中國糧食產(chǎn)量預(yù)測模型研究

專業(yè)：管理科學(xué)與工程 研究生： 指導(dǎo)教師： 農(nóng)業(yè)是國民經(jīng)濟的基礎(chǔ)，糧食是基礎(chǔ)的基礎(chǔ)。我國是一個人口眾多的發(fā)展本文在對糧食生產(chǎn)系統(tǒng)進行系統(tǒng)分析的基礎(chǔ)上，一方面，從糧食產(chǎn)量的時不確定”問題的特點，將嵌入知識的GM(1,1)模型應(yīng)用于糧食的短期預(yù)測，預(yù)測本文提出的嵌入知識的等維新息GM(1,1)預(yù)測模型和支持向量機回歸預(yù)測模關(guān)鍵詞：糧食產(chǎn)量預(yù)測，GM(1,1)模型，支持向量機ISubject:ResearchontheForecastModelofChinaGrainProduction Specialty:ManagementScienceandEngineering Name:LiXiaodong Supervisor:ProfessorXiShengyang ProfessorWangBoliangAgricultureisthefoundationofthenationaleconomy,whilegrainisthebasisforthefoundation.Chinaisadevelopingcountrywithlargepopulation,sothefoodissueisthetoppriorityofthenationaleconomywithimportantstrategicposition.Theanalysisofthechangeruleandthetendencyforecastofthegrainproductionnotonlyprovidesdecisionmakingfortheformulationofthegrainpolicyandtheimplementationofgrainproductionsystemcontrolbutalsohastheimportantpracticalsignificancetofoodsecurity.Onthebasisofanalysisofthegrainproductionsystem,ontheonehand,studyingthechangesrulefromthetime-seriesofthegrainyield,combinedwiththecharacteristicsofgreysystemtheorytoanalyzesmallsampleandundeterminedproblems,establishestheGM(1,1)modelembeddedknowledgeforgrainproductionforecasting,resultsshowthatthismodelnotonlyhasgoodfittingaccuracy,butalsocandescribethefuturedevelopmenttrendofgrainproductionwithbetterextrapolationpredictableperformance.ontheotherhand,researchingthechangerulefromtherelationshipbetweenthegrainyieldanditsinfluencingfactors,combinedtheadvantagesofsupportvectormachinetosolvelearningproblemssuchassmallsample,nonlinear,highdimensionandlocalminimum,proposedthesupportvectormachinemodelforgrainproductionforecasting.Empiricalresultsshowthatthemodelcanreflectwellthecomplexnonlinearrelationshipbetweengrainyieldanditsprincipalfactorwithhighaccuracyandprecisionfitting.ThegrainproductionforecastingbasedonthedynamicGM(1,1)modelembeddedknowledgeandthesupportvectormachineregressionseparatelyfromthesuperficialandinternalstructurecharacteristicsofthegrainproductionsystemstudyoperationmechanism,whichcanreflectwellthesystemchangeessenceandcanbeusedasaneffectivetoolforforecasting,andoffernewwayofgrainproductionforecasting.KEYWORDS:Grainproductionprediction,GM(1,1)model,SupportvectorDissertationType:Applied11第1目前我國農(nóng)業(yè)已經(jīng)進入一個新的發(fā)展階段，糧食生產(chǎn)的條件和能力發(fā)生了研究背景與研究意糧食生產(chǎn)伴隨著人類社會發(fā)展進程，提供給人類基本的生活資料，是人類同時糧食也是一種重要的戰(zhàn)略資源，糧食安全不僅關(guān)系到我國國民經(jīng)濟的13億人口的大國，也是世界上最大的糧食消費大國，我國國情決定了解決這個我國的歷代政治家和軍事家都十分重視糧食問題，并把糧食作為一種重要的戰(zhàn)略物質(zhì)，例如，曹操滅袁紹的“官渡之戰(zhàn)”，采用“避實擊虛”的軍事戰(zhàn)新中國成立后，我國較長時期處于糧食短缺狀態(tài)，經(jīng)過改革開放20多年的努力，糧食生產(chǎn)能力有很大的提高，實現(xiàn)了糧食由長期短缺到總量平衡。20世905t19991始全國糧食產(chǎn)量連續(xù)數(shù)年下降，到2003年糧食產(chǎn)量只有43070萬t，而隨著經(jīng)的糧食安全問題一直是中國政府和社會高度重視的戰(zhàn)略問題，2005年中共中央國務(wù)院頒發(fā)關(guān)于提高農(nóng)業(yè)生產(chǎn)能力的意見指出，“加強農(nóng)業(yè)基礎(chǔ)、繁榮農(nóng)村經(jīng)增收的必要條件”?！笆叽蟆庇置鞔_指出，“加大支農(nóng)惠農(nóng)力度，嚴(yán)格保護目前我國農(nóng)業(yè)已經(jīng)進入一個新的發(fā)展階段，糧食生產(chǎn)面臨著新的矛盾和問糧食產(chǎn)量預(yù)測的文獻綜國內(nèi)外學(xué)者對糧食產(chǎn)量預(yù)測進行了積極的研究，產(chǎn)生了許多新的糧食產(chǎn)量目前國外流行的糧食產(chǎn)量方法主要有遙感技術(shù)預(yù)測模型、統(tǒng)計動力學(xué)生長211遙感技術(shù)預(yù)測的基本思想是根據(jù)各種作物具有不同的光譜特性，即對不同量預(yù)測，但是遙感預(yù)測受分辨率、時相等因素的影響，對地形復(fù)雜、作物種類統(tǒng)計動力學(xué)生長模擬預(yù)測的基本思想是在植物生理學(xué)原理基礎(chǔ)上，利用模擬方法研究各種環(huán)境因子與作物產(chǎn)量的關(guān)系，如溫度、光照、等對作物光合作氣象產(chǎn)量預(yù)測的基本思想是將糧食的實際產(chǎn)量分離成由氣象條件決定的氣遙感技術(shù)預(yù)測利用作物的物理特征和現(xiàn)代信息技術(shù)的結(jié)合，是一種比較先與產(chǎn)量的關(guān)系，氣象產(chǎn)量預(yù)測根據(jù)氣象因子利用統(tǒng)計思想研究作物產(chǎn)量變化趨目前國內(nèi)也有學(xué)者從事氣象產(chǎn)量方面的預(yù)測模型研究，文獻[3]建立了中國氣象產(chǎn)量預(yù)測模型，文獻[4]將糧食單產(chǎn)分解為時間趨勢產(chǎn)量和氣象波動產(chǎn)量，通過分析出糧食單產(chǎn)中氣象產(chǎn)量分量的時間序列變化規(guī)律，綜合運用馬爾可夫理論和概率密度分布函數(shù)，建立相對氣象產(chǎn)量預(yù)測模型。另外國內(nèi)學(xué)者也致力于糧食產(chǎn)量預(yù)測新方法的研究，比較代表性的主要有系統(tǒng)綜合因素預(yù)測法、仿真技術(shù)預(yù)測法，灰色預(yù)測法、神經(jīng)網(wǎng)絡(luò)預(yù)測法、混沌預(yù)測法等。中國科學(xué)院陳錫康教授首次在國際上提出投入占用產(chǎn)出技術(shù)，并提出以投入占用產(chǎn)出技術(shù)為核心的系統(tǒng)綜合因素預(yù)測法，該預(yù)測方法綜合考慮氣象條件、社會經(jīng)濟條件和科技水平等因素的影響，并結(jié)合邊際遞減的非線性預(yù)測方程和最小絕對和方法關(guān)鍵技術(shù)，模型具有較高的預(yù)測精度，在技術(shù)上和實際應(yīng)用上已經(jīng)達到國際領(lǐng)先水平[2]。文獻[5]采用數(shù)字仿真技術(shù)預(yù)測未來年份糧食產(chǎn)量的風(fēng)險概率，即根據(jù)風(fēng)險分析理論，在對任意糧食生產(chǎn)單元的多年糧食單產(chǎn)時間序列的基3礎(chǔ)上，將糧食產(chǎn)量的不確定性信息采用數(shù)字仿真技術(shù)疊加到趨勢產(chǎn)量預(yù)測模型中，提取出未來年份該生產(chǎn)單元糧食產(chǎn)量不同結(jié)果出現(xiàn)概率，該模型不僅可以預(yù)測未來年份糧食產(chǎn)量的可能結(jié)果，而且給出不同預(yù)期產(chǎn)量的概率。文獻[6]在對糧食生產(chǎn)系統(tǒng)進行了定性分析的基礎(chǔ)上，運用計量經(jīng)濟模型與規(guī)劃模型，建立了糧食產(chǎn)量的短期預(yù)測模型，并借助系統(tǒng)仿真技術(shù)實現(xiàn)該系統(tǒng)。文獻[7]根據(jù)灰色系統(tǒng)理論，首先對定西縣的糧食產(chǎn)量時間序列進行平滑性處理，消除糧食產(chǎn)量波動性因素影響，然后對新數(shù)據(jù)序列建立GM(1,1)預(yù)測模型，預(yù)測結(jié)果僅能得出未來年份糧食產(chǎn)量的平均值。吳玉明等利用神經(jīng)網(wǎng)絡(luò)高度的非線性影射及其自學(xué)習(xí)能力，建立了中國糧食產(chǎn)量神經(jīng)網(wǎng)絡(luò)預(yù)測模型[8]。蘇博等分別建立了GM(1,N)模型和神經(jīng)網(wǎng)絡(luò)模型并進行比較研究，即首先根據(jù)灰色系統(tǒng)理論，分析影響系統(tǒng)GM(1,N)模型，然后根據(jù)神經(jīng)網(wǎng)絡(luò)理論建立起糧食產(chǎn)量的神經(jīng)網(wǎng)絡(luò)回歸模型，預(yù)測結(jié)果表明神經(jīng)網(wǎng)絡(luò)模型優(yōu)于GM(1,N)模型[9]。姜會飛等根據(jù)混沌理論的原理和方法，建立糧食產(chǎn)量的混沌預(yù)測模型，該模型具有準(zhǔn)確率高、時效長、成本低等優(yōu)點[10]。