基于GA-BP神经网络的农业机械化综合水平预测模型

王　攀，陈　建，曹中华，吴先兵

(西南大学 工程技术学院，重庆　400715)



基于GA-BP神经网络的农业机械化综合水平预测模型

王攀，陈建，曹中华，吴先兵

(西南大学 工程技术学院，重庆400715)

摘要：根据1986-2013年我国农业机械化综合水平的统计数据，建立了基于GA-BP神经网络的农业机械化综合水平预测模型。通过对1992-2011年农业机械化综合水平实际值与训练输出值的对比分析，表明该预测模型具有较好的拟合精度；采用该模型对2012年和2013年的农业机械化综合水平进行预测，进一步验证了模型的可靠性。运用该预测模型对2014-2018年的农业机械化综合水平进行预测，结果表明：在2014年我国农业机械化综合水平为61.97%，与我国农业部公布的2014年农业机械化综合水平将超过61%基本相符，2018年我国农业机械化综合水平将达到70%左右。

关键词：农业机械化；综合水平；GA-BP神经网络；预测

0引言

农业机械化综合水平是反映农业机械化发展水平的重要指标。我国农业机械化综合水平是由机械化耕作水平、机械化播种水平和机械化收获水平分别按照0.4、0.3、0.3的权重组成[1]。目前，我国农业正处于从传统农业向现代农业转变的关键时期，发展农业机械化，提高农业机械化综合水平，对我国农业的发展具有重要的战略意义[2-3]。因此，如果能够对我国农业机械化综合水平进行有效预测，不仅能够增强对我国农业机械化发展进程的把握，还能够为科学制定我国农业机械化发展的方针和政策等提供一定的借鉴和导向作用。

本文将遗传算法(GA)与误差反向传播神经网络(BP神经网络)相结合，建立了我国农业机械化综合水平的GA-BP神经网络预测模型，并运用该预测模型对我国2013-2018年的农业机械化综合水平进行预测。

1我国农业机械化综合水平发展分析

为了更好地展现出我国近年来农业机械化综合水平的实际发展情况，选择1986-2013年我国农业机械化综合水平数据制成农业机械化综合水平趋势图，如图1所示。

图1　农业机械化综合水平趋势

据分析，由于受到人类活动、统计误差、统计手段等多因素的影响，我国耕地面积的统计数据存在一定的误差。张睿[4]等人对由于耕地面积统计误差造成农业机械化综合水平计算误差的现象进行了研究，并对部分数据做了计算纠正。为更加实际体现我国农业机械化综合水平，提高模型预测精度，部分数据采用了纠正后的数据。

由图1可以看到：我国历年农业机械化综合水平整体上呈上升趋势，且2005年以后的上升趋势相比以往明显加快；2007年我国农业机械化综合水平突破40%，进入农业机械化进程的中级发展阶段；自2005年以来，我国农业机械化综合水平保持以两个百分点以上的速度增长，2013年我国的农业机械化综合水平突破59%。随着一系列有关促进农业机械化的政策法规的出台，我国农业机械化的发展在未来一段时间内仍将处于良好的机遇期。

2GA-BP神经网络原理与算法

BP神经网络预测模型是混沌时间序列预测模型中具有较好非线性拟合能力和预测能力的预测模型[4]。但是，该预测模型的初始权值和阈值是随机赋值的，其学习算法采用梯度下降法，在样本训练中容易陷入局部极小值，且具有收敛速度慢的特点。GA算法作为一种自适应全局优化搜索方法，具有良好的智能性和鲁棒性[6]。本模型首先利用GA算法良好的自适应全局优化搜索能力找到最优适应度值的对应个体，利用GA算法得到的最优个体对BP神经网络的初始权值和阈值进行赋值，有效避免了网络由于初始的权值和阈值因随机赋值而陷入局部极小值的缺陷，充分发挥BP神经网络局部搜索能力强的特点，大大提高了其收敛速度，使预测模型快速在最优处收敛。

