發(fā)布時(shí)間：2017-08-25 02:00

  本文關(guān)鍵詞：基于神經(jīng)網(wǎng)絡(luò)的安徽省糧食產(chǎn)量組合預(yù)測(cè)研究

  更多相關(guān)文章： BP神經(jīng)網(wǎng)絡(luò) GRNN神經(jīng)網(wǎng)絡(luò) RBF神經(jīng)網(wǎng)絡(luò) IOWA算子組合 糧食產(chǎn)量 預(yù)測(cè)

【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(yán)重的甚至造成社會(huì)震蕩釀成歷史性的悲劇。因此,糧食問題關(guān)乎國家大計(jì),影響著一個(gè)國家的生死存亡,是國家發(fā)展的根基。2016年,距離我國實(shí)現(xiàn)第一個(gè)一百年奮斗目標(biāo),即2020年全面建成小康社會(huì)還有四年,這期間的國家各項(xiàng)工作都在向著這一目標(biāo)努力,其中糧食生產(chǎn)作為基礎(chǔ)性工作至關(guān)重要。多年來糧食產(chǎn)量的預(yù)測(cè)一直是農(nóng)業(yè)領(lǐng)域里的一項(xiàng)重要工作,預(yù)測(cè)出精準(zhǔn)的糧食產(chǎn)量有利于國家其他領(lǐng)域包括國民生產(chǎn)總值、國民經(jīng)濟(jì)產(chǎn)業(yè)結(jié)構(gòu)等方面的發(fā)展研究。據(jù)國家統(tǒng)計(jì)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(shí)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(guān)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(zhǔn)確分析及預(yù)測(cè)對(duì)于我國整體發(fā)展和經(jīng)濟(jì)建設(shè)在理論和實(shí)踐方面都有著一定重要意義。預(yù)測(cè)糧食產(chǎn)量的方法有很多,主要有灰色預(yù)測(cè)法、回歸預(yù)測(cè)法、主成分分析法和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法,其中神經(jīng)網(wǎng)絡(luò)和其他預(yù)測(cè)方法比較而言,預(yù)測(cè)的精度相對(duì)較高,它的體系結(jié)構(gòu)靈感來自于生物神經(jīng)網(wǎng)絡(luò)的功能,試圖模仿大腦神經(jīng)網(wǎng)絡(luò)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(luò)組合構(gòu)建一個(gè)具有非線性且自適應(yīng)的信息處理系統(tǒng),是一種常用的數(shù)理統(tǒng)計(jì)預(yù)測(cè)方法,實(shí)質(zhì)是能夠用函數(shù)構(gòu)建局部空間結(jié)構(gòu)進(jìn)行大量數(shù)據(jù)處理的數(shù)理統(tǒng)計(jì)學(xué)的標(biāo)準(zhǔn)學(xué)習(xí)方法。本文主要針對(duì)安徽省1965年至2014年的糧食產(chǎn)量使用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè),首先分析了神經(jīng)網(wǎng)絡(luò)的模型、學(xué)習(xí)方法和網(wǎng)絡(luò)結(jié)構(gòu)等,并依次深入研究了BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、GRNN神經(jīng)網(wǎng)絡(luò),并用基于IOWA算子組合前三種糧食產(chǎn)量預(yù)測(cè)方法,實(shí)踐中BP神經(jīng)網(wǎng)絡(luò)存在收斂速度較慢,甚至不能收斂的問題,初始連接權(quán)值、閥值和網(wǎng)絡(luò)結(jié)構(gòu)選擇具有隨機(jī)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(luò)因其隱含層神經(jīng)網(wǎng)絡(luò)單元的局部限制不能保證最優(yōu)隱含層的確定,同時(shí)隱含層單元的數(shù)量通常固定,往往通過試湊經(jīng)驗(yàn)選擇,存在大量時(shí)間消耗的問題;GRNN神經(jīng)網(wǎng)絡(luò)基函數(shù)中心及寬度決定神經(jīng)元的激活程度進(jìn)而影響神經(jīng)網(wǎng)絡(luò)函數(shù)的逼近能力,傳統(tǒng)的網(wǎng)絡(luò)學(xué)習(xí)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(yù)測(cè)方法是對(duì)各個(gè)單項(xiàng)預(yù)測(cè)方法的預(yù)測(cè)精度進(jìn)行加權(quán)賦值,且對(duì)應(yīng)每個(gè)預(yù)測(cè)方法各個(gè)時(shí)點(diǎn)的預(yù)測(cè)精度的加權(quán)系數(shù)一致。然而,實(shí)際預(yù)測(cè)過程中,各個(gè)預(yù)測(cè)方法對(duì)應(yīng)不同時(shí)點(diǎn)的預(yù)測(cè)精度不一致,即一個(gè)時(shí)點(diǎn)預(yù)測(cè)精度高,在另一個(gè)時(shí)點(diǎn)預(yù)測(cè)精度低,所以需要新的組合預(yù)測(cè)方法針對(duì)不同時(shí)點(diǎn)的不同預(yù)測(cè)精度按實(shí)際情況賦予加權(quán)平均系數(shù)�；贗OWA算子組合預(yù)測(cè)模型,引入IOWA算子對(duì)各個(gè)單項(xiàng)預(yù)測(cè)方法不同時(shí)點(diǎn)的預(yù)測(cè)精度按一定高低順序加權(quán)賦值,對(duì)得到的總的誤差結(jié)果以誤差平方和的方式建立預(yù)測(cè)模型,并設(shè)計(jì)不同種模型評(píng)價(jià)標(biāo)準(zhǔn)檢測(cè)模型效果,實(shí)驗(yàn)分析組合模型比單項(xiàng)預(yù)測(cè)模型的預(yù)測(cè)效果好,可以提高一定的預(yù)測(cè)精度,適合安徽省糧食產(chǎn)量預(yù)測(cè)。