國內(nèi)外對糧食產(chǎn)量的預(yù)測研究各有側(cè)重，國外側(cè)重于先進的遙感技術(shù)、統(tǒng)本文的研究思路與研究內(nèi)本文在對糧食生產(chǎn)統(tǒng)計資料的整理分析基礎(chǔ)上，主要運用時間序列分析與第一章是緒論部分。首先闡述了論文的研究背景與研究意義，然后介紹目前國內(nèi)外針對糧食產(chǎn)量預(yù)測的研究進展并對其簡要分析，最后給出本文的研究411第二章是中國糧食生產(chǎn)系統(tǒng)分析。本章主要運用系統(tǒng)分析原理分析糧食生產(chǎn)系統(tǒng)展開分析，探討糧食生產(chǎn)系統(tǒng)的特征及其影響因素，為糧食產(chǎn)量定量預(yù)測方法的選擇提供科學(xué)的理論依據(jù)。第三章是基于灰色系統(tǒng)理論的中國糧食產(chǎn)量預(yù)測研究。在對糧食生產(chǎn)系統(tǒng)的定性分析基礎(chǔ)上，本章根據(jù)時間序列分析技術(shù)，運用灰色系統(tǒng)理論從糧食產(chǎn)量的時間序列角度研究糧食產(chǎn)量的變化趨勢。并針對傳統(tǒng)灰色預(yù)測模型的局限性，提出嵌入知識的等維新息灰色糧食產(chǎn)量預(yù)測模型。第四章是基于統(tǒng)計學(xué)習(xí)理論的中國糧食產(chǎn)量預(yù)測研究。在對糧食生產(chǎn)系統(tǒng)的定性分析基礎(chǔ)上，本章根據(jù)回歸分析技術(shù)，運用統(tǒng)計學(xué)習(xí)理論從糧食產(chǎn)量與其影響因子的相互作用關(guān)系揭示糧食產(chǎn)量的變化規(guī)律，建立了糧食產(chǎn)量與其影響因素的支持向量機回歸模型，并根據(jù)灰色關(guān)聯(lián)分析理論，解決了輸入因子難于確定的問題。第五章為全篇論文的結(jié)論。本章主要論述全文的主要研究結(jié)果，并對兩種理論的預(yù)測方法進行分析比較，其次闡明本文的創(chuàng)新之處，最后給出論文需要進一步研究的問題。本文的研究方本文主要采用以下研究方法：1．系統(tǒng)分析技術(shù)。在糧食產(chǎn)量系統(tǒng)分析過程中，綜合運用農(nóng)學(xué)、經(jīng)濟學(xué)、生物學(xué)、生態(tài)環(huán)境學(xué)、公共政策學(xué)等學(xué)科的原理對糧食生產(chǎn)系統(tǒng)進行分析，著重研究糧食產(chǎn)量與各影響因素的變動關(guān)系；2．時間序列分析技術(shù)與回歸分析分析技術(shù)。時間序列預(yù)測和回歸預(yù)測都是系統(tǒng)分析的重要預(yù)測技術(shù)，時序分析側(cè)重于從系統(tǒng)的表面特征挖掘系統(tǒng)的演化信息，從而達到由表及里認(rèn)識系統(tǒng)的目的，而回歸分析側(cè)重于從系統(tǒng)因素間的因果關(guān)系與結(jié)構(gòu)關(guān)系尋求系統(tǒng)運行規(guī)律，進而把握系統(tǒng)因素間的相互作用機制；3．不確定性理論分析技術(shù)。本文結(jié)合糧食生產(chǎn)系統(tǒng)高度復(fù)雜不確定性特點，借助于灰色系統(tǒng)理論與統(tǒng)計學(xué)習(xí)理論，建立糧食生產(chǎn)系統(tǒng)的不確定分析模型研究系統(tǒng)的變化規(guī)律。522第2農(nóng)業(yè)是人們利用太陽能、依靠生物生長發(fā)育來獲取產(chǎn)品的社會物質(zhì)生產(chǎn)部糧食生產(chǎn)系統(tǒng)的內(nèi)糧食生產(chǎn)系統(tǒng)是一個受多種因素制約的復(fù)雜系統(tǒng)，在一定時空角度形成和1985-2005年間統(tǒng)計資料進行分析，可以發(fā)糧食生產(chǎn)系統(tǒng)的結(jié)構(gòu)分系統(tǒng)結(jié)構(gòu)是系統(tǒng)構(gòu)成要素在時空上的排列組合方式及其相互作用方式，用生產(chǎn)系統(tǒng)的結(jié)構(gòu)即生產(chǎn)力要素的物質(zhì)要素、強化因素、間接因素和價值因素[11]。其中物質(zhì)要素包括勞動者、勞動資料和勞動對象，物質(zhì)要素構(gòu)成糧食生產(chǎn)6構(gòu)成各要素在空間維度分布的聯(lián)系狀態(tài)，時間組合方式是指生產(chǎn)系統(tǒng)構(gòu)成各要素在時間維度運動的先后順序[12-13]。糧食生產(chǎn)系統(tǒng)的結(jié)構(gòu)決定系統(tǒng)的功能，也就決定了糧食的生產(chǎn)能力，結(jié)構(gòu)的有序性和協(xié)調(diào)性有利于糧食綜合生產(chǎn)能力的提高。糧食生產(chǎn)系統(tǒng)的影響因素分糧食生產(chǎn)系統(tǒng)受科技進步、自然環(huán)境、經(jīng)濟環(huán)境、政治環(huán)境、糧食生產(chǎn)結(jié)202050年代的農(nóng)業(yè)經(jīng)濟問題研究中，促使美國農(nóng)業(yè)生產(chǎn)率迅速提高和農(nóng)業(yè)產(chǎn)量迅速增加的重要原因，已經(jīng)不是土地、人口數(shù)量或資本投入的提高，而是人的能力和技術(shù)水平的提高，從而提出了人力資本概念[14]。新經(jīng)濟增長理論在研究經(jīng)濟增長時，把技術(shù)進步當(dāng)作一個內(nèi)生的要素，把知識和人力資本積累看作是經(jīng)濟持續(xù)增長的源泉，通過知識積累和人力資本積累的外部效應(yīng)，全社會總體知識水平的提高所帶來的生產(chǎn)要素和規(guī)模收益遞增。文獻[15]研究了我國糧食生產(chǎn)與化肥投入之間的動態(tài)關(guān)系，結(jié)論得出主要依靠化肥為代表的生產(chǎn)要素的邊際產(chǎn)量下降，化肥施用量與我國糧食產(chǎn)量的關(guān)聯(lián)度呈波浪形變化，糧食產(chǎn)量并沒有隨著化肥的大量投入而成正相關(guān)，出現(xiàn)報酬遞減趨勢。由于勞動力、資本、土地等其它生產(chǎn)要素受邊際收益遞減規(guī)律制約，因此依靠科技進步是提高我國糧食生產(chǎn)能力關(guān)鍵途徑，它不僅可以突破生產(chǎn)要素資源的約束，而且優(yōu)化生產(chǎn)要素組合方式，形成新的生產(chǎn)要素資源結(jié)構(gòu)和配置體制，提高糧食生產(chǎn)的投入產(chǎn)出，實現(xiàn)糧食生產(chǎn)能力的可持續(xù)發(fā)展。盡管中1974-1984770萬公頃的情況下，依靠科技進步，糧食單產(chǎn)實現(xiàn)每公頃2527千克上升到3607千克，糧食總產(chǎn)量并沒有降低，反而得中國耕地面積的減少是一個不可扭轉(zhuǎn)的長期趨勢，提高糧食單產(chǎn)是提高糧食綜合生產(chǎn)能力的關(guān)鍵。依科技進步是提高糧食單產(chǎn)的根本途徑，以拖拉機為代表的農(nóng)業(yè)機械化技術(shù)，提高了勞動生產(chǎn)率，降低了農(nóng)業(yè)生產(chǎn)成本；以全球定位系統(tǒng)、地理信息系統(tǒng)和遙感技術(shù)為代表的現(xiàn)代信息技術(shù)應(yīng)用于農(nóng)業(yè)資源、環(huán)境和災(zāi)害的監(jiān)測和預(yù)報，帶來了糧食生產(chǎn)方式的根本變革，大大提高了資源利用率，其中以基因工程、細(xì)胞工程為代表的生物技術(shù)是科技進步的核心，對提高糧食單產(chǎn)具有決定性的作用。盡管其它科學(xué)技術(shù)也可以促進糧食產(chǎn)量提高，但是效果并沒722部分，使糧食品質(zhì)向著優(yōu)質(zhì)化、營養(yǎng)化的方向發(fā)展，這也是其它技術(shù)不能相比糧食生產(chǎn)的生物學(xué)特性決定了糧食生產(chǎn)系統(tǒng)與自然環(huán)境之間具有非常復(fù)雜和生產(chǎn)類型，例如，我國南方種植水稻，北方主要種植小麥、玉米、大豆和薯水資源、土地資源是最基本的自然資源，也是農(nóng)業(yè)生產(chǎn)的基本生產(chǎn)要素。300是2.8萬億立方米，人均占有2200立方米，不足世界人均水平的1/4109位。耕地每公頃平均占有水量28500立方米，也僅為世界平均水平的1/5，水資源占全國總量的81%，人口占全國總數(shù)的54.7%，耕地面積只占全國的35.9%，北方四區(qū)水資源總量只占全國總量的14.4%，耕地面積卻占全國的58.3%，從時間上看，我國水資源主要來自大氣降水，由于受季風(fēng)氣候影響，降水主要集中在夏秋季，春冬兩季降水少[16，17]。在我國干旱地區(qū)，水資源成為制約糧食生產(chǎn)的主要因素，我國每年因糧食缺水造成的糧食的減產(chǎn)達25億千克[18]。我國的水資源浪費嚴(yán)重，農(nóng)業(yè)用水效率很低，加強水資源的保護和利用，耕地是極為寶貴、難以代替的稀缺資源，是糧食生產(chǎn)的基礎(chǔ)和糧食安全的8越大。文獻[15]對我國的糧食生產(chǎn)系統(tǒng)進行了灰色動態(tài)關(guān)聯(lián)分析，研究結(jié)果表少。根據(jù)統(tǒng)計資料，1998-2003年間我國耕地面積大幅度遞減，糧食產(chǎn)量連年遞8160t200343069.5t，氣候環(huán)境直接影響糧食作物的生長，氣候一方面為糧食作物生長提供賴以氣候環(huán)境對糧食產(chǎn)量負(fù)面影響程度可以分為兩類，一類是災(zāi)害性的，例如1999-2003250億千克左右，因此提高922糧食生產(chǎn)能力是一個動態(tài)變化的過程，糧食生產(chǎn)能力的提高應(yīng)該是糧食的糧食生產(chǎn)必須遵循生態(tài)規(guī)律，過去由于糧食生產(chǎn)沒有正確遵循生態(tài)規(guī)律，農(nóng)村地區(qū)生態(tài)環(huán)境惡化和資源退化問題越來越嚴(yán)重，大量施用化肥造成土壤板降[19]。針對農(nóng)業(yè)生態(tài)環(huán)境的破壞現(xiàn)象，許多科學(xué)家提出了“生態(tài)農(nóng)業(yè)”概念，今后我國的糧食生產(chǎn)必須從長遠利益和整體利益出發(fā)，加強對自然環(huán)境的由于農(nóng)業(yè)的外部性、公共產(chǎn)品性、弱質(zhì)性和不穩(wěn)定性，依靠市場機制并不能有效解決這些問題，需要政府對農(nóng)業(yè)資源在宏觀層次上進行調(diào)節(jié)、引導(dǎo)和控制，以促進農(nóng)業(yè)經(jīng)濟總量平衡，結(jié)構(gòu)優(yōu)化，要素合理流動，保證農(nóng)業(yè)的持續(xù)、穩(wěn)定、協(xié)調(diào)發(fā)展[20，21]。政府對農(nóng)業(yè)進行宏觀調(diào)控的一般依據(jù)是國家的農(nóng)業(yè)政策，由于農(nóng)業(yè)的特殊性地位，許多國家和政府都非常重視農(nóng)業(yè)政策的制訂和實施，鄧198210月提出，農(nóng)業(yè)的發(fā)展一靠政策，二靠科學(xué)的著名論斷，把農(nóng)業(yè)政策作為發(fā)展農(nóng)業(yè)的重要組成部分。