前言：尋找寫作靈感？中文期刊網(wǎng)用心挑選的神經(jīng)網(wǎng)絡農(nóng)業(yè)機械論文，希望能為您的閱讀和創(chuàng)作帶來靈感，歡迎大家閱讀并分享。

1基于遺傳算法的BP神經(jīng)網(wǎng)絡

但當BP神經(jīng)網(wǎng)絡應用于預測模型尤其對于未來增長趨勢比較明顯的預測模型時，雖然其收斂精度較高，但其值域范圍受限導致訓練樣本擬合函數(shù)與預測數(shù)據(jù)有較大差異，導致其局部搜索能力較強但全局搜索能力較差，易陷入局部最優(yōu)值。本文通過引入遺傳算法，發(fā)揮該算法全局搜索能力較強的特點，對BP神經(jīng)網(wǎng)絡權(quán)值和閾值進行預優(yōu)化，賦予各層較佳輸出解空間，發(fā)揮BP神經(jīng)網(wǎng)絡局部搜索能力強的特點，實現(xiàn)強強聯(lián)合，提高時間序列預測的精準度。

1．1BP神經(jīng)網(wǎng)絡

BP(BackPropagationnetwork)神經(jīng)網(wǎng)絡是當今預測領(lǐng)域應用最廣泛的一種神經(jīng)網(wǎng)絡算法。BP神經(jīng)網(wǎng)絡由3層組成:輸入層、隱含層和輸出層。每一層中都包含若干節(jié)點(神經(jīng)元)，不同層之間節(jié)點通過權(quán)值進行全連接，同層節(jié)點之間無連接。其中，隱含層可為多層，實際應用過程中有一個隱含層的三層神經(jīng)網(wǎng)絡結(jié)構(gòu)即可實現(xiàn)非線性函數(shù)擬合。

1．2遺傳算法

本文中的優(yōu)化對象為BP神經(jīng)網(wǎng)絡各層間權(quán)值和閾值。因此，在種群初始化時，遺傳算法采用常用的二進制編碼，并由農(nóng)業(yè)機械數(shù)量的歷史樣本數(shù)目確定遺傳算法將優(yōu)化的參數(shù)(權(quán)值和閾值)個數(shù)，從而確定種群的編碼長度。因BP神經(jīng)網(wǎng)絡隱含層神經(jīng)元采用S型傳遞函數(shù)，為減小計算誤差，減少或避免計算結(jié)果落入局部最小值，權(quán)值和閾值應避免選擇區(qū)間內(nèi)較小和較大數(shù)值，選擇在［－0．5，0．5］區(qū)間內(nèi)的隨機數(shù)。遺傳算法計算流程。

2預測結(jié)果與分析

本文采用基于遺傳算法的BP神經(jīng)網(wǎng)絡，以我國從1997－2013年的農(nóng)業(yè)機械數(shù)量為基礎數(shù)據(jù)進行訓練和測試和預測。其中，遺傳算法群體規(guī)模M=50，交叉概率pc=0．6，變異概率pm=0．01，BP神經(jīng)網(wǎng)絡權(quán)值閾值取值空間為［－0．5，0．5］，訓練次數(shù)為1000，訓練目標為0．01，學習速率為0．1。我國在1997－2013年期間的農(nóng)機總動力、農(nóng)用大中型拖拉機數(shù)量和小型拖拉機數(shù)量的預測值與歷史樣本數(shù)據(jù)之間的絕對值平絕誤差分別為1．080%、1．352%和1．765%。由此看出，使用基于遺傳算法的BP神經(jīng)網(wǎng)絡對于以農(nóng)業(yè)機械數(shù)量為預測對象的時間序列預測模型的預測精度較好，預測精度穩(wěn)定性較佳。從預測誤差可以看出，本文所使用的BP神經(jīng)網(wǎng)絡在預測本時間序列模型時，基本避免運算結(jié)果落入局部最小值，收斂性能較好，與前文中遺傳算法和BP神經(jīng)網(wǎng)絡優(yōu)勢互補、強強聯(lián)合的理論設想較為一致。2014年我國農(nóng)機總動力、農(nóng)用大中型拖拉機數(shù)量和小型拖拉機數(shù)量的預測結(jié)果來看，該預測結(jié)果與2013年度數(shù)值比較有較大增長，但增長幅度有所下降。預計到2014年，我國農(nóng)機總動力、大中型拖拉機數(shù)量和小型拖拉機數(shù)量分別為11．251×108kW、587．012萬臺和2043．201萬臺，與1997年相比分別增加了167．86%、751．96%和94．87%，與2013年相比分別增加了4．17%、10．75%和2．16%。其中，2014年農(nóng)機總動力和小型拖拉機數(shù)量增長率分別小于2013年的增長率5．88%和3．3%，農(nóng)用大中型拖拉機數(shù)量增長率大于2013年的增長率9．19%。由于我國在2004年出臺了一系列鼓勵提高農(nóng)業(yè)機械化的法律、政策、法規(guī)，中央財政農(nóng)機購置補貼資金投入連年大幅增加，極大地調(diào)動了農(nóng)民購機的積極性和企業(yè)生產(chǎn)的積極性，促進我國農(nóng)機裝備總量持續(xù)增長和農(nóng)機結(jié)構(gòu)優(yōu)化。隨著跨區(qū)作業(yè)和農(nóng)業(yè)生產(chǎn)合作社的逐步發(fā)展，有效提高了農(nóng)用大中型拖拉機在農(nóng)業(yè)生產(chǎn)中的的利用率，降低了農(nóng)民勞動強度，提高生產(chǎn)效率，因而其近幾年的保有量有較大增幅。小型拖拉機受農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)調(diào)整和農(nóng)業(yè)機械大型化的影響，其近幾年的保有量增幅逐年降低。

3結(jié)論

在分析全國農(nóng)業(yè)機械裝備數(shù)量的時間序列預測模型的基礎上，提出遺傳算法與BP神經(jīng)網(wǎng)絡相結(jié)合，發(fā)揮遺傳算法全局搜索能力較強的優(yōu)點，減少和避免出現(xiàn)BP神經(jīng)網(wǎng)絡在時間序列預測過程中運算結(jié)果落入局部最小值，最大程度地發(fā)揮神經(jīng)網(wǎng)絡精度高、可自主學習和對非線性函數(shù)具有良好適應能力等優(yōu)勢。預測結(jié)果表明，利用遺傳算法與BP神經(jīng)網(wǎng)絡相結(jié)合的方法預測全國農(nóng)業(yè)機械裝備數(shù)量，農(nóng)機總動力預測值與實際值最大誤差3．542%、農(nóng)用大中型拖拉機數(shù)量預測值與實際值最大誤差4．132%和小型拖拉機數(shù)量預測值與實際值最大誤差6．021%，預測值與歷史樣本數(shù)據(jù)之間的絕對值平均誤差分別為1．080%、1．352%和1．765%，預測精度較穩(wěn)定，適用本文本時間序列預測問題。

作者：王笑巖 王石 周琪 單位：朝陽師范高等專科學校數(shù)學計算機系 沈陽工程學院機械學院 渤海大學數(shù)理學院