【關(guān)鍵詞】：BP神經(jīng)網(wǎng)絡(luò) GRNN神經(jīng)網(wǎng)絡(luò) RBF神經(jīng)網(wǎng)絡(luò) IOWA算子組合 糧食產(chǎn)量 預(yù)測(cè)
【學(xué)位授予單位】：安徽農(nóng)業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：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(guān)糧食產(chǎn)量研究的實(shí)例11-13
• 1.4 論文內(nèi)容及結(jié)構(gòu)安排13-15
• 1.4.1 論文內(nèi)容13
• 1.4.2 結(jié)構(gòu)安排13-15
• 2 神經(jīng)網(wǎng)絡(luò)基本理論15-25
• 2.1 神經(jīng)網(wǎng)絡(luò)概述15
• 2.2 神經(jīng)網(wǎng)絡(luò)發(fā)展史15-16
• 2.3 神經(jīng)網(wǎng)絡(luò)應(yīng)用16-17
• 2.4 神經(jīng)網(wǎng)絡(luò)特性17-18
• 2.5 神經(jīng)元模型18-20
• 2.6 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)20-22
• 2.6.1 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方式20-21
• 2.6.2 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法21-22
• 2.7 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)22-24
• 2.8 本章小結(jié)24-25
• 3 預(yù)測(cè)建模與數(shù)據(jù)準(zhǔn)備25-28
• 3.1 預(yù)測(cè)建模25
• 3.1.1 糧食預(yù)測(cè)模型訓(xùn)練模塊25
• 3.1.2 糧食預(yù)測(cè)模型測(cè)試模塊25
• 3.2 數(shù)據(jù)準(zhǔn)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(luò)的糧食產(chǎn)量預(yù)測(cè)模型研究28-46
• 4.1 BP神經(jīng)網(wǎng)絡(luò)28-35
• 4.1.1 BP神經(jīng)網(wǎng)絡(luò)理論28-31
• 4.1.2 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)31-33
• 4.1.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)33-35
• 4.2 RBF神經(jīng)網(wǎng)絡(luò)35-40
• 4.2.1 RBF神經(jīng)網(wǎng)絡(luò)理論35-38
• 4.2.2 RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)38
• 4.2.3 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)38-40
• 4.3 GRNN神經(jīng)網(wǎng)絡(luò)40-45
• 4.3.1 GRNN神經(jīng)網(wǎng)絡(luò)理論40-42
• 4.3.2 GRNN神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)42-43
• 4.3.3 GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(yù)測(cè)46-54
• 5.1 組合預(yù)測(cè)概述46-47
• 5.2 基于IOWA算子糧食產(chǎn)量預(yù)測(cè)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(yù)測(cè)49-50
• 5.4 模型評(píng)價(jià)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(xiàn)56-60
• 附錄60-63
• 致謝63-64
• 個(gè)人簡介64

【參考文獻(xiàn)】

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(luò)方法在糧食產(chǎn)量預(yù)測(cè)中的應(yīng)用研究[J];福建電腦;2014年03期

2 王揚(yáng)眉;楊桂元;袁宏俊;;基于誘導(dǎo)有序加權(quán)平均算子的我國糧食產(chǎn)量組合預(yù)測(cè)[J];菏澤學(xué)院學(xué)報(bào);2013年02期

3 李程;;民航貨運(yùn)量IOWHA算子組合預(yù)測(cè)[J];計(jì)算機(jī)工程與應(yīng)用;2012年23期

4 丁子千;汪晶瑤;周禮剛;陳華友;;基于相關(guān)系數(shù)的IOWGA算子組合預(yù)測(cè)模型[J];運(yùn)籌與管理;2010年04期

5 莫U，

本文編號(hào)：734385