農(nóng)業(yè)政策給予糧食生產(chǎn)以宏觀戰(zhàn)略管理和指農(nóng)業(yè)政策也是提高糧食生產(chǎn)者積極性和創(chuàng)造性的有力工具，而農(nóng)民是糧食國從1978197830520t1984年的40700萬t，1985年國家采取抑制糧食生產(chǎn)政策，導(dǎo)致糧食播種面積比減少600019842820t，這也說明了國家的糧食政策與糧食產(chǎn)量的變動存在一定的關(guān)系。2090年代后期農(nóng)業(yè)基礎(chǔ)設(shè)施投資的大量增從經(jīng)濟地位上，農(nóng)業(yè)是國民經(jīng)濟的基礎(chǔ)，糧食是基礎(chǔ)的基礎(chǔ)，搞好糧食生農(nóng)民是糧食生產(chǎn)的主體，糧食我國農(nóng)民收入的主要來源，搞好糧食生產(chǎn)有利于提高農(nóng)民收入水平，有利于國民經(jīng)濟的協(xié)調(diào)發(fā)展。從經(jīng)濟組成上，糧食生產(chǎn)系統(tǒng)是社會經(jīng)濟系統(tǒng)的一個組成部分，它必然和經(jīng)濟系統(tǒng)的其它要素進行聯(lián)系，相互影響、相互制約[12-13]。例如，糧食為糧食加工和食品工業(yè)提供生產(chǎn)原料，工業(yè)也為糧食生產(chǎn)提供必須的化肥、農(nóng)藥等生產(chǎn)資料和生產(chǎn)工具。從經(jīng)濟性質(zhì)上，我國農(nóng)業(yè)經(jīng)濟性質(zhì)發(fā)生了很大的變化，已經(jīng)由過去的自然經(jīng)濟發(fā)展成為一個市場經(jīng)濟，必然市場經(jīng)濟運行內(nèi)在的價格機制、供求機制和競爭機制的影響和制約。例如，自1997年以來，受糧食市場供求關(guān)系變化的影響，糧食價格一路下跌，降低糧食生產(chǎn)者收入水平，影響糧食生產(chǎn)積極性，最終造成糧食產(chǎn)量下降。WO后，中國的糧食生產(chǎn)系統(tǒng)要受到國內(nèi)環(huán)境和國際環(huán)境的雙重影響，這不僅給糧食生產(chǎn)的發(fā)展帶來了機遇，也帶來了很大的挑戰(zhàn)，必須在保證國家糧食安全的前提下，完善糧食市場流通體系，充分發(fā)揮市場機制在糧食生產(chǎn)系統(tǒng)的作用。22農(nóng)業(yè)市場經(jīng)濟是我國農(nóng)業(yè)經(jīng)濟發(fā)展基本方向，也是在經(jīng)濟全球化經(jīng)濟條件下必然選擇。完備、高效和有序運行的市場體系是糧食生產(chǎn)系統(tǒng)發(fā)展的驅(qū)動因素，有利于糧食生產(chǎn)系統(tǒng)內(nèi)部資源合理利用和優(yōu)化配置，有利于糧食生產(chǎn)系統(tǒng)整體經(jīng)濟效益的提高，有利于加快我國的農(nóng)業(yè)現(xiàn)代化建設(shè)[18]。而我國的農(nóng)業(yè)市場發(fā)育程度低，發(fā)展和完善農(nóng)業(yè)市場經(jīng)濟是一項重要任務(wù)，今后要重點培育和發(fā)展農(nóng)村土地產(chǎn)權(quán)市場、勞動力市場、金融市場、技術(shù)市場和信息市場等在內(nèi)的農(nóng)業(yè)要素體系，建立和健全市場運行的制度和規(guī)則，提高市場環(huán)境對糧食生產(chǎn)系統(tǒng)的支持力。由于作物的單產(chǎn)不同，所以糧食生產(chǎn)結(jié)構(gòu)中不同作物種植面積會影響糧食總產(chǎn)量的變化。我國糧食作物生產(chǎn)品種結(jié)構(gòu)主要包括稻谷、小麥、玉米、大豆和薯類[12-13]，稻谷是我國第一主要糧食作物，也是我國居民消費的主要口糧，其播種面積占總播種面積的28%，總產(chǎn)量占整個糧食產(chǎn)量的39%，小麥?zhǔn)俏覈诙饕Z食作物，也是我國居民消費的主要口糧，其播種面積占總播種面積的25%22%，玉米在糧食生產(chǎn)中比重上升很快，已經(jīng)成為第三大糧食作物，其播種面積占總播種面積的23%，總產(chǎn)量占整個糧食產(chǎn)量的25%，它不僅可以作為口糧而且是優(yōu)質(zhì)的飼料用糧和多種工業(yè)原料。大豆是我國傳統(tǒng)的重要作物，在歷史上，由于谷物供給不足，在不少地方也兼作口糧、飼料和炸油。薯類是指甘薯與馬鈴薯，在糧食供應(yīng)緊張，大力發(fā)展高產(chǎn)作物時，薯類的面積和產(chǎn)量均有較快上升。近幾年趨于下降。薯類作為口糧的重要性已下降，但仍是重要的飼料、工業(yè)原料。我國稻谷、玉米的平均單產(chǎn)略高于糧食作物平均單產(chǎn)，小麥單產(chǎn)略低于糧食作物的平均單產(chǎn)。糧食生產(chǎn)品種結(jié)構(gòu)由經(jīng)濟發(fā)展水平?jīng)Q定，在經(jīng)濟發(fā)展的不同階段，居民食物消費結(jié)構(gòu)不同。我國居民的食物消費趨勢由溫飽型向質(zhì)量型轉(zhuǎn)變，改革開放前，由于經(jīng)濟發(fā)展水平不高，糧食產(chǎn)量低，居民的食物消費層次主要是溫飽型，改革開放后，隨著經(jīng)濟的發(fā)展，人民收入水平的提高，糧食產(chǎn)量的增加，居民消費層次趨向于質(zhì)量型，食物消費的主要目的是提高生活水平，講究食物的營養(yǎng)性、健康性[22。最近幾年居民的食物消費結(jié)構(gòu)變化趨勢是，口糧消費量降低，蔬菜、水果、肉類消費量在提高。因此，隨著經(jīng)濟發(fā)展和人民消費水平的提高，糧食的生產(chǎn)結(jié)構(gòu)一般會發(fā)生下述變化：第一，口糧糧食品種在糧食生產(chǎn)結(jié)構(gòu)中的比例將下降，用飼料用糧和工業(yè)用糧的糧食品種比例將上升。第二，糧食生產(chǎn)品種將向著優(yōu)質(zhì)化、營養(yǎng)化和科學(xué)化的方向發(fā)展。2.4本章小本章首先分析了糧食系統(tǒng)的內(nèi)涵及其內(nèi)部結(jié)構(gòu)特征，然后對糧食生產(chǎn)系統(tǒng)另外通過以上分析也可得出今后我國糧食生產(chǎn)發(fā)展模式：在政府宏觀調(diào)控33第3控制論用顏色的深淺來形容信息的明確程度，根據(jù)控制論的觀點，灰色系統(tǒng)是界于黑色系統(tǒng)和白色系統(tǒng)的一種系統(tǒng)，黑色系統(tǒng)是指系統(tǒng)內(nèi)部的信息對外界來說是一無所知的，只有通過它同外界的聯(lián)系加以觀測研究；白色系統(tǒng)是系統(tǒng)內(nèi)部的信息是完全充分的[23-24]?；疑到y(tǒng)內(nèi)部的信息一部分是可知的，另一部分是不可知的，系統(tǒng)的因素具有不確定性的關(guān)系。糧食生產(chǎn)系統(tǒng)是一個受多種因素制約的復(fù)雜系統(tǒng)，同時也是一個開放、動態(tài)的發(fā)展的系統(tǒng)，并不停地與外界環(huán)境進行物質(zhì)、能量和信息的交換，在現(xiàn)有的認(rèn)識水平條件下，系統(tǒng)內(nèi)部許多影響因素不明確，內(nèi)部作用機理難以識別，因此，糧食生產(chǎn)系統(tǒng)具有“既含有已知信息、又含有未知信息”的不確定灰色系統(tǒng)屬性，因此，可以將其看作是灰色系統(tǒng)，并將糧食產(chǎn)量看作此灰系統(tǒng)的行為特征量來處理，運用灰色理論的方法建立糧食產(chǎn)GM(1,1)預(yù)測模型，研究糧食系統(tǒng)的內(nèi)部變化規(guī)律，并對其進行科學(xué)預(yù)測?；疑到y(tǒng)理論認(rèn)為，盡管糧食系統(tǒng)的表象朦朧、復(fù)雜、數(shù)據(jù)雜亂無章，但是系統(tǒng)總是關(guān)聯(lián)有序、有整體功能的，表征系統(tǒng)行為特征的數(shù)據(jù)的里亂只不過是多方因素對系統(tǒng)干擾的結(jié)果，其后面必然隱含著某種聯(lián)系。GM(1,1)預(yù)測模型撇開了系統(tǒng)要素的因果關(guān)系和結(jié)構(gòu)關(guān)系以及系統(tǒng)與環(huán)境的相互關(guān)系的影響，通過糧食產(chǎn)量的原始數(shù)據(jù)的灰色生成，使里亂的原始數(shù)據(jù)中蘊涵的規(guī)律充分暴露出來，從而挖掘出系統(tǒng)的演化信息，實現(xiàn)對系統(tǒng)運行行為和演化規(guī)律的正確描述?；疑到y(tǒng)理論介現(xiàn)代科學(xué)技術(shù)在高度分化的基礎(chǔ)上高度綜合的大趨勢，導(dǎo)致了具有方法意義的系統(tǒng)科學(xué)學(xué)科群的出現(xiàn)，系統(tǒng)科學(xué)揭示了事物之間更為深刻、更為本質(zhì)的內(nèi)在聯(lián)系，大大促進了科學(xué)技術(shù)的整體化進程；許多學(xué)科內(nèi)難以解決的復(fù)雜問題隨著系統(tǒng)科學(xué)的出現(xiàn)而解決[25]。在對系統(tǒng)科學(xué)與系統(tǒng)工程的研究中，由于內(nèi)外擾動的存在和認(rèn)識水平的局限性，人們獲得的信息往往帶有某種不確定性。隨著科學(xué)的發(fā)展及系統(tǒng)理論研究的深入，人們逐漸認(rèn)識到系統(tǒng)中存在著各種不確定性因素，對含有不確定性因素的系統(tǒng)的研究，用過去的系統(tǒng)理論和方法已經(jīng)不能適應(yīng)，于是，人們把系統(tǒng)分為確定性系統(tǒng)與不確定系統(tǒng)，其中確定性系統(tǒng)是指系統(tǒng)的各因素可以用確定的量來描述的系統(tǒng)，而不確定性系統(tǒng)是指系統(tǒng)的各因素中含有不能用確定的量進行描述的系統(tǒng)[26。隨著不確定性系統(tǒng)研究的日益深入，各種系統(tǒng)不確定性系統(tǒng)理論如隨機系統(tǒng)理論、模糊系統(tǒng)、粗糙集理論、灰色系統(tǒng)理論等應(yīng)運而生。其中灰色系統(tǒng)理論，是由我國學(xué)者鄧聚龍教授在二十世紀(jì)八十年代初期創(chuàng)立的一門新興學(xué)科理等抽象系統(tǒng)，結(jié)合運用數(shù)學(xué)方法而形成的一套解決信息不完全系統(tǒng)的理論和方和關(guān)注。經(jīng)過20多年的發(fā)展，灰色系統(tǒng)理論已經(jīng)具有完整的理論體系與科學(xué)的灰色序列算將原始數(shù)據(jù)序列通過某種運算生成新的數(shù)據(jù)序列，稱為灰色序列生成。灰成新信息并揭示系統(tǒng)的動態(tài)變化規(guī)律[25]X(x(1x(2),x(n))為系統(tǒng)行為特DXD作用后的序列記為XD(x(1)d,x(2)d,...,x(n)d稱為D序列算子，稱XD為一階算子作用序列，序列算子的作用可以進行多次，相應(yīng)的，若D1，D2皆為序列算子，我們稱D1D2為二階算子?；疑蛄兴阕永奂由膳c累減生成灰色序列生成的核心，在灰色系統(tǒng)占有極其重要的地33減生成的逆運算，對累加生成起著還原作用。累加生成算子(AccumulationGenerationOperatorAGO)和累減生成算子(InverseAccumulationGenerationOperator，IAGO)是一對互逆的序列算子。1．累加生成算子X(0)x(01x(02),x(0ND為序列算子X(0D(x(01)d,x(02)d,,x(0N)d)，其kx(0)(k)dx(0)(i)，k1,2,,

