專利名稱：基于bp人工神經網絡的農作物害蟲發生量的預測方法
技術領域：
本發明屬于智能預測技術領域，具體地說是涉及一種基于BP人工神經網絡的農作物害蟲發生量的預測方法。
背景技術：
近年來，隨著現代計算智能技術的發展，利用BP人工神經網絡建立農業預測模型已取得了較好的預測效果，例如有文章報道，其題目為“BP人工神經網絡在家蠶雜交組合預測中的應用初探”(該文作者是何克榮柳新菊祝新榮，發表于2010年出版的《蠶桑通報》第41卷第3期第沈-觀頁)，該文公開了一種利用BP人工神經網絡建立家蠶雜種一代的6個經濟性狀的預測模型的方法；和文章“基于BP神經網絡的果蔬熱導率預測模型” (該文作者是張敏，鐘志友，楊樂，等，發表于2010年出版的《農業機械學報》第41卷第10 期第117-121頁)，該文公開了根據果蔬熱導率與可溶性固形物含量、含水率、密度和硬度等因素的變化關系，建立一種基于BP神經網絡的果蔬熱導率預測模型的方法；以及文章“稻縱卷葉螟發生程度的神經網絡預警”(該文作者是汪四水，張孝羲，張夕林，發表于2003 年出版的《生物數學學報》第18卷第1期第93-97頁)，該文公開了一種利用BP人工神經網絡原理，結合500pb西太平洋副熱帶高壓和江蘇省通州市稻縱卷葉螟發生程度的數據， 建立稻縱卷葉螟發生程度預警模型的方法。已有利用BP人工神經網絡建立的農業預測模型存在的不足(1)在農業數據采集過程中存在大量由于人為、設備、儀器儀表精度限制等原因導致的誤差，現有預測方法對這些誤差一般都忽略不計，從而極大的影響了預測模型的穩定性和準確性。(2)利用BP人工神經網絡進行預測時，存在著輸入因子少時，導致其預測準確性低；輸入因子多時，BP人工神經網絡運算量大、導致其預測結果得不到收斂。目前基于BP人工神經網絡建立的預測方法，很難有效地解決這一矛盾。
發明內容
鑒于以上所述現有技術存在的技術問題，本發明的目的是提供一種基于BP人工神經網絡的農作物害蟲發生量的預測方法，該方法能在原始數據信息不丟失的情況，降低預測的影響因子維數，減少運算量，提高預測精度。為了達到上述目的，本發明的構思如下首先，利用灰色關聯分析法對待預測的農作物害蟲過去的發生量和影響害蟲發生的影響因子的原始數據進行關聯度計算，剔除掉差異較大的數據；其次，對灰色關聯分析法處理后的數據進行主成分分析，計算影響害蟲發生的影響因子的累計貢獻率；最后，利用BP人工神經網絡對農作物害蟲發生量進行預測，得到預測結果。根據上述的發明構思，本發明采用下述技術方案
本發明的基于BP人工神經網絡的農作物害蟲發生量的預測方法，具體步驟如下 (1)、采集整理待預測的農作物害蟲過去的發生量的原始數據和影響農作物害蟲發生的影響因子的原始數據；(2)、利用灰色關聯度分析方法，計算原始數據之間的關聯度，剔除差異較大數據；
(3)、對灰色關聯分析法處理后的數據主成分分析，計算影響農作物害蟲發生的影響因子的累計貢獻率；
(4)、利用BP人工神經網絡，對農作物害蟲發生量進行預測。 上述步驟(2)中所述的利用灰色關聯度分析方法，計算農作物害蟲過去的發生量的原始數據之間的關聯度，剔除差異較大數據，其操作步驟如下
(21)、對農作物害蟲過去的發生量的原始數據進行標準化處理，消除各數據間的量綱關系，使數據一致，
對農作物害蟲過去的發生量的原始數據進行標準化處理，將各指標的屬性值統一到 (_1，1)范圍內，計算式如下
權利要求
1.一種基于BP人工神經網絡的農作物害蟲發生量的預測方法，其特征在于首先，利用灰色關聯分析法對待預測的農作物害蟲過去的發生量和影響害蟲發生的影響因子的原始數據進行關聯度計算，剔除掉差異較大的數據；其次，對灰色關聯分析法處理后的數據進行主成分分析，計算影響害蟲發生的影響因子的累計貢獻率；最后，利用BP人工神經網絡對農作物害蟲發生量進行預測，得到預測結果，具體步驟如下(1)、采集整理待預測的農作物害蟲過去的發生量的原始數據和影響農作物害蟲發生的影響因子的原始數據；(2)、利用灰色關聯度分析方法，計算原始數據之間的關聯度，剔除差異較大數據；(3)、對灰色關聯分析法處理后的數據主成分分析，計算影響農作物害蟲發生的影響因子的累計貢獻率；(4)、利用BP人工神經網絡，對農作物害蟲發生量進行預測。
