以江淮水稻产量与气象因子关联为例的BP神经网络方法分析
目 录
1 引言 1
2 材料与方法 2
2.1 实验地点与品种...2
2.2 试验设计 ...3
2.3 试验方法 ... ... ....3
3 人工神经网络概述..3
3.1 BP神经网经网络简介 ...4
3.2 BP神经网络缺点... .....5
3.3 新的改进算法... ..6
4 遗传算法与神经网络 ... 6
4.1 遗传算法概述 6
5.1 水稻产量与气象因子的关系 ...9
5 水稻产量影响因素 .. ...10
4.3 神经网络在农业中的应用 .10
6 本研究的方法、内容、意义 ........11
7 基于Matlab的神经网络建模 ...12
7.2 BP网络模型的训练 13
8 性状分析..19
9讨论...20
结论..20
致谢..21
参考文献.. 22
录1................24
附录2............27
附录328
1 引言
水稻是被子植物门单子叶植物纲莎草目禾本科稻属植物，是最主要的三大粮食作物之一，播种面积占粮食播种面积的1/5，全世界二分之一以上的人口以水稻为主食，同时也是我国最主要的栽培作物之一。如今，随着我国工业化的进程，大量的农田被征用；另一方面我国的人口却日益增加，解决粮食产量的增产问 *好棒文|www.hbsrm.com +Q: 3_5_1_9_1_6_0_7_2
题一直是我们育种工作的重点。
水稻的生长发育是品种与环境因子共同作用的结果,这些因子包括了土壤、气候以及栽培管理措施等。水稻产量的时空差异主要是受气象、土壤等的作用，因此气象与土壤条件是影响作物的生长发育的两大关健环境因子。江淮地区地处暖温带与亚热带 的过渡带，年均降水量900～1000mm，雨量相对充沛；受冷暖空气频繁交汇的影响，降水时空分布不均，年内与年际变化很大；地下水埋藏深，储量少。区内地形顺大别山东麓延伸，西高东低，丘陵起伏，岗冲交错，地形破碎，沿分水岭岭脊一线及两侧，尽管降水总量偏丰，却难以大量蓄用，停滞难，流失多。特殊的气候,造成该区农作物易旱易渍，旱灾影响尤为突出。研究江淮地区水稻产量与气象因子的关系可以获得关于江淮地区水稻整个栽培管理街阶段内气象因子对产量的限制，方便我们在实际栽培过程中的有所防范，提高有针对性的灾害预报准确度。
近年来农业生产管理的重要研究方向之一是进行作物产量的模拟。由于传统的回归或相关分析模型是在自变量与产量之间分析得出统计关系，因而具有地点效应，只能用于特定环境条件。同时这种模型缺乏研究非线性问题的能力,而作物生长恰是一个非线性的自然过程。所以要引入新的模型确定产量与变量因子之间的关系。人工神经网络(Artifieialneuralnetwork,ANN)就是目前通用的一种模型。由于ANN可以模拟一个复杂的非线性的关系而不需要严格的样本条件，不需要做任何假定或构建数学方程，只需要训练样本；与线性回归相比，在作物产量的模拟过程中，ANN适用性更好，已经越来越受到广泛的应用。迄今研究和引用最多的是1986年 Kumelhart 等人提出的误差逆传播算法训练的多层前馈网络，简称 BP 网络。由于人工神经网络具有自适应学习能力和记忆联想能力，使得它为解决非线性问题提供了有力的工具，尤其是BP算法，具有简单和可塑的优点[1]。BP算法是基于梯度的方法，虽然在局部搜索时比较成功，但是其最大缺陷是收敛速度慢，且常受到局部极点的困扰，找不到全局最小点，因而影响了预报的精度。
如果将遗传算法(GA)与BP神经网络结合起来，作为BP神经网络的权重和结构训练方法，与单纯的BP算法比较，具有能有效地避免原始BP神经网络容易出现的局部极小，且具有收敛速度快和精度高等优点。图1是遗传算法流程图：
图1 遗传算法流程图
2 材料与方法
2.1 试验的地点与品种
试验地点：淮安市农科院（田间种植试验于2001年-2009年夏季在淮安市农科院水稻试验田进行。）
产量测定：淮安市农科院
供试品种：淮稻9号
2.2 试验设计
试验采取随机区组设计,3次重复。种植时行距为30cm-30cm相等行距，株距密度为17穴/m2。试验选择水田地进行小区试验。根据淮安市气象局和农科院的气象资料，结合当年水稻产量，收集整理了营养生长期、稻穗发育期和籽粒形成期三个时期的气温、降雨和日照数据。
2.3 试验方法