(3-DX(0)的一次累加生成算子。并DrX(0)r階累加生成算子，X(0DrX(r)(x(r(1)dx(r2)d,x(rn)d，其中kkx(r)(k)x(r1)(i)，k1,2,,

(3-2X(0)x(01x(02),x(0ND為序列算子X(0D(x(0(1)d,x(02)d,,x(0N)d)，其x(0)(k)dx(0)(k)x(0)(k1)，k2,,

(3-DX(0的一次累減生成算子。并稱DrX(0r階累減生成算子，X(0DrrX(0)(rx(02),rx(03),,rx(0n，其中(r)x(0)(k)(r1)x(0)(k)(r1)x(0)(k1)，k2,,

(3-灰色建模理論和方法中，為了尋找原始數(shù)據(jù)隨時間的變化趨勢，通過對原在建模的過程中，文獻[25]認(rèn)為沖擊擾動項對數(shù)據(jù)序列的干擾是兩方面的，即可以加快數(shù)據(jù)的發(fā)展趨勢或使數(shù)據(jù)序列的振幅變大，又可以減少數(shù)據(jù)的發(fā)展趨勢或使數(shù)據(jù)序列的振幅變小。為了更好地把握事物的本質(zhì)規(guī)律，必須排除擾動項的作用，文獻[25]提出緩沖算子概念，并提出緩沖算子三公理。緩沖算子主要起緩解沖擊擾動系統(tǒng)的行為數(shù)據(jù)序列在建模預(yù)測的干擾作用。公理1(不動點公理)XDx(n)dx(n公理2(信息充分利用公理)X的每一個數(shù)據(jù)都應(yīng)該3(解析化、規(guī)范化公理)x(k)dk12,n，都可以一個統(tǒng)一的(x(1),x(2),,x(n初等解析樣式來表達。目前緩沖算子還處于初期研究階段，但這些緩沖算子已經(jīng)得到廣泛的應(yīng)用。許多緩沖算子都是在緩沖算子三公理的基礎(chǔ)上構(gòu)建出來的，文獻[25]構(gòu)造出強化緩沖算子與弱化緩沖算子，文獻[27]與文獻[28]在強化緩沖算子的基礎(chǔ)上構(gòu)造出平均強化緩沖算子、加權(quán)平均強化緩沖算子及其加權(quán)幾何平均強化緩沖算子，文獻[28]在弱化緩沖算子的基礎(chǔ)上構(gòu)造出平均強化緩沖算子、加權(quán)平均強化緩沖算子及其加權(quán)幾何平均強化緩沖算子。強化緩沖算子Xx(1x(2),x(n為系統(tǒng)行為數(shù)據(jù)序列D為序XD(x(1)d,x(2)d,...,x(n)d)，其中x(k)d

(x(k)x(k

1，k1,2,L,x(n))nk

(3-XD為強化緩沖弱化緩沖算子設(shè)Xx(1x(2),x(n為系統(tǒng)行為數(shù)據(jù)序列D為序XDx(1)dx(2)dx(n)dx(k)dx(k)x(k1)x(n)，k1,2,L,nk

(3-X為單調(diào)增長序列，單調(diào)遞減序列或振蕩序列時，則稱D為弱化緩沖算子。與定性分析相結(jié)合，強化緩沖算子可以強化系統(tǒng)行為特征數(shù)據(jù)的增長趨沖擊擾動項不僅可以強化或減弱系統(tǒng)行為特征數(shù)據(jù)的發(fā)展趨勢，其實還可趨勢轉(zhuǎn)折算子設(shè)Xx(1x(2),x(n為系統(tǒng)行為數(shù)據(jù)序列，D為序XDx(1)dx(2)dx(n)dx(k)d2x(n)x(k)，k1,2,L,

(3-XD證明 x(n)d2x(n)x(n)滿足緩沖算子的不動點原理，最新信息在轉(zhuǎn)折序列算子作用下是不變的，33QXx(k)x(k1)0，k2,3,,x(k)dx(k1)d2x(n)x(k)2x(n)x(k1)x(k)x(k1)單調(diào)增長的系統(tǒng)行為特征數(shù)據(jù)在趨勢轉(zhuǎn)折算子作用下，增長趨勢轉(zhuǎn)化為遞灰色關(guān)聯(lián)分灰色關(guān)聯(lián)是灰色系統(tǒng)的基本概念?；疑到y(tǒng)理論采用關(guān)聯(lián)度分析的方法進行系統(tǒng)分析，通過灰色關(guān)聯(lián)分析，可以使信息不完全與少數(shù)據(jù)不確定的灰系統(tǒng)因子量化、序化，從而實現(xiàn)有參考系的、有測度的整體比較[30,31]。近年來，灰色關(guān)聯(lián)分析受到人們越來越多的重視，被廣泛地應(yīng)用于不確定性系統(tǒng)中的各因素之間的關(guān)聯(lián)程度與分析?；疑P(guān)聯(lián)是事物之間的不確定關(guān)聯(lián)，或系統(tǒng)因子之間，因子對主行為之間的不確定關(guān)聯(lián)?；疑P(guān)聯(lián)分析(GreyRelationnalAnalysis，GRA)目的是定量地表對一個抽象的系統(tǒng)進行分析，首先要選準(zhǔn)反映系統(tǒng)行為特征的數(shù)據(jù)序列，X0(x0(1),x0(2),,x0Xi(xi(1),xi(2),,xi(n))，i1,2,,由于系統(tǒng)特征序列與相關(guān)因素序列所描述系統(tǒng)的角度不同，導(dǎo)致原始變量序列數(shù)據(jù)量綱不同和數(shù)量級差懸殊，為使各因素具有等級性和等權(quán)性，需要對原始數(shù)據(jù)進行消除量綱和合并數(shù)量級處理。目前處理的方法很多，如可運用式(3-8)進行初值化處理，式(3-9)進行區(qū)間化處理。iz(k)xi(k)，k1,2,,i