2.1BP神经网络

BP神经网络的原理是采用梯度下降法调整权值和阈值使得网络的实际输出与期望输出的均方误差值最小[7]。其训练仿真过程如下：

1)确定BP神经网络结构并对输入层到隐含层权值wij、隐含层到输出层权值vjt、隐含层阈值θj及输出层阈值γt进行赋值。

2)随机选取训练样本(Pk，Rk)提供给网络。

3)利用输入样本Pk、连接权值wij、阈值θj，计算隐含层各单元的输入Sj，然后利用Sj通过传递函数计算隐含层各单元的输出Bj。则有

(1)

Bj=f(Sj)

(2)

4)利用中间层的输出Bj、权值vjt、阈值γt，计算输出层单元的输出Lt，然后通过传递函数计算输出层单元的响应Ct。则有

(3)

Ct=f(Lt)

(4)

5)利用期望输出Rk和网络实际输出Ct计算输出层单元的一般化误差dt，有

dt=(r-Ct)·Ct(1-Ct)

(5)

6)利用连接权值vjt、输出层的一般化误差dt和中间层输出Bj计算中间层各单元的一般化误差ej，有

(6)

7)利用输出层单元的一般化误差dt与中间层各单元输出Bj来修正连接权值vjt和阈值γt，有

vjt(N+1)=vjt(N)+α·dt·Bj

(7)

γt(N+1)=γt(N)+α·dt

(8)

0<α<1

8)利用隐含层各单元的一般化误差ej、输入层各单元的输入Pk修正连接权值wij和阈值θj，则有

wij(N+1)=wij(N)+β·ej·pi

(9)

θj(N+1)=θj(N)+β·ej

(10)

0<β<1

9)随机选取下一个学习样本提供给网络，返回步骤3)，直到样本训练完毕。

10)判断算法是否达到结束迭代条件，若达到，算法结束。否则返回步骤3)。

2.2GA算法

GA算法进行全局寻优主要过程由种群初始化、适应度函数、选择操作、交叉操作和变异操作组成。

1)种群初始化：种群初始化过程中按照BP神经网络的输入层与隐含层连接权值、隐含层阈值及隐含层与输出层连接权值及输出层阈值采用二进制实数编码对个体进行编码。

2)适应度函数确定：将BP神经网络的预测输出yi和期望输出oi之间的绝对误差绝对值的和的倒数作为个体适应度值F，则有

(11)

3)选择操作：遗传算法选择操作方法有轮盘赌法、锦标法等多种方法，本模型选择基于适应度比列的选择策略，即轮盘赌法。这样适应度值高的个体被选择到下一代的概率大一些。设第i个体的选择概率为pi，有

(12)

4)交叉操作：由于初始化中采用编码方式为实数编码，因此交叉操作选择实数交叉法。假设第k个染色体和第f个染色体在j位进行交叉，有

akj=akj(1-b)+afjb

(13)

afj=afj(1-b)+akjb

(14)

0

5)变异操作：选取第m个个体的第n个基因amn进行变异操作，有

(15)

其中，amax、amin分别为基因amn的上界和下界；f(g)=r1(1-g/Gmax)，r1为随机数，g为当前的迭代次数；Gmax是最大进化次数，r为0～1之间的随机数。

6)计算适应度值函数，若满足该算法结束条件，则输出个体，否则返回到步骤3)。

7)将GA算法得到的最有个体赋值给BP神经网络的权值和阈值，用训练样本对BP神经网络进行训练，完成模型预测。

3农业机械化综合水平预测模型

3.1建立GA-BP神经网络预测模型

GA-BP神经网络预测模型的网络拓扑结构主要由输入层、隐含层、输出层及各层的节点数构成。由Komogorov定理可知：3层的BP神经网络可以完成任意的N维到M维的映射[8]，因此预测模型选用单隐含层网络结构。本预测模型的训练样本来自中国农业年鉴统计的1986-2013年的我国农业机械化综合水平的数据，其输入样本和输出样本如表1所示。

