基于小波神經(jīng)網(wǎng)絡(luò)的麥蚜發(fā)生量預(yù)測研究

1、基于小波神經(jīng)網(wǎng)絡(luò)的麥蚜發(fā)生量預(yù)測研究關(guān)鍵詞：小波神經(jīng)網(wǎng)絡(luò);發(fā)生量;預(yù)測Study on the Prediction of Occurrence Quantity of Wheat Aphids Based on Wavelet Neural NetworkJIN Ran，LI Sheng-caiAgronomy College，Shanxi Agricultural Unversity，Taigu，Shanxi 030801，ChinaKey words：wavelet neural network; occurrence;forecast筆者運(yùn)用小波神經(jīng)網(wǎng)絡(luò)這種復(fù)合型神經(jīng)網(wǎng)絡(luò)構(gòu)造，采用更為

2、準(zhǔn)確的預(yù)測模型對麥蚜的發(fā)生量進(jìn)展監(jiān)測，對研究害蟲災(zāi)害發(fā)生的動態(tài)規(guī)律、開展趨勢，對農(nóng)業(yè)部門指導(dǎo)農(nóng)民科學(xué)消費(fèi)15-17，采取有效措施減少蟲害危害，增加農(nóng)民收入，都具有很好的現(xiàn)實(shí)意義，不失為一種有益的嘗試。1 試驗(yàn)對象及數(shù)據(jù)來源1.1 麥蚜數(shù)據(jù)2 數(shù)據(jù)歸一化處理由于不同氣象因子對麥蚜發(fā)生量量綱不同，數(shù)據(jù)值變化范圍較大，會嚴(yán)重影響對小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和學(xué)習(xí)速度，神經(jīng)網(wǎng)絡(luò)對0，l間的數(shù)據(jù)最敏感，因此，在進(jìn)展建模之前，要將每個氣象因子歸一化處理，使每個氣象因子都在0，l范圍內(nèi)。歸一化公式為： Y=式中，Xi表示數(shù)據(jù)原始值，Y表示歸一化后的數(shù)據(jù)，Xmax、Xmin分別表示每一類氣象因子的最大值和最小值。3

3、挑選氣象因子4 小波神經(jīng)網(wǎng)絡(luò)模型的建立4.1 小波神經(jīng)網(wǎng)絡(luò)模型的構(gòu)造本研究采用的是緊致型小波神經(jīng)網(wǎng)絡(luò)，如圖1所示。即用小波函數(shù)代替常規(guī)神經(jīng)網(wǎng)絡(luò)中的隱含層函數(shù)，用小波函數(shù)的尺度代替輸入層到隱含層的權(quán)值，用小波函數(shù)的平移參數(shù)代替隱層閾值18。4.2 小波神經(jīng)網(wǎng)絡(luò)構(gòu)造設(shè)計(jì)4.2.1 小波函數(shù)的選擇 選擇適宜的小波具有相對靈敏性，數(shù)據(jù)信號不同，需要恰當(dāng)?shù)男〔ㄗ鳛榉纸饣Ｐ〔ɑN類眾多，信號不同，小波基不同。在實(shí)際應(yīng)用中，小波函數(shù)的選擇要根據(jù)小波的波形、支撐大小和消失矩陣的數(shù)目確定，即信號的特征相一致。本研究選用的是Morlet小波函數(shù)。4.2.2 隱含層設(shè)置 隱含層節(jié)點(diǎn)的作用是從樣本中提取并存儲其內(nèi)在

4、規(guī)律，每個隱含層節(jié)點(diǎn)有許多可以增強(qiáng)網(wǎng)絡(luò)映射才能的參數(shù)權(quán)值。假設(shè)設(shè)置隱含層節(jié)點(diǎn)數(shù)量過多，易出現(xiàn)“過擬合現(xiàn)象，使網(wǎng)絡(luò)的泛化才能降低，訓(xùn)練時間增長。假設(shè)隱含層節(jié)點(diǎn)數(shù)量太少，網(wǎng)絡(luò)從樣本中獲取信息的才能就差，輸出層很難表達(dá)訓(xùn)練集的樣本規(guī)律19。4.3 小波神經(jīng)網(wǎng)絡(luò)模型建立程序筆者采用MATLAB軟件編寫對麥蚜發(fā)生量進(jìn)展預(yù)測的小波神經(jīng)網(wǎng)絡(luò)模型，詳細(xì)程序包括網(wǎng)絡(luò)參數(shù)配置、輸入輸出數(shù)據(jù)歸一化、網(wǎng)絡(luò)訓(xùn)練、網(wǎng)絡(luò)預(yù)測、結(jié)果分析等5個部分，由于篇幅有限，只將關(guān)鍵步驟寫出。4.3.1 網(wǎng)絡(luò)參數(shù)配置load'E：workYmax.mat' %導(dǎo)入數(shù)據(jù)trainx=input1：30，：;trainy=ou

5、tput31：35;M=sizetrainx，2; %輸入節(jié)點(diǎn)個數(shù)N=sizetrainy，2; %輸出節(jié)點(diǎn)個數(shù)n=15; %隱形節(jié)點(diǎn)個數(shù)lr1=0.01 %學(xué)習(xí)概率lr2=0.05 %學(xué)習(xí)概率maxgen=150; %迭代次數(shù)Wjk=randnn，M;4.3.2 輸入輸出數(shù)據(jù)歸一化testy=output31：35;inputn，inputps=mapminmaxinput'，0，1;outputn，outputps=mapminmaxoutput'，0，1;trainxn=inputn：，1：30'trainyn=outputn1：30'4.3.3 網(wǎng)絡(luò)訓(xùn)練

6、for i=1：maxgenerrori=0; %誤差累計(jì)for kk=1：sizetrainx，1 %循環(huán)訓(xùn)練y=y+Wijk，j*temp; %小波函數(shù)errori=errori+sumabsyqw-y;%計(jì)算誤差和for j=1：n %權(quán)值調(diào)整temp=mymorletnet_abj; %計(jì)算d_Wij4.3.4 網(wǎng)絡(luò)預(yù)測x=inputn：，31：35; %預(yù)測輸入歸一化x=x'for i=1：sizetesty，1 %網(wǎng)絡(luò)預(yù)測ynn=mapminmax'reverse'，yuce，outputps; %預(yù)測輸出反歸一化4.3.5 結(jié)果分析figure1ploty

7、nn，'r*：'hold on plottesty，'bo-'title'小波神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果'，'fontsize'，12legend'預(yù)測值'，'實(shí)際值'xlabel'年份'ylabel'蚜蟲最大量'5 評價指標(biāo)由于樣本數(shù)的限制，本試驗(yàn)預(yù)測方法還需要進(jìn)一步改進(jìn)并驗(yàn)證。下一步，可將小波神經(jīng)網(wǎng)絡(luò)與模糊神經(jīng)網(wǎng)絡(luò)、遺傳神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)所做模型進(jìn)展比較，找到蟲害預(yù)測預(yù)報(bào)更為準(zhǔn)確的方法或?qū)追N方法的優(yōu)點(diǎn)結(jié)合起來，建立復(fù)合型模型。參考文獻(xiàn)：2 張映梅，李修煉，趙惠燕.人工神經(jīng)網(wǎng)絡(luò)及其在小麥等作物病蟲害預(yù)測中的應(yīng)用J.麥類作物學(xué)報(bào)，2002