(3-xi(k)minxi(kz(k) ，k1,2,,n

(3- maxx(k)minx(k XiX0k點的minmin|x0(k)xi(k)|maxmax|x0(k)xi(k)(x(k),x(k)) (3- |x(k)x(k)|maxmax|x(k)x(k) 01，一般0.5，關(guān)聯(lián)系數(shù)只表示各個時刻參考序列XiX0的灰色關(guān)聯(lián)度可以表示為(

,X)

(x(k),x(k

(3-1 1

k通過比較計算出各個影響因素序列對系統(tǒng)行為特征序列關(guān)聯(lián)度的大小，從對于0X0Xi1X0Xi1X0XiXiXjXXs|s0,12,mm2}，有XiXjXjXiiXiXjX，有XiXjXjXiXXiXj}|x0(kxi(k|(x0(kxi(k上述四個條件即為灰色關(guān)聯(lián)公理[23,25]。在灰色關(guān)聯(lián)公理中，規(guī)范性表明系33是對關(guān)聯(lián)度量化的約束。國內(nèi)外學(xué)者在灰色關(guān)聯(lián)分析的基礎(chǔ)上提出了面積關(guān)聯(lián)GM11模型建模機灰色系統(tǒng)理論將任何隨機過程看作是在一定時空區(qū)域內(nèi)變化的灰色過程，化規(guī)律，同時利用離散數(shù)據(jù)序列建立相似的微分方程模型。灰色GM(1,1)模型是4個以上的系統(tǒng)行X(0)(x(01x(02),Lx(0n))X(1X(01-AGO序列Z(1X(1緊鄰均值生成序列，其z(1k)0.5(x(1kx(1k1kx(0)(k)az(1)(k)

n(3-為GM(1,1)a為發(fā)展系數(shù)，反映原始序列和累加序列b為灰色作用量，它反映了數(shù)據(jù)間的變化關(guān)系，令x(0) z(1) x(0)(3) Y

B

M

x(0)

z EYB$SETE(YB$)T(YYTYYTBTYBT通過對向量SBTYBTY2BTB$0(BTB)1GM(1,1)

(3-(3-(1)

)

ba

a(k

b，k1,2,L,a

(3- (0)

(k1)(1)

(k1)(1)

(k)，k1,

,n

(3-通過上面的分析可以看到，GM(1,1)模型的本質(zhì)是通過對原始數(shù)據(jù)序列的累加生成，弱化隨機因素的影響，發(fā)現(xiàn)其指數(shù)規(guī)律，然后用指數(shù)曲線進行模型擬合，用最小二乘法求解模型參數(shù)，因此，GM(1,1)模型預(yù)測是擬合數(shù)據(jù)發(fā)展趨勢的外推，預(yù)測數(shù)據(jù)的發(fā)展趨勢與擬合數(shù)據(jù)序列的變化趨勢具有一致性。GM11模型檢GM(1,1)模型可以采用關(guān)聯(lián)度檢驗，后驗差檢驗與平均相對誤差檢驗。一般情況下，GM(1,1)模型檢驗可采用平均相對誤差檢驗法，根據(jù)預(yù)測模型計算(1)

(1)

(i(0)

(i

(i(0)

(i

(i)

x(0)(i)(0)x(0)1

(i)100%，i1,2,L,n

(3-nMAPE |(i)n

(3-通常比較平均相對誤差的大小來評價GM(1,1)模型的質(zhì)量，平均相對誤差小于歷史數(shù)據(jù)所建立的GM(1,1)模型將不能對系統(tǒng)的未來行為特征值給予準(zhǔn)確的預(yù)灰色系統(tǒng)理論在糧食產(chǎn)量預(yù)測中的應(yīng)在對GM(1,1)模型建模機理分析的基礎(chǔ)上，針對糧食生產(chǎn)系統(tǒng)的不確定性特33GM(1,1)模型參數(shù)是通過對原始數(shù)據(jù)的整理計算出來的，選取不同長度的數(shù)據(jù)序列，所計算出來的模型參數(shù)也不相同，因此系統(tǒng)未來行為特征的預(yù)測與數(shù)據(jù)序列長度存在一定的關(guān)系，只要數(shù)據(jù)序列長度n4，灰色預(yù)測模型就滿足非唯一性，因此可以從模型集合中選擇最優(yōu)GM(1,1)預(yù)測模型。3-11985-2005Tab.3-1ThegrainproductionofChinaduring1985- 1234567892004-3-2Tab.3-2Theaveragerelativeerrorofdifferent模型平均相對誤差/%11985-21986-31987-41988-51989-61990-71991-81992-91993-1994-1995-1996-1997-91998-81999-72000-62001-52002-4考慮到過早的統(tǒng)計數(shù)據(jù)不能反映糧食生產(chǎn)的現(xiàn)在特征，選取中國糧食產(chǎn)量1985-2005年的數(shù)據(jù)作為樣本數(shù)據(jù)，如表3-1所示。樣本數(shù)據(jù)序列長度n21，可以表示X(0)(x(1),x(2),x(3),,x(21))，根據(jù)灰色建模數(shù)據(jù)序列長n4的18種不同年份區(qū)間的數(shù)據(jù)組成的序列集合，可以表示為F(x(1),x(2),x(3),,x(21)),(x(2),x(3),,x(21),,(x(18),x(19),x(20),根據(jù)原始數(shù)據(jù)序列集合，可以建立18個灰色預(yù)測模型，并構(gòu)成灰色預(yù)測模從而在預(yù)測模型集合中選取最優(yōu)模型。理論上，最優(yōu)預(yù)測模型不僅要求具MATLAB7.0語言編輯程序，3-2所示543543210序列長95平均相對誤差3-1Fig.3-1Therelationshipcurvebetweenaveragerelativeerrorandsequence從表3-2可以看出，不同預(yù)測模型的平均相對誤差基本上不相同，GM(1,1)模型平均相對誤差的最大值是4.69%，最小值是0.93%。從圖3-1可以看出GM(1,1)n的減少總體上呈遞減性趨勢，即序列長度n越大，則對應(yīng)模型的平均相對誤差越大，對原始數(shù)據(jù)的擬合精度越低，如當(dāng)序列長度n依次取212019時，所對應(yīng)模型的平均相對誤差分別為4.69%，4.58%，4.51%；序列長度n33 產(chǎn)量/萬 產(chǎn)量/萬3-2Fig.3-2ThecomparisonbetweenfitcurveofGM(1,1)Modelandactualmeasurement其次從表3-2與圖3-1還可以看出，當(dāng)序列長度n從21變化到13時，模型的平均相對誤差從4.69%遞減到4.29%；當(dāng)序列長度n從12變化到4時，模型的平均相對誤差從3.84%遞減到0.93%。如果把序列長度n12的序列視為長數(shù)據(jù)序列，序列長度n12的序列視為短數(shù)據(jù)序列，相比之下，長數(shù)據(jù)序列模型的平均相對誤差遞減速度比較小，而短數(shù)據(jù)序列模型的平均相對誤差遞減速度比較大。表明長數(shù)據(jù)序列模型雖然沒有短數(shù)據(jù)序列擬合精度高，但是比短數(shù)據(jù)序列模型具有穩(wěn)定性，系統(tǒng)抗外部干擾能力強，因此更能夠反映系統(tǒng)的長期變化趨勢及其運動規(guī)律，可以為糧食生產(chǎn)系統(tǒng)的未來發(fā)展趨勢分析提供決策參考。在預(yù)測精度要求不高的情況下，可以選取長數(shù)據(jù)序列模型作為糧食產(chǎn)量的長期趨勢性預(yù)測。在長序列預(yù)測模型集合中，M(4),)與M(5),)的平均相對誤差相對較小，分別為4.19%與4.10%，通過計算兩模型對最新信息2005年數(shù)據(jù)的擬合誤差，發(fā)現(xiàn)前者的擬合誤差比后者小，因此可以選取M(4),)作為長數(shù)據(jù)序列模型集合的最優(yōu)預(yù)測模型。將1988-2005年的數(shù)據(jù)與M(4),)模型的擬合值繪成圖3-2。從圖3-2可以看到，長數(shù)據(jù)序列模型不能體現(xiàn)系統(tǒng)的波動性特征，但是能夠很好描述糧食系統(tǒng)長期發(fā)展趨勢特征。從糧食生產(chǎn)系統(tǒng)的靜態(tài)建?？紤]，根據(jù)模型平均相對誤差較小原則，從預(yù)測模型集合中選擇最優(yōu)預(yù)測模型。在預(yù)測模型集合中GM(18)(1,1)模型的平均相對誤差最小，模型的序列長度n4，可以選擇根據(jù)2002-2005年的數(shù)據(jù)建立的3-3所示。在糧食產(chǎn)量的灰色預(yù)測過程中，收集的數(shù)據(jù)有時因為系統(tǒng)受到某種沖擊而失真，即系統(tǒng)行為數(shù)據(jù)序列未能確切地反映系統(tǒng)的真實變化規(guī)律，如果不排除沖擊干擾，而用已失真的數(shù)據(jù)直接建模、預(yù)測，則得到的定性預(yù)測結(jié)果很可能與人們直觀的定性分析結(jié)果大相徑庭，從而使預(yù)測結(jié)果難以置信。在糧食產(chǎn)量的灰色建模過程中，可以先采取下面的灰色序列生成方式作用于原始數(shù)據(jù)或原始數(shù)據(jù)序列[33-36]，從而排除沖擊擾動對系統(tǒng)的干擾，還數(shù)據(jù)以本來面目，提高模型的預(yù)測精度。如果系統(tǒng)行為特征數(shù)據(jù)在某個時點上發(fā)生突變而形成特別異常數(shù)據(jù)，也就是嚴(yán)重擾動系統(tǒng)的數(shù)據(jù)，如果剔除嚴(yán)重擾動數(shù)據(jù)就會留下空穴，因此必須要填補空穴，在序列的起點或終點為空缺時，一般可以通過級比生成或光滑比生成填補空穴，而置于起點或終點之間的數(shù)據(jù)，也可以采用緊鄰均值生成的方式填補孔穴。如果系統(tǒng)行為特征數(shù)據(jù)發(fā)展趨勢比原始數(shù)據(jù)序列趨勢加快，可以引入強化緩沖算子，并作用于原始數(shù)據(jù)序列。對于單調(diào)增長的序列，在強化緩沖算子作用下，數(shù)據(jù)萎縮，強化緩沖算子作用序列的增長速度比原始序列的增長速度增快；對于單調(diào)遞減序列，在強化緩沖算子作用下，數(shù)據(jù)膨脹，強化緩沖算子作用序列的遞減速度比原始序列的遞減速度加快。如果系統(tǒng)行為特征數(shù)據(jù)發(fā)展趨勢比原始數(shù)據(jù)序列趨勢減少，可以引入弱化緩沖算子，并作用于原始數(shù)據(jù)序列。對于單調(diào)增長序列，在弱化緩沖算子作用下，數(shù)據(jù)膨脹，弱化緩沖算子作用序列的增長速度比原始數(shù)據(jù)序列的增長速度減慢；對于單調(diào)遞減序列，在弱化緩沖算子作用下，數(shù)據(jù)萎縮，弱化緩沖算子作用序列的遞減速度比原始數(shù)據(jù)序列的遞減速度減緩。如果系統(tǒng)行為特征數(shù)據(jù)的發(fā)展趨勢與原始數(shù)據(jù)序列趨勢相比發(fā)生了轉(zhuǎn)在建模中對系統(tǒng)原始數(shù)據(jù)或原始數(shù)據(jù)序列做出有選擇的生成變換，將系統(tǒng)33的定性分析信息融入到GM(1,1)模型，稱這種模型為嵌入知識的GM(1,1)模型。嵌入知識的GM(1,1)模型通過定性分析與GM(1,1)模型相結(jié)合，使預(yù)測模型吸收在中國糧食產(chǎn)量最優(yōu)灰色模型預(yù)測過程中，雖然模型對2002-2005年的數(shù)到耕地總量及其科技水平的制約，在未來年份難以保持持續(xù)的高增長速度，因果與定性分析不一致。其主要原因是2003年的數(shù)據(jù)已經(jīng)嚴(yán)重擾動了系統(tǒng)，已經(jīng)統(tǒng)外部干擾能力弱，導(dǎo)致預(yù)測結(jié)果與定性分析有很大的差距，因此，可以視200320022004年的數(shù)據(jù)均值生成替換異常數(shù)據(jù)，從而生成序列Y(0)。根據(jù)序列Y(0)建立灰色預(yù)測模3-4所示。3-3Tab.3-3PredictionresultanalysisoftheoptimumGM(1,1)序號 年

