基于神经网络的安徽省粮食产量组合预测研究

摘要

众所周知“民以食为天”，在中国近代史上曾多次爆发由于粮食问题引发的大规模饥荒，致使大量的人死亡，人口锐减，严重的甚至造成社会震荡酿成历史性的悲剧。因此，粮食问题关乎国家大计，影响着一个国家的生死存亡，是国家发展的根基。2016年，距离我国实现第一个一百年奋斗目标，即2020年全面建成小康社会还有四年，这期间的国家各项工作都在向着这一目标努力，其中粮食生产作为基础性工作至关重要。多年来粮食产量的预测一直是农业领域里的一项重要工作，预测出精准的粮食产量有利于国家其他领域包括国民生产总值、国民经济产业结构等方面的发展研究。据国家统计局调查数据显示，2014年安徽省粮食总产量为3415.83万吨，占全国比重5.63％。全年单产量排名由21位提升到19位，综合实力有所提升，且全年总产量连续7年创历史新高。这几组有关于安徽省的粮食产量数据告诉我们，安徽省粮食产量总值的准确分析及预测对于我国整体发展和经济建设在理论和实践方面都有着一定重要意义。
　　预测粮食产量的方法有很多，主要有灰色预测法、回归预测法、主成分分析法和神经网络预测法，其中神经网络和其他预测方法比较而言，预测的精度相对较高，它的体系结构灵感来自于生物神经网络的功能，试图模仿大脑神经网络的记忆和工作方式处理大量信息，是由神经元作为基本组成单位通过不同的连接方式以及不同种网络组合构建一个具有非线性且自适应的信息处理系统，是一种常用的数理统计预测方法，实质是能够用函数构建局部空间结构进行大量数据处理的数理统计学的标准学习方法。
　　本文主要针对安徽省1965年至2014年的粮食产量使用神经网络进行预测，首先分析了神经网络的模型、学习方法和网络结构等，并依次深入研究了BP神经网络、RBF神经网络、GRNN神经网络，并用基于IOWA算子组合前三种粮食产量预测方法，实践中BP神经网络存在收敛速度较慢，甚至不能收敛的问题，初始连接权值、阀值和网络结构选择具有随机性，取值大或过小都有可能出现过拟合和不收敛的情况；RBF神经网络因其隐含层神经网络单元的局部限制不能保证最优隐含层的确定，同时隐含层单元的数量通常固定，往往通过试凑经验选择，存在大量时间消耗的问题；GRNN神经网络基函数中心及宽度决定神经元的激活程度进而影响神经网络函数的逼近能力，传统的网络学习规则很容易出现局部最小值的收敛结果，甚至不收敛。
　　传统的组合预测方法是对各个单项预测方法的预测精度进行加权赋值，且对应每个预测方法各个时点的预测精度的加权系数一致。然而，实际预测过程中，各个预测方法对应不同时点的预测精度不一致，即一个时点预测精度高，在另一个时点预测精度低，所以需要新的组合预测方法针对不同时点的不同预测精度按实际情况赋予加权平均系数。基于IOWA算子组合预测模型，引入IOWA算子对各个单项预测方法不同时点的预测精度按一定高低顺序加权赋值，对得到的总的误差结果以误差平方和的方式建立预测模型，并设计不同种模型评价标准检测模型效果，实验分析组合模型比单项预测模型的预测效果好，可以提高一定的预测精度，适合安徽省粮食产量预测。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 问题的提出

1.2 论文研究的目的和意义

1.3 国内外的研究现状

1.4论文内容及结构安排

2神经网络基本理论

2.1神经网络概述

2.2神经网络的发展史

2.3神经网络的应用

2.4 神经网络特性

2.5神经元模型

2.6神经网络学习

2.7神经网络的结构

2.8本章小结

3 预测建模和数据准备

3.1预测建模

3.2数据的准备

3.3 本章小结

4基于神经网络的粮食产量预测模型研究

4.1 BP神经网络

4.2 RBF神经网络预测

4.3 GRNN神经网络

4.4 本章小结

5 基于IOWA算子粮食产量组合预测

5.1 组合预测概述

5.2 基于IOWA算子粮食产量预测模型

5.3 未来预测

5.4 模型评价

5.4本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

附录

致谢

个人简介