表1　训练样本

将第N年的农业机械化综合水平作为输出样本，第N-1、N-2、N-3、N-4、N-5、N-6年的历史数据作为输入样本，因此输入层的节点数为6，输出层的节点数为1。隐含层节点个数的确认：首先通过经验公式16大致确定隐含层节个数的范围，然后通过试验训练并结合双阶段结构自确认算法进行确定[9]，最终找到误差最小的隐含层结点个数为9。因此，预测模型的网络拓扑结构为6-9-1，有

(16)

其中，m、n分别为输入层和输出层节点个数，a取值为1～10的常数。

在该预测模型中，输入层到隐含层的传递函数采用“tansig”函数，隐含层到输出层的传递函数采用“purelin”函数。其训练函数采用traingdx动量及自适应lrBP的梯度递减训练函数，学习函数采用learngdm梯度下降动量学习函数。遵循初始化参数设置原则及综合考虑预测模型的要求并经过多次试验，最终确定种群初始化的参数分别为种群大小60、遗传代数100、交叉概率0.6、变异概率0.005。设置BP神经网络模型的训练次数为3 000，训练目标为1e-5，其余参数选择默认设置。采用绝对误差和相对误差来对预测模型的性能进行定量评判。根据以上参数和要求运用MatLab完成GA-BP神经网络预测模型的构建，并根据训练样本(见表1)对网络进行仿真训练仿真。

3.2预测模型训练仿真结果与分析

利用表1我国往年的农业机械化综合水平的20个样本对所建立的GA-BP神经网络进行仿真训练，训练完成后农业机械化综合水平真实值与输出值如表2所示。

表2实际值与输出值比较

Table 2Value of practice and output

%

年份实际值训练输出值绝对误差相对误差199223.2923.130.160.68199324.0123.730.281.17199424.7025.220.522.11199525.6625.870.210.82199627.0726.760.311.15199728.7528.390.361.25199830.3530.310.040.13199931.6231.630.010.03200032.3532.250.100.31200132.6532.640.010.03200232.9832.740.240.73200333.8633.930.070.21200435.4435.450.010.03200535.9337.101.173.26200638.2538.910.661.73200742.4741.031.443.39200845.7446.270.531.16200949.1349.090.040.08201052.2852.200.080.15201154.8254.700.120.22

从表2中可以看出：我国历年农业机械化综合水平的实际值与输出值基本一致，平均绝对误差为0.318%，最大绝对误差为1.44%；平均相对误差为0.932%，最大相对误差为3.39%。在2005年和2007年出现较小范围的波动，原因是农业机械化综合水平受到农民收入水平、农机工业发展水平、农机使用成本、农村剩余劳动力转移、劳动力价格及耕地规模等诸多因素的影响[10]；而且在数据统计上不可避免的存在一定误差，在模型的计算中也会存在一定的系统误差。因此，理论上该预测模型可以对我国农业机械化综合水平进行预测。

3.3模型验证

运用训练完成后的模型对2012年和2013年我国农业机械化综合水平预测检验，分别输入2007-2011年和2008-2012年的农业机械化综合水平，输出预测结果2012年为57.64%，与实际值为57.17%基本吻合，绝对误差为0.47%，相对误差为0.82%；2013年为59.60%，与实际值59.48%也基本吻合，绝对误差为0.12%，相对误差为0.2%。由此说明，该模型经过仿真训练后具有较好的预测精度和实用价值。

4农业机械化水平预测与分析

4.1模型预测

根据完成仿真训练后的预测模型对我国2014-2018年的农业机械化综合水平进行预测，结果如表3所示。

表3　农业机械化综合水平预测结果

4.2预测结果分析

从我国农业机械化综合水平预测结果来看，2014年我国农业机械化综合水平为61.94%，这与农业部公布的2014年我国农业机械化综合水平将超过61%是吻合的。2016-2018年农业机械化综合水平增长保持两个百分点以上，这与白人朴[11]在关于“十三五”我国农业机械化发展的思考中提到的农作物耕种收机械化水平年均提高速度保持在2%以上的合理区间是相符的。根据2006年农业机械发展战略报告[12]，在综合我国耕地面积、种植业劳动力及农业机械发展等因素后预测我国农业机械化综合水平将在2020年达到70%左右；但2014年我国农业机械化综合水平已超过61%，提前完成了“十二五”规划中对农业机械化发展的要求。综合考虑我国目前农业机械化综合水平的发展现状等各项因素，在2018年农业机械化综合水平达到70%是很有可能实现的。可见,基于GA-BP神经网络的农业机械化综合水平预测模型对我国农业机械化综合水平的发展趋势有较好的预测能力。