Y(0k)

Y(0)(k)

相對誤差/% (k)

(k1002--34-模型方 (1) x(k1) 3-4Tab.3-4PredictionresultanalysisoftheoptimumGM(1,1)modelembedded序號 年

Y(0k)

Y(0)(k)

相對誤差/% (k)

(k1002--34--模型方 (1) x(k1) 通過計算分析，嵌入知識的最優(yōu)預(yù)測模型的平均相對誤差為0.28%模型的平均相對誤差0.93%。實例表明，嵌入知識的最優(yōu)預(yù)測模型不僅比最優(yōu)預(yù)測模型有更高的擬合精度，而且擬合數(shù)據(jù)增長趨勢符合糧食生產(chǎn)的發(fā)展趨勢特43-5所示。3-52006-2009Tab.3-5TheforecastingvaluesofgrainproductionofChinaduring2006-糧食產(chǎn)量最近幾年來黨和政府尤其重視糧食安全，積極采取有效措施保護糧食生的基礎(chǔ)，從糧食產(chǎn)量的灰色預(yù)測模型預(yù)測結(jié)果來看，我國糧食產(chǎn)量發(fā)展趨勢良2008年基本上可以恢復(fù)到歷史的最高水平。糧食生產(chǎn)系統(tǒng)是一個動態(tài)發(fā)展的系統(tǒng)，在糧食產(chǎn)量的未來預(yù)測過程中，隨GM(1,1)模型，這樣建立的模型更能反映系統(tǒng)的發(fā)展變化趨勢。1設(shè)原始序列為X(0)(xx(,,x(n，經(jīng)過1-AGO生成新序列X)后建立GM(1,1)模型，如果獲得n1時刻實際觀測數(shù)據(jù)，便去掉老信息x)的同時加入新信息x(n)，構(gòu)成新的等維動態(tài)序列X(0)(x(,x),,x(nx(n，建立新的GM(1,1)模型，這種采取增加一個新信息數(shù)據(jù)，去掉老數(shù)據(jù)，而序列長度保持不變，稱這種模型為等維新息灰色預(yù)測模型。1根據(jù)糧食產(chǎn)量1985-2005n4X(0)(x(kx(k1x(k2)x(k3))，建立等維新息灰色預(yù)測模型，并分別對1989-2005年的糧食產(chǎn)量進行預(yù)測，運用MATLAB7.03-3所示。3-23-3的實測數(shù)據(jù)曲線可以看出，我國糧食生產(chǎn)發(fā)展呈長期的增333-2產(chǎn)量/萬3-3等維新息動態(tài)GM(1,1)Fig.3-3ThecomparisonbetweenpredictioncurveofnewinformationdynamicGM(1,1)Modelandactualmeasurementcurve等維新息灰色模型在引入系統(tǒng)的最新信息，去掉老信息同時，不僅能夠反析技術(shù)，及時將定性分析的信息融入到每個GM(1,1)模型，建立嵌入知識的等維如根據(jù)1996-1999X(0)(50453.549417.151229.550838.61灰色預(yù)測模型的擬合數(shù)據(jù)呈增長趨勢，而1999年以后由于耕地面積的持續(xù)減X(0變換成單調(diào)遞減序列。首先將1997年的數(shù)據(jù)采用緊鄰均值生成替換X(0)(50453.550842.051229.550838.6)，然后將趨勢轉(zhuǎn)折算子作用于1X(0的前三個數(shù)x(0(1)x(02x(03，得序 2X(0)(52005.5,51617.0,51229.5,22X(02000年的中國糧食產(chǎn)量的預(yù)測結(jié)果(見表3-6)。預(yù)測結(jié)果表明，嵌入知識的灰色預(yù)測模型的預(yù)測精度要高于23-6Tab.3-6Thecontrasttableofforecastingresultsoftwo序 GM(1,1)模

(5) 相對誤差/％XXX2

(k1)3538336.9e0.014k(k1)6820131.8e0.0076k

本章小本章從時間序列特征角度尋找糧食生產(chǎn)系統(tǒng)的變化規(guī)律，在介紹灰色系統(tǒng)2006-2009年份的糧食產(chǎn)量給予預(yù)測，立新息動態(tài)GM(1,1)模型，預(yù)測結(jié)果表明，新息動態(tài)GM(1,1)模型不僅有助于提高預(yù)測精度，而且能夠反映糧食產(chǎn)量的波動變化趨勢，克服了傳統(tǒng)GM(1,1)模型只適合預(yù)測單調(diào)遞增或遞減時間序列的局限性，同時對動態(tài)GM(1,1)模型進一步44第4糧食生產(chǎn)是自然環(huán)境、經(jīng)濟條件、科技因素等多種因素綜合作用的結(jié)果，糧食生產(chǎn)與眾多的影響因素之間是一種復(fù)雜的非線性、不確定性關(guān)系，很難用確定的數(shù)學(xué)模型去描述。傳統(tǒng)的預(yù)測方法是建立多元線性回歸預(yù)測模型，但是這種模型因為線性假設(shè)、預(yù)測的精確度及檢驗問題受到很大的限制[8]。近幾年來，人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)因其強大的并行處理能力、任意函數(shù)逼近以及自學(xué)習(xí)、自組織、自適應(yīng)等特點已經(jīng)在糧食產(chǎn)量預(yù)測得到應(yīng)用，與傳統(tǒng)的預(yù)測方法相比，采用神經(jīng)網(wǎng)絡(luò)建模不需要知道自變量與因變量的之間的關(guān)系，通過對樣本的學(xué)習(xí)就可以獲得自變量與因變量的復(fù)雜的非線性映射關(guān)系，克服了建立模型和參數(shù)估計的困難，但是神經(jīng)網(wǎng)絡(luò)是一種基于大樣本的學(xué)習(xí)方法，因而在小樣本情況下，容易出現(xiàn)過學(xué)習(xí)現(xiàn)象從而導(dǎo)致低的泛化能力；另外神經(jīng)網(wǎng)絡(luò)存在收斂速度慢，結(jié)構(gòu)選擇及其局部極小值問題，同時受網(wǎng)絡(luò)復(fù)雜結(jié)構(gòu)和樣本復(fù)雜性的影響較大[37，因而在實際應(yīng)用過程中具有很大的局限性。統(tǒng)計學(xué)習(xí)理論是一門專門研究小樣本情況下機器學(xué)習(xí)規(guī)律的理論，支持向量機是在這一理論基礎(chǔ)上發(fā)展起來的新型學(xué)習(xí)方法，目前已經(jīng)成為人工智能領(lǐng)域研究的最新熱點[38,39]。支持向量機具有完備的統(tǒng)計學(xué)習(xí)理論基礎(chǔ)和出色的學(xué)習(xí)性能，較好地解決神經(jīng)網(wǎng)絡(luò)的小樣本、高維數(shù)、局部極小點等問題，被認(rèn)為是神經(jīng)網(wǎng)絡(luò)的替代方法，目前已經(jīng)廣泛用于在模式識別、函數(shù)逼近、信號處理等方面。因此可以將支持向量機方法應(yīng)用于糧食產(chǎn)量的預(yù)測研究，通過向有限樣本學(xué)習(xí)找到、發(fā)現(xiàn)隱含在訓(xùn)練樣本背后的規(guī)律，建立反映糧食產(chǎn)量與影響因素的非線性關(guān)系的支持向量機回歸模型。統(tǒng)計學(xué)習(xí)理機器學(xué)習(xí)理論主要研究從觀測數(shù)據(jù)尋找未知規(guī)律，并利用這些規(guī)律對未來與傳統(tǒng)的統(tǒng)計學(xué)相比，統(tǒng)計學(xué)習(xí)理論(StatisticalLearningTheory，SLT)是一門專門研究小樣本機器學(xué)習(xí)的理論，Vapnic等人從六、七十年代開始致力于此(SupportVectorMachine,SVM)是在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上發(fā)展起來的一種支持VC維理論和結(jié)構(gòu)風(fēng)險最一些學(xué)者認(rèn)為，SLTSVM正在成為繼神經(jīng)網(wǎng)絡(luò)研究之后新的熱點，并將有力機器學(xué)習(xí)的目的是根據(jù)給定樣本數(shù)據(jù)，構(gòu)造損失函數(shù)對系統(tǒng)輸出輸入之間已知變量y與x存在一定的未知依賴關(guān)系，即存在一個未知的聯(lián)合概率密度函數(shù)p(x,y，機器學(xué)習(xí)問題就是根據(jù)給定下面的l個獨立的樣本。(x1,y1),L(x,y),xR,y Sf(xwwf(xw0yx之間的依R(f)L(y,f(x,w))p(x,