2.根據權利要求1所述的基于BP人工神經網絡的農作物害蟲發生量的預測方法，其特征在于，上述步驟O)中所述的利用灰色關聯度分析方法，計算原始數據之間的關聯度，剔除差異較大數據，其操作步驟如下(21)、對農作物害蟲過去的發生量的原始數據進行標準化處理，消除各數據間的量綱關系，使數據一致，對農作物害蟲過去的發生量的原始數據進行標準化處理，將各指標的屬性值統一到 (_1，1)范圍內，計算式如下其中，.是標準化矩陣的第i行第j列的數值，J!|是參與標準化矩陣的第i行第j列的數值，；是參與標準化矩陣的第i列的平均值(22)、計算一級絕對差矩陣計算一級絕對差矩陣，其計算式為=| X卿—式⑷I其中，是絕對差矩陣,Iow是標準化矩陣的參照向量第k個值，Itljy是標準化矩陣第i個向量的第k個值；(23)、計算關聯度系數矩陣根據步驟(22)計算得到的絕對差矩陣Aiw ,計算關聯度系數矩陣Gw ,其計算式為mjn η皿 Δ叫+pmax max Δ明一 i_λ_‘_j_fc_^im - ； ^m +Pmas max Aim其中，Ciw是關聯度系數矩陣，Ai(Aj是絕對差矩陣， f ^fiw是二級最小差，，，- 是二級最大差，P是分辨系數，Pe
, 一般取ρ=0.05 ;(M)、計算灰色關聯度根據步驟(23)計算得到農作物害蟲過去的發生量的原始數據之間的關聯度系數矩陣 Cm ,計算出灰色關聯度其計算式為
3、根據權利要求1所述的基于BP人工神經網絡的農作物害蟲發 生量的預測方法，其特征在于，上述步驟(3)中所述的對灰色關聯分析法處理后的數據主成分分析，計算影響農作物害蟲發生的影響因子的累計貢獻率，其操作步驟如下(31)、對影響農作物害蟲發生的影響因子進行標準化處理，消除各數據間的量綱關系， 使數據一致，影響因子的標準化處理，計算式為
4、根據權利要求1所述的基于BP人工神經網絡的農作物害蟲發生量的預測方法，其特征在于，上述步驟(4)中所述的利用BP人工神經網絡，對農作物害蟲發生量進行預測，其具體步驟為(41)、確定BP人工神經網絡輸入層節點個數設輸入層節點個數為主成分分析后的主成分個數；(42)、確定BP人工神經網絡輸出層節點個數設輸出層節點數為預測結果的個數；(43)、確定BP人工神經網絡傳遞函數(44)、確定BP人工神經網絡隱含層神經元個數(45)JIRfBP人工神經網絡以主成分分析后的數據和歷年該農作物的發生量為訓練樣本，對BP人工神經網絡進行訓練；(46)、利用訓練后的BP人工神經網絡，對農作物的發生量進行預測。
全文摘要
本發明公開了一種基于BP人工神經網絡的農作物害蟲發生量的預測方法，其步驟如下(1)采集待預測農作物害蟲發生量的原始數據和影響農作物害蟲發生影響因子的原始數據；(2)計算原始數據之間關聯度，剔除差異大的數據；(3)計算影響農作物害蟲發生的影響因子的累計貢獻率；(4)利用BP人工神經網絡，對農作物害蟲發生量進行預測。該方法利用灰色關聯度分析方法對農作物害蟲發生量的原始數據進行處理，剔除掉誤差數據，保證預測模型的穩定性和準確性；并利用主成分分析方法降低了BP人工神經網絡輸入因子個數，有效地解決了利用BP人工神經網絡進行預測時，輸入因子少時，其預測準確性低；輸入因子多時，運算量大、其預測結果得不到收斂的矛盾。
文檔編號G06N3/08GK102163301SQ201110089790
公開日2011年8月24日 申請日期2011年4月12日 優先權日2011年4月12日
發明者劉宗田, 彭琳, 朱平, 楊林楠, 鐘飛 申請人:上海大學