基于神经网络的食用菌价格预测模型的建立

赵忠玲，王 笑

（1.山东科技大学财经系，山东 济南 250031；2.山东科技大学矿业与安全工程学院，山东 青岛 266590）

为了科学准确地预测食用菌价格走势，采用神经网络这一先进的计算机技术，对影响食用菌价格变动的内外因素进行梳理，综合食用菌市场规模、品种、栽培、管理、物流、技术等多方面因素进行深入研究，采用数学模型描述进行决策评价，建立了食用菌价格预测模型[1]，以满足食用菌价格预测分析的需求。

1 神经网络预测模型理论基础

随着科技的不断发展进步，食用菌价格的波动变化预测涉及了众多复杂化、多元化的因素，在进行价格预测时，许多需要预测的对象和方案都难以用精确的数学模型去描述，而传统的预测方法也不能满足对预测精度的要求。为了解决这一问题，采用了人工神经网络（artificial neural networks，ANN）技术来构建预测模型[2]。

1.1 BP神经网络

神经网络模型的信息处理是通过神经元来完成，其特点是多组信号进行输入，而只有一个输出[3]，由于其非线性的信息处理方式，很容易将其设计成数学模型，用于输入输出信息的处理，如图1所示。

从图1中可以看出，神经元主要由连接、求和及激活3个部分组成。其中，连接用连接权值表示连接强度，连接权W=(w1,w2,Λ,wi)，即突触的连接权值，数值越大则表示连接权值越大，是各个神经元连接的主要环节；求和是将输入信号和连接权值联系起来，最终求其加权之和；而激活函数是神经元模型中最核心的单元，决定着神经元模型的功能。输入信号用X=(x1,x2,Λ,xi)来表示，即来自前级i个神经元的轴突的信息，所有的输入记为网络输入net=∑xiwi；在激活函数中的传递函数 f(*)决定了神经元的输出方式，传递函数一般分为阶跃型、线性型和S型等几种类型。

1.2 模糊BP神经网络

模糊神经网络（fuzzy neural network，FNN） 就是将模糊系统与BP神经网络系统连接，将BP神经网络的输入信号X=(x1,x2,Λ,xi)，以一种模糊的输入信号来代替，更容易表达一些定性信息。利用模糊系统的自适应学习能力将模糊的定性信息进行处理[4]，用定量的数学模型来表达定性信息，再通过BP神经网络的学习算法得到数学模型的最优解。这两个网络的优势互补，提高了数学建模的实际效果，常被应用于知识表达和定性分析等应用领域的建模。模糊系统和BP神经网络有多种连接形式，本文采用串联方式将模糊系统和BP神经网络连接来解决实际问题，串联方式如图2所示。

2 基于神经网络的食用菌价格预测模型构建

以香菇（Lentinual edodes）、平菇（Pleurotus ostreatus）、双孢菇（Agaricusbisporus）、金针菇（Flammulina velutipes）、木耳（Auricularia auricula）等5种常见食用菌品种为例，运用模糊BP神经网络的评价方法进行未来市场价格预测，找出价格预测较高的品种，指导菇农选择有效品种进行栽培。

2.1 模糊BP神经网络训练模型

模糊BP神经网络决策模型训练需要足够多的训练样本，模型才能获得足够的信息，才能使模型快速收敛[5]。对影响食用菌价格的因素进行判断，主要涉及：市场规模x1、食用菌品种x2、栽培规模x3、技术能力x4、销售网络x5、人员素质x6、物流运输x7等价格影响因素。根据食用菌往年价格波动的情况给出的训练样本数据，形成神经网络的训练样本集，并且通过专家打分的方式对上述7个影响因素进行打分，并赋予相应的权重系数。然后将权重与打分数据相乘，从而得到了训练集的权重分值表，如表1所示。

表1 训练集权重分值Tab.1 Scores of the training set

2.2 训练集模糊化处理

训练集样本按“很好、较好、中等、差、很差”5个模糊评价等级进行处理，逐一对样本进行等级划分。随后进行模糊化处理，即根据隶属函数求出每一输入的模糊变量值，从而完成对输入量的模糊化处理。一般常用的隶属函数有线性和非线性两种，本研究中采用非线性的高斯函数（gauss member function） 模糊隶属函数，如式（1） 所示：

式中：μi为隶属函数的中心；σi为决定隶属函数的宽度；xi为输入的训练样本值；e为数学中的一个无理数，其值为2.718 28...，是一个无限不循环小数。

2.3 模糊BP神经网络训练

第一步，确定模糊BP神经网络的中间层层数。BP网络的中间层可以有一个或者多个，增加中间层数能提高误差去精度、减少计算误差，但会增加计算量减慢网络速度，因此不能单纯增加网络中间层数，但可以通过调节中间层的神经元节点数目来提高误差的精度，结合节点数来共同确定中间层数是比较好的方法。

目前，对于中间层节点数目的问题还没有统一解决方案，一般根据式（2）的经验公式来确定。

式中：Ni为输入节点数；N0为输出层节点数；α为一个1～10的调节常整数。

中间节点数的多少对模糊BP神经网络的性能有很大的影响，根据式（2）的经验值，结合中间层节点数目可变的办法来解决问题。首先，按照经验值最小值来作为中间层节点数，等待神经网络学习一段时间后，看实际计算结果，如果计算困难就在经济值范围内再增加节点，直到网络收缩效果良好以后停止[6]。

采用该方法先以10为初始的中间层节点数目进行训练，将市场规模x1、食用菌品种x2、栽培规模x3、技术能力x4、销售网络x5、人员素质x6、物流运输x7等7个价格影响因素作为第一层节点输入[7]；按5个等级对影响因素进行评分，从而得到模糊化的5个等级，这就是神经网络第二层输出的内容。然后逐渐增加中间层节点数，多次试验后最终获得的中间层节点数目为25，确定模糊BP神经网络的中间层层数后，就可以进行模糊BP神经网络评价等级结果的输出。输出层也和等级划分一样有5个节点，分 别 为 ： （1， 0， 0， 0， 0） 表 示 很 好 、（0，1，0，0，0） 表示较好、（0，0，1，0，0） 表示 中 等 、 （0， 0， 0， 1， 0） 表 示 差 、（0，0，0，0，1） 表示很差。

第二步，确定传递函数、训练函数和训练误差等神经网络的参数。输出层、隐含层选择S型函数、网络训练传递函数选用traingdx函数，整个神经网络的训练误差为10-6。

第三步，预测结果输出。根据以上参数就可以对已经建立的模糊BP神经网络模型进行结果输出，进行食用菌价格预测，预测结果如表2所示。

从表2可以看出，模糊神经网络的输出值大小代表了食用菌栽培品种价格预测的结果。平菇“很好”等级预测值为0.996 8，说明预测未来平菇的价格会很好，栽培平菇的效益也会更高，是栽培食用菌的首选品种；而双孢菇的“较好”等级预测值为0.991 9，说明双孢菇未来的也会有较好的市场价格，也可以列入食用菌栽培品种的备选方案，而对于香菇来说，其“很差”等级输出值高达0.998 5，价格预测十分差，应避免栽培这一品种的食用菌。

表2 食用菌价格预测结果Tab.2 Price forecast results of edible fungi

3 结论

基于模糊神经网络对食用菌价格建立了预测模型，对5种常见的食用菌栽培方案未来价格趋势进行了科学预测，运用模糊神经网络方法进行评价具有客观、准确的特点，能够有效避免盲目栽培食用菌品种所带来的市场价格波动，有效促进食用菌产业的健康发展。