(4-Ly,f(xwf(xwy進行預(yù)測所造成的損失。不同類型的學(xué)習(xí)問題L(y,f(x,w))(yf(x,

(4-學(xué)習(xí)的目標(biāo)在于期望風(fēng)險最小化，由于期望風(fēng)險式是預(yù)測函數(shù)在整個樣本傳統(tǒng)的學(xué)習(xí)方法采用了經(jīng)驗風(fēng)險最小化(ExperimentalRiskMinimization，ERM)1lRemp(f)L(yi,f(xi,l

(4-作為對經(jīng)期望風(fēng)險的估計，并設(shè)計學(xué)習(xí)方法使它最小化。事實上，經(jīng)驗風(fēng)44對一個指示函數(shù)集，如果存在一個有h個樣本的樣本集能夠被函數(shù)集f(x,w)2hh的樣本集打散，VC(VapnicChervonenkis)維[38,39]就是用這個函數(shù)集中的函數(shù)所能h(ln(2l/h)1)ln(/lVapnic和Chervonenkis提出了結(jié)構(gòu)風(fēng)險最小化原則，為小樣本統(tǒng)計理論奠定了基礎(chǔ)，研究經(jīng)驗風(fēng)Remp(fh(ln(2l/h)1)ln(/lR(f)

(f) (4-其中l(wèi)h是函數(shù)集的VC維，VC維反映了函數(shù)集的學(xué)習(xí)能力，VC維越大則學(xué)習(xí)機器越復(fù)雜。這一結(jié)論從理論上說明了學(xué)習(xí)機器的實際風(fēng)險是R(f)Remp(f)(l/

(4-其中p(f)為訓(xùn)練樣本的經(jīng)驗風(fēng)險，l/h)為置信范圍，它是學(xué)習(xí)機器的VC維和訓(xùn)練樣本數(shù)的函數(shù)，l/h)與樣本數(shù)和函數(shù)的比值成反比。從上式可以看出，樣本點數(shù)目較多，lh較大，置信范圍較小，則實際風(fēng)險主要有經(jīng)驗風(fēng)險決定，經(jīng)驗風(fēng)險的最優(yōu)解就接近實際的最優(yōu)解，如果樣本數(shù)目有限，lh較小，置信范圍較大，用經(jīng)驗風(fēng)險去近似真實風(fēng)險就有較大的誤差，用經(jīng)驗風(fēng)險最小化的最優(yōu)解可能具有較差的推廣性。在給定的有限樣本數(shù)目l情況下，樣本的VC維h越高，則置信范圍越大，導(dǎo)致真實的實際風(fēng)險和經(jīng)驗風(fēng)險之間的差別越大。機器學(xué)習(xí)不僅要控制經(jīng)驗風(fēng)險最下，而且還要VC維盡量小，以縮小置信范圍，才能取得到最小的實際風(fēng)險，從而對未來有很高的推廣性。因此，ERM準(zhǔn)則在樣本有限時是不合理的，需要同時最小化經(jīng)驗風(fēng)險和置信范圍。統(tǒng)計學(xué)習(xí)理論提出一種新的策略，即把函數(shù)集分解為一個函數(shù)子集序列，使各個子集按照VC維的大小排列，在每個子集中尋找最小經(jīng)驗風(fēng)險，在子集間折中考慮經(jīng)驗風(fēng)險和置信范圍，取得實際風(fēng)險最小，這種思想稱為結(jié)構(gòu)風(fēng)險最小準(zhǔn)則(tructuralRiskMiniization，SRM）。支持向量機分類算支持向量機是統(tǒng)計學(xué)習(xí)理論最年輕的內(nèi)容，也是最實用的部分，目前仍處在不斷發(fā)展的階段[40,41]。支持向量機在樣本分類過程中，能夠得到現(xiàn)有信息下的最優(yōu)解，而不是樣本趨于無窮大的最優(yōu)解，在樣本少的情況下也具有良好的分類推廣能力。支持向量機算法是從線性可分情況下的最優(yōu)分類面發(fā)展起來的，其基本思想可以從圖4-1來說明，圈點和方點分別代表兩類樣本，這個訓(xùn)練樣本集是線性可分的，即可以找到一個分類線H，使得所有的方塊位于這個分類線的一側(cè)，而所有的圓圈位于分類線的另一側(cè)，H1和H2分別為過各類中里分類線最近的樣本且平行于分類線的直線，它們時間的距離叫分類間隔。根據(jù)經(jīng)驗風(fēng)險最小化原則，可能存在無限多個分類線，而所謂最優(yōu)分類線就是要求分類線不僅能將兩類正確分開，而且使分類間隔最大。前者是保證經(jīng)驗風(fēng)險最小，而分類間隔最大實際上使推廣性的界中的置信范圍最小，從而使真實風(fēng)險最小[42-44。圖4-1的分類線就是最優(yōu)分類線，距離最優(yōu)分類線的最近的樣本向量稱為支持向量。它說明間隔最大化的最優(yōu)劃分原則不是依賴于所有點，而是由支持向量決定，在大多數(shù)情況下，支持向量的數(shù)量只占訓(xùn)練樣本集的一小部分，因此可以用支持向量集代替訓(xùn)練樣本集進行分類學(xué)習(xí)。推廣到高維，最優(yōu)分類線就變成最優(yōu)分類超平面。HH4-１最優(yōu)分類線示意圖Fig.4-1Optimumseparatingline設(shè)線性可分樣本集為(x1,

x,yxRn,y11n維空間線性判 f(xwTxbwTxb0wb是w |f(x|1，此時離分類超平面最近的樣本|f(x|1，則對所有的樣本都滿足以下 y(wTxb)1，i1,2,,

(4-可以證明[40]2/||w||，要使分類間隔最大等價于使||w||2最小，于是最優(yōu)超平面可以表示為在條件的約束化問題，求函數(shù)44(w)1||||21wT

(4- 2L(w,b,) wwi[yi(wxib)2

(4-其中，i為拉格朗日系數(shù)，將上式分別對wbi求偏微分并令它們等于 wyx，

0，[y(wT

b)1]

(4-

ii

i

1 1TmaxWi2ijyiyj(xixj

(4-l

yii0，i0，i1,

(4-這是一個不等式約束條件下二次函數(shù)求極值問題，存在唯一最優(yōu)解，若liiiw**yxiii b*可以由任意一支持向量用式y(tǒng)(wTxb1 liif(x)sgn((w*)Txb*)sgn(*yxTxlii當(dāng)訓(xùn)練樣本集為線性不可分的情況下，考慮到可能存在一些樣本不能被超平面正確分類，可以引入變量i0允許錯分，則超平面的約束條件為y(wTxb)1，i1,2,L,

(4- min(w,) ||w2

(4-滿足上式最小的超平面稱為廣義最優(yōu)超平面，廣義最優(yōu)分類超平面的對偶的具體體現(xiàn)[42-47]由于很多實際問題所涉及到的情況是非線性的，如果在原始空間中的簡單4-2所示。 K(x,x)(x)T

(4-K(xixj)xixj在其特征空間(xi)(xj)的內(nèi)積，因此在實際計算過程中，不必考慮映射函數(shù)(x)的具體形式，只4-2Fig.4-2Sketchofnonlinearmappingfromsamplespacetocharacteristic 根據(jù)泛函分析理論，只要滿Mercer定理條件的函數(shù)都可以作為核函數(shù)。

K(x,x)(xT

r)d，r

K(x,xi)

x

/2神經(jīng)網(wǎng)絡(luò)核函數(shù)K(xxtanh(k(xTxk 用核函數(shù)代替最優(yōu)分類面的點積，就相當(dāng)于把原特征空間變換到某一新的44 f(x)sgn(*y((x)T(x))b*)sgn(*yK(

(4- SVMSVM分類問題。上式4-3所示。支持向量機網(wǎng)絡(luò)中間節(jié)點個數(shù)是由算yy12sK(x,K(x2,1K(x,s4-3Fig.4-3Sketchofsupportvector通過對支持向量機的分類算法分析可以看到，支持向量機是一種基于結(jié)構(gòu)支持向量機回歸算 給定l(x1

xyxRnyR，在函數(shù)集中尋求一個最優(yōu)函數(shù)f(x)對輸入向量x與輸出值y之間的函數(shù)關(guān)系進行估計，如果所得函數(shù)關(guān)系是線性函數(shù)，則稱為線性回歸，可以表示為f(x)wTxb，否則稱為非線性回歸。對于非線性回歸問題，SVM的基本思想是首先使用一個非線性映射(x)將數(shù)據(jù)映射到一個高維特征空間，然后在高維特征空間進行線性回歸，最后映射到原空間就完成了輸入空間的線性回歸，可以表示為f(x)T(x)b。支持向量機回歸問題與分類問題不同的是，支持向量機回歸的樣本點只有一類，所尋求的最優(yōu)超平面不是使兩類樣本的間隔最大化，而是使所有樣本點里超平面的總偏差最小[48-50]。