5结论

通过GA-BP预测模型对我国农业机械化综合水平进行预测和验证，通过定性和定量分析表明该模型有较好的预测性能。但是，GA-BP神经网络预测模型作为一种时间序列预测模型，其预测具有短时性，进行长期预测其预测精度将大大降低。因此，下一步在保证预测精度的前提下延长预测时间，对时间序列的预测具有重要的意义，也将是预测模型优化的主要方向。

参考文献：

[1]易中懿.中国农业机械化年鉴 [M].北京：中国农业科学技术出版社,2007.

[2]朱明.推进农业洪城科技创新，建设社会主义新农村[J].农业工程学报,2006,22(6):192-196.

[3]Zhu Ming. Experience of Agricultural Engineering Development in China[J].农业工程学报,2007,23(9):269-275.

[4]张睿,高焕文.基于灰色GM(1,1)的农业机械化水平预测模型[J].农业机械学报,2009,40(2):91-95.

[5]李松,罗勇,张铭锐.遗传算法优化BP神经网络的混沌时间序列预测[J].计算机工程与应用,2011,47(29):52-55.

[6]葛继科,邱玉辉,吴春明,等.遗传算法研究综述[J].计算机应用研究,2008, 25(10):2911-2916.

[7]王德明,王莉,张广明.基于遗传BP神经网路的短期风速预测模型[J].浙江大学学报：工学版, 2010, 46(5): 837-842.

[8]戚德虎,康继昌.BP神经网络的设计[J].计算机工程与设计,1998, 19(4): 48-50.

[9]张雨浓,曲璐,陈俊维,等.多输入Sigmoid激励函数神经网络权值与结构确定方法[J].计算机应用研究, 2012, 29(11): 4113-4116.

[10]卢秉福,张祖立,朱明,等.农业机械化发展关键影响因素的辨识与分析[J].农业工程学报,2008,24(11): 114-117.

[11]白人朴.关于“十三五”我国农业机械化发展的思考[J].中国农机化学报,2014,35(4):1-5.

Predictive Model of Agricultural Mechanization Comprehensive Level Based on the GA-BP Neural Network

Wang Pan，Chen Jian，Cao Zhonghua，Wu Xianbing

(College of Engineering and Technology, Southwest University, Chongqing 400715,China)

Abstract：According to the statistical data of the comprehensive level of agricultural mechanization in our country in 1986-2013, predictive model of agricultural mechanization comprehensive level based on the GA-BP neural network was built. Through comparative analysis on real value and training output value of the comprehensive level of agricultural mechanization in 1992-2011, it shows that the prediction model has good fitting precision. Then use this model to predict the comprehensive level of agricultural mechanization in 2012 and 2013 which further verifies the reliability of the model. And use this predictive model to predict the comprehensive level of agricultural mechanization in 2014-2018.The results show that the mechanization of agriculture comprehensive level in our country is 61.97%.This is nearly consistent with the results released by ministry of agriculture that the comprehensive level of agricultural mechanization in 2014 was more than 61%. In 2018, the comprehensive level of agricultural mechanization will reach 70% more or less.

Key words：agricultural mechanization; comprehensive level; GA-BP neural network; prediction

文章编号：1003-188X(2016)03-0075-05

中图分类号：S233

文献标识码：A

作者简介：王攀(1989-)，男，湖北襄阳人，硕士研究生，(E-mail)732779513@qq.com。通讯作者：陈建(1957-)，男，重庆人，教授，博士生导师，博士，(E-mail)jianchen@swu.edu.cn。

基金项目：重庆市应用开发计划重点项目(cstc2013yykfB70002)

收稿日期：2015-04-27