数据分析具体应用遗传算法优化BP神经网络思想、采用Matlab软件实现，通过对采集到的气象因子建立神经网络拟合产量数据，然后优化神经网络并检验拟合纯度最终得到一个可靠的模型来分析限制产量的气象因子的影响大小。
3 人工神经网络概述
人工神经网络(ARTIFICIAL NEURAL NETWORK，简称ANN)是目前国际上一门发展迅速的前沿交叉学科。为了模拟大脑的基本特性，在现代神经科学研究的基础上，人们提出来人工神经网络的模型。它主要以数学网络拓扑结构为理论基础，借鉴了人脑神经系统处理信息的过程，是在对人脑组织结构和运行机智的认识理解基础之上模拟其结构和智能行为的一种信息处理系统或计算机系统,。
人工神经网络的实质体现了网路输入和输出之间的一种函数关系。通过选择不同的模型结构和激活函数，可以形成各种不同的人工神经网络。根据连接方式的不同，人工神经网络可分为前向型、反馈型和自组织型网络。前向型网络由输入层、中间层(隐含层)和输出层组成。网络的各个神经元接受前一层的输入，并输出到下一层，没有反馈。输入层节点称为输入单元，用于接受网络输入。中间层(又称为隐含层)和输出层节点属于计算单元。计算单元可有任意多个输入，但只有一个输出，该输出可以连接到任意多个其它节点作为其输入。前向型网络是目前应用最广泛的网络，其代表主要有感知器、BP(Back ProPagation)络和径向基函数(Radial Basis Function RBF)神经网络等。而反馈型和自组织网络则根据不同需要，在不同的神经元间具有反馈信息的传递。反馈型网络的所有节点都是计算单元，同时也可接受输入，并向外界输出。神经网络里面数据传输函数为a=f(wp+b)，其中f为传输函数，w为权值矩阵，p为数据向量，b为阈值。下图为常用传递函数，一般默认都是logsig,因为Logsigmoid型函数的输入值可取任意值，输出值在0和1之间，它是无限可微的，只有大小，没有方向。
由于BP神经网络算法本质上为梯度下降法，它所要优化的目标函数是非常复杂的，因此，必然会出现“锯齿形现象”，这使得BP算法低效；又由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿；BP神经网络模型中，为了使网络执行BP算法，不能使用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法也会引起算法低效以及过拟合现象[2]，从而影响网络的泛化能力，限制了BP神经网络在实际预报中的应用。
1 引言 1
2 材料与方法 2
2.1 实验地点与品种...2
2.2 试验设计 ...3
2.3 试验方法 ... ... ....3
3 人工神经网络概述..3
3.1 BP神经网经网络简介 ...4
3.2 BP神经网络缺点... .....5
3.3 新的改进算法... ..6
4 遗传算法与神经网络 ... 6
4.1 遗传算法概述 6
5.1 水稻产量与气象因子的关系 ...9
5 水稻产量影响因素 .. ...10
4.3 神经网络在农业中的应用 .10
6 本研究的方法、内容、意义 ........11
7 基于Matlab的神经网络建模 ...12
7.2 BP网络模型的训练 13
8 性状分析..19
9讨论...20
结论..20
致谢..21
参考文献.. 22
录1................24
附录2............27
附录328
1 引言
水稻是被子植物门单子叶植物纲莎草目禾本科稻属植物，是最主要的三大粮食作物之一，播种面积占粮食播种面积的1/5，全世界二分之一以上的人口以水稻为主食，同时也是我国最主要的栽培作物之一。如今，随着我国工业化的进程，大量的农田被征用；另一方面我国的人口却日益增加，解决粮食产量的增产问 *好棒文|www.hbsrm.com +Q: 3_5_1_9_1_6_0_7_2
题一直是我们育种工作的重点。
水稻的生长发育是品种与环境因子共同作用的结果,这些因子包括了土壤、气候以及栽培管理措施等。水稻产量的时空差异主要是受气象、土壤等的作用，因此气象与土壤条件是影响作物的生长发育的两大关健环境因子。江淮地区地处暖温带