[f]

w212112

[f

(4-2lRregfRempfLyi,f(xiw為經(jīng)驗風(fēng)險，wl控制模型的復(fù)雜度參數(shù)，C為可調(diào)參數(shù),它能夠在經(jīng)驗風(fēng)險和模型復(fù)雜度之間進行調(diào)節(jié)以便使所求的函數(shù)具有較好的泛化能力，經(jīng)驗風(fēng)險是通過損失函數(shù)來度量的。支持向量機的損失函數(shù)通常采用不敏感損失函數(shù)，其定義為：L(y,f(x,w))0,|f(xi)yi|

(4- |f(xi)yi|

4-4-不敏感損失函數(shù)Fig.4-4-insensitivefunction不敏感損失函數(shù)的含義是當(dāng)函數(shù)的估計值與實際值的誤差小于或等于時，可以認(rèn)為誤差為零忽略不計；當(dāng)兩者的誤差大于時，定義誤差值等于實際誤差減去，如圖4-4所示。則基于不敏感損失函數(shù)，尋求最優(yōu)回歸超平面問(w,,*)

12 12

(4-ll

44

ywT(x)b

，i1,,

(4- wT(x)by*，i1,,

(4- ,*0，i1,,

(4-其中* 上或決策邊界內(nèi)部的樣本點，其對應(yīng)的與* ill點，其對應(yīng)的與*分別大于零。illL(w,b,***

2

*

, ,

1212

( i

i

(xi

(4- ii ii L分別對wb* w

*)(x)，

*)0，C

i

0，C**0(4-lllW(,*)1(*)(*)((x)T(x))y(*)(*)(4-lll

j

ll

*)0，0

C，0*C，i

(4-iiii f(x)(*)(x)T(x)b(*)K(x,x)

(4- 根據(jù)庫恩塔克(Karush-Kuhn-Tuck，KKT)iiyif(xi)0，i1,,

(4-

i1,,

(4- (Ci)i (C*)*

，i1,,，i1,,

(4-(4- 通過分析可以得出位于決策邊界內(nèi)的樣本點其對應(yīng)的0,*0

C,*0或

0,*C

(0C),*0或

0,*(0C)，因此樣本在決策邊界內(nèi)部的 樣本點* 策邊界外的樣本*0 上的樣本點求出的blby(*)K(x,x (0,C),*

(4- lby(*)K(x,x 0,*(0, (4-l 通常對所有決策邊界上的樣本分別計算bSuykens和Vandewalle于1999年提出最小二乘支持向量機(LeastSquareSupportVectorMachine,LS-SVM)方法。LS-SVMSVM的一種擴展，其定SVM不同的損失函數(shù)，并將其不等式約束改為等式約束。1 lRemp(f)[yif(xilLS-SVM

(4-(w,)

i122122w2

(4-正實數(shù)為可調(diào)參數(shù)，它能夠在經(jīng)驗風(fēng)險和模型復(fù)雜度之間進行調(diào)節(jié)以便使ywT(x)b

i1,,

(4- 通過其對偶形式可以求出目標(biāo)函數(shù)最優(yōu)解，根據(jù)目標(biāo)函數(shù)和約束條件，定12 12L(w,b,,)

22

i(w(xi)biyi

(4-對各參數(shù)求偏導(dǎo)數(shù)并令其等于零，通過整理最后求解的優(yōu)化問題可以轉(zhuǎn)化 b 0

(4-I為矩陣，其定義

ij

，其中(x)T(x ,,,)T；11,1,,1)Tyyy,y 根據(jù)上面推導(dǎo)得出，LS-SVMllf(x)iK(xi,x)

(4-44標(biāo)準(zhǔn)支持向量機和最小二乘支持向量機在利用結(jié)構(gòu)風(fēng)險最小化的同時，在支持向量機在糧食產(chǎn)量預(yù)測中的應(yīng)糧食產(chǎn)量與其眾多影響因素存在著灰色性、不確定性和非線性的特點，因低。由于糧食生產(chǎn)系統(tǒng)受眾多不確定因素的影響，難于確定影響系統(tǒng)的主要因量作為輸出向量，利用SVM對輸入和輸出數(shù)據(jù)進行訓(xùn)練學(xué)習(xí)，逼近歷史數(shù)據(jù)所由論文第二章的糧食生產(chǎn)系統(tǒng)分析可知道，科技進步、自然環(huán)境、經(jīng)濟環(huán)用量、成災(zāi)面積、用電量等代表性的主要指標(biāo)構(gòu)成預(yù)測指標(biāo)體系，其中機械動1985-2005年的糧食產(chǎn)量、播種面積、機械動力、灌溉面積、化肥用量、成災(zāi)面積、用電量的統(tǒng)計數(shù)據(jù)(見表4-1)作為總樣本，并將總樣本分為兩部分：1985-200218個樣本作為擬合訓(xùn)練樣本，2003-200534-11985-2005Tab.4-1Thestatisticaldataofgrainproductionandaffectingfactorsduring1985-年 糧食產(chǎn)(((((((2002-糧食產(chǎn)量受播種面積、機械動力、灌溉面積、化肥用量、用電量及其成災(zāi)19852002年的糧食生產(chǎn)的統(tǒng)計數(shù)據(jù)，選取糧食產(chǎn)量Y序列，選取糧食播種面積X1、機械動力X2、灌溉面積X3、化肥用量X4、成災(zāi)面積X5、用電量X6作為系統(tǒng)影響因素序列，建立系統(tǒng)特征序列與系統(tǒng)影響因素的灰色關(guān)聯(lián)分析模型。首先根據(jù)式(3-8)對系統(tǒng)特征序列和系統(tǒng)影響因素序列進行歸一化處理，并根據(jù)式(3-10)與式(3-11)444-24-21985-2002Tab.4-2Greycorrelationofgrainproductionandaffectingfactorsduring1985-XXXXX3415264-2可以看出，耕地面積、機械動力、灌溉面積、化肥用量和成災(zāi)面積與糧食產(chǎn)量的關(guān)聯(lián)度都在0.8以上，而用電量對糧食產(chǎn)量的關(guān)聯(lián)度不到0.7，因經(jīng)過灰色關(guān)聯(lián)分析模型的定量分析，確定出耕地面積、機械動力、灌溉面高模型的學(xué)習(xí)速度和預(yù)測精度，分別對樣本的輸入向量和輸出向量用式(3-9)進糧食產(chǎn)量與其影響因子的相互作用關(guān)系的預(yù)測問題可以看作是一個非線性yF(x1,x2,,xm)其中1,2,,m為支持向量機回歸模型的輸入向量，y為所對應(yīng)的輸出向量，t為擾動項。支持向量機與神經(jīng)網(wǎng)絡(luò)一樣，具有較高精度的函數(shù)逼近能力，建模不需要知道自變量與因變量的之間的關(guān)系，即不需要求出函數(shù)的具體表達式，僅通過對樣本的學(xué)習(xí)就可以獲得自變量與因變量的復(fù)雜的非線性映射關(guān)系。按照表4-3可以得到支持向量機回歸模型的輸入向量與輸出向量。4-3Tab.4-3Structureoftheinputvectorsandoutput12x1(2),x2(2),x3(2),x4(2),x5Mmx1(m),x2(m),x3(m),x4(m),x5首先進行核函數(shù)選取，基于徑向基核函數(shù)只含一個參數(shù)易于優(yōu)化的優(yōu)點，3個未知參數(shù)，它們分別是核函數(shù)中的參數(shù)，損失函數(shù)中的參數(shù)，目標(biāo)函數(shù)中的正則化參數(shù)C。其中參數(shù)也稱為寬度系數(shù)，寬度系數(shù)影響著樣本數(shù)據(jù)在高維空間中分布的模型容易產(chǎn)生欠擬合現(xiàn)象；參數(shù)控制著擬合管道的寬度大小，影響支持向量的數(shù)量，通常情況下值越大，樣本的支持向量越少，參數(shù)過小時，可能導(dǎo)致模型過擬合，參數(shù)過大時，則模型可能欠擬合；參數(shù)CVC44平衡，C值越大對樣本數(shù)據(jù)的擬合精度就越高，隨著C值的增大，樣本的擬合精度和預(yù)測精度都會提高，當(dāng)C增大到一定程度時，擬合精度趨于穩(wěn)定，當(dāng)C過大時容易出現(xiàn)過擬合現(xiàn)象，樣本的預(yù)測精度反而降低。參數(shù)的選擇直接影響模型的擬合精度和預(yù)測精度，如何優(yōu)化參數(shù)使建立的MATLAB7.0編輯程序?qū)?shù)據(jù)計算分析，在模型中通過大量參數(shù)的試驗選擇后，確定模型參數(shù)分別為C200010.001并2003-2005LS-SVM回歸模型進行預(yù)測分析，LS-SVM模型參數(shù)分別為20001。4-4SVMLS-SVMTab.4-4FittingresultsoftheSVMmodelandLS-SVMmodelduring1985-擬合值擬合值擬合值擬合值-------------------

相對誤差/％ LS-

相對誤差/％平均相對誤差 4-44-4的統(tǒng)計數(shù)據(jù)，可SVM0.035%，平均相對誤差為0.03%；利用LS-SVM模型，糧食產(chǎn)量擬合的最大相對誤差為0.31%0.11%SVMLS-SVM模型均對樣本具4-54-5的計算數(shù)據(jù)，可以得出如下結(jié)論，利用SVM模型，糧食產(chǎn)量預(yù)測的最大相對誤差為1.35%，平均相對誤差為0.52%；利用LS-SVM模型，糧食產(chǎn)量預(yù)測的最大相對誤差為0.82%0.64%SVMLS-SVM均對樣本具有良好的外推預(yù)測效果。另外2002-2005年的糧食產(chǎn)量表現(xiàn)出先下降后上升趨勢，而支4-5SVMLS-SVMTab.4-5PredictiveresultsoftheSVMmodelandLS-SVMmodelduring2003- 年 實際值/萬

相對誤差/％ LS-

相對誤差/％ -