經(jīng)網(wǎng)絡函數(shù)的逼近能力,傳統(tǒng)的網(wǎng)絡學習規(guī)則很容易出現(xiàn)局部最小值的收斂結(jié)果,甚至不收斂。傳統(tǒng)的組合預測方法是對各個單項預測方法的預測精度進行加權賦值,且對應每個預測方法各個時點的預測精度的加權系數(shù)一致。然而,實際預測過程中,各個預測方法對應不同時點的預測精度不一致,即一個時點預測精度高,在另一個時點預測精度低,所以需要新的組合預測方法針對不同時點的不同預測精度按實際情況賦予加權平均系數(shù)�；贗OWA算子組合預測模型,引入IOWA算子對各個單項預測方法不同時點的預測精度按一定高低順序加權賦值,對得到的總的誤差結(jié)果以誤差平方和的方式建立預測模型,并設計不同種模型評價標準檢測模型效果,實驗分析組合模型比單項預測模型的預測效果好,可以提高一定的預測精度,適合安徽省糧食產(chǎn)量預測。
【關鍵詞】：BP神經(jīng)網(wǎng)絡 GRNN神經(jīng)網(wǎng)絡 RBF神經(jīng)網(wǎng)絡 IOWA算子組合 糧食產(chǎn)量 預測
【學位授予單位】：安徽農(nóng)業(yè)大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP183;S126
【目錄】：

• 摘要3-5
• Abstract5-9
• 1 緒論9-15
• 1.1 問題的提出9
• 1.2 論文研究的目的和意義9-10
• 1.3 國內(nèi)外的研究現(xiàn)狀10-13
• 1.3.1 國內(nèi)外組合研究現(xiàn)狀10-11
• 1.3.2 國內(nèi)外有關糧食產(chǎn)量研究的實例11-13
• 1.4 論文內(nèi)容及結(jié)構安排13-15
• 1.4.1 論文內(nèi)容13
• 1.4.2 結(jié)構安排13-15
• 2 神經(jīng)網(wǎng)絡基本理論15-25
• 2.1 神經(jīng)網(wǎng)絡概述15
• 2.2 神經(jīng)網(wǎng)絡發(fā)展史15-16
• 2.3 神經(jīng)網(wǎng)絡應用16-17
• 2.4 神經(jīng)網(wǎng)絡特性17-18
• 2.5 神經(jīng)元模型18-20
• 2.6 神經(jīng)網(wǎng)絡學習20-22
• 2.6.1 神經(jīng)網(wǎng)絡學習方式20-21
• 2.6.2 神經(jīng)網(wǎng)絡學習算法21-22
• 2.7 神經(jīng)網(wǎng)絡結(jié)構22-24
• 2.8 本章小結(jié)24-25
• 3 預測建模與數(shù)據(jù)準備25-28
• 3.1 預測建模25
• 3.1.1 糧食預測模型訓練模塊25
• 3.1.2 糧食預測模型測試模塊25
• 3.2 數(shù)據(jù)準備25-27
• 3.2.1 數(shù)據(jù)選擇25-26
• 3.2.2 數(shù)據(jù)歸一化26-27
• 3.3 本章小結(jié)27-28
• 4 基于神經(jīng)網(wǎng)絡的糧食產(chǎn)量預測模型研究28-46
• 4.1 BP神經(jīng)網(wǎng)絡28-35
• 4.1.1 BP神經(jīng)網(wǎng)絡理論28-31
• 4.1.2 BP神經(jīng)網(wǎng)絡設計31-33
• 4.1.3 BP神經(jīng)網(wǎng)絡預測33-35
• 4.2 RBF神經(jīng)網(wǎng)絡35-40
• 4.2.1 RBF神經(jīng)網(wǎng)絡理論35-38
• 4.2.2 RBF神經(jīng)網(wǎng)絡設計38
• 4.2.3 RBF神經(jīng)網(wǎng)絡預測38-40
• 4.3 GRNN神經(jīng)網(wǎng)絡40-45
• 4.3.1 GRNN神經(jīng)網(wǎng)絡理論40-42
• 4.3.2 GRNN神經(jīng)網(wǎng)絡設計42-43
• 4.3.3 GRNN神經(jīng)網(wǎng)絡預測43-45
• 4.4 本章小結(jié)45-46
• 5 基于IOWA算子糧食產(chǎn)量組合預測46-54
• 5.1 組合預測概述46-47
• 5.2 基于IOWA算子糧食產(chǎn)量預測模型47-49
• 5.2.1 IOWA算子的概念和性質(zhì)47
• 5.2.2 IOWA算子的組合模型47-49
• 5.3 未來預測49-50
• 5.4 模型評價50-53
• 5.5 本章小結(jié)53-54
• 6 總結(jié)與展望54-56
• 6.1 總結(jié)54
• 6.2 展望54-56
• 參考文獻56-60
• 附錄60-63
• 致謝63-64
• 個人簡介64

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前7條

1 曹榮仙;;遺傳神經(jīng)網(wǎng)絡方法在糧食產(chǎn)量預測中的應用研究[J];福建電腦;2014年03期

2 王揚眉;楊桂元;袁宏俊;;基于誘導有序加權平均算子的我國糧食產(chǎn)量組合預測[J];菏澤學院學報;2013年02期

3 李程;;民航貨運量IOWHA算子組合預測[J];計算機工程與應用;2012年23期

4 丁子千;汪晶瑤;周禮剛;陳華友;;基于相關系數(shù)的IOWGA算子組合預測模型[J];運籌與管理;2010年04期

5 莫U，

本文編號：734385