近年来农业生产管理的重要研究方向之一是进行作物产量的模拟。由于传统的回归或相关分析模型是在自变量与产量之间分析得出统计关系，因而具有地点效应，只能用于特定环境条件。同时这种模型缺乏研究非线性问题的能力,而作物生长恰是一个非线性的自然过程。所以要引入新的模型确定产量与变量因子之间的关系。人工神经网络(Artifieialneuralnetwork,ANN)就是目前通用的一种模型。由于ANN可以模拟一个复杂的非线性的关系而不需要严格的样本条件，不需要做任何假定或构建数学方程，只需要训练样本；与线性回归相比，在作物产量的模拟过程中，ANN适用性更好，已经越来越受到广泛的应用。迄今研究和引用最多的是1986年 Kumelhart 等人提出的误差逆传播算法训练的多层前馈网络，简称 BP 网络。由于人工神经网络具有自适应学习能力和记忆联想能力，使得它为解决非线性问题提供了有力的工具，尤其是BP算法，具有简单和可塑的优点[1]。BP算法是基于梯度的方法，虽然在局部搜索时比较成功，但是其最大缺陷是收敛速度慢，且常受到局部极点的困扰，找不到全局最小点，因而影响了预报的精度。
如果将遗传算法(GA)与BP神经网络结合起来，作为BP神经网络的权重和结构训练方法，与单纯的BP算法比较，具有能有效地避免原始BP神经网络容易出现的局部极小，且具有收敛速度快和精度高等优点。图1是遗传算法流程图：
图1 遗传算法流程图
2 材料与方法
2.1 试验的地点与品种
试验地点：淮安市农科院（田间种植试验于2001年-2009年夏季在淮安市农科院水稻试验田进行。）
产量测定：淮安市农科院
供试品种：淮稻9号
2.2 试验设计
试验采取随机区组设计,3次重复。种植时行距为30cm-30cm相等行距，株距密度为17穴/m2。试验选择水田地进行小区试验。根据淮安市气象局和农科院的气象资料，结合当年水稻产量，收集整理了营养生长期、稻穗发育期和籽粒形成期三个时期的气温、降雨和日照数据。
2.3 试验方法
数据分析具体应用遗传算法优化BP神经网络思想、采用Matlab软件实现，通过对采集到的气象因子建立神经网络拟合产量数据，然后优化神经网络并检验拟合纯度最终得到一个可靠的模型来分析限制产量的气象因子的影响大小。
3 人工神经网络概述
人工神经网络(ARTIFICIAL NEURAL NETWORK，简称ANN)是目前国际上一门发展迅速的前沿交叉学科。为了模拟大脑的基本特性，在现代神经科学研究的基础上，人们提出来人工神经网络的模型。它主要以数学网络拓扑结构为理论基础，借鉴了人脑神经系统处理信息的过程，是在对人脑组织结构和运行机智的认识理解基础之上模拟其结构和智能行为的一种信息处理系统或计算机系统,。
人工神经网络的实质体现了网路输入和输出之间的一种函数关系。通过选择不同的模型结构和激活函数，可以形成各种不同的人工神经网络。根据连接方式的不同，人工神经网络可分为前向型、反馈型和自组织型网络。前向型网络由输入层、中间层(隐含层)和输出层组成。网络的各个神经元接受前一层的输入，并输出到下一层，没有反馈。输入层节点称为输入单元，用于接受网络输入。中间层(又称为隐含层)和输出层节点属于计算单元。计算单元可有任意多个输入，但只有一个输出，该输出可以连接到任意多个其它节点作为其输入。前向型网络是目前应用最广泛的网络，其代表主要有感知器、BP(Back ProPagation)络和径向基函数(Radial Basis Function RBF)神经网络等。而反馈型和自组织网络则根据不同需要，在不同的神经元间具有反馈信息的传递。反馈型网络的所有节点都是计算单元，同时也可接受输入，并向外界输出。神经网络里面数据传输函数为a=f(wp+b)，其中f为传输函数，w为权值矩阵，p为数据向量，b为阈值。下图为常用传递函数，一般默认都是logsig,因为Logsigmoid型函数的输入值可取任意值，输出值在0和1之间，它是无限可微的，只有大小，没有方向。
由于BP神经网络算法本质上为梯度下降法，它所要优化的目标函数是非常复杂的，因此，必然会出现“锯齿形现象”，这使得BP算法低效；又由于优化的目标函数很复杂，它必然会在神经元输出接近0或1的情况下，出现一些平坦区，在这些区域内，权值误差改变很小，使训练过程几乎停顿；BP神经网络模型中，为了使网络执行BP算法，不能使用传统的一维搜索法求每次迭代的步长，而必须把步长的更新规则预先赋予网络，这种方法也会引起算法低效以及过拟合现象[2]，从而影响网络的泛化能力，限制了BP神经网络在实际预报中的应用。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/swgc/smkx/411.html
