基于LM-BP神经网络的农机总动力预测.pdf

《基于LM-BP神经网络的农机总动力预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、2017年1月农机化研究第1期基于LM－BP神经网络的农机总动力预测张力，王福林，刘宇燕，孙婷(东北农业大学工程学院，哈尔滨150030)摘要:利用黑龙江省1983－2013年农机总动力数据，运用标准BP神经网络和LM－BP神经网络对黑龙江省未来5年的农机总动力进行预测。预测结果表明:在达到相同的误差目标值(即计算期望精度)，LM－BP神经网络与标准PB相比，具有更快的收敛速度。如果需进一步减小误差目标值(即提高计算期望精度)时，标准BP神经网络在16h内都无法满足给定的精度要求;而LM－BP神经网络在20s内即可满足给定的精度要求。此时，LM－BP神经网络的收敛速度优势非常明显，而拟

2、合的精度也进一步提高，表明LM－BP神经网络具有较高的预测精度。准确的预测黑龙江省农机总动力，可为黑龙江省农业机械化发展规划的制定和近阶段农业机械化的发展水平提供参考依据。关键词:农机总动力;预测;LM－BP神经网络中图分类号:S23－01文献标识码:A文章编号:1003－188X(2017)01－0010－05DOI:10.13427/j.cnki.njyi.2017.01.003这时，尽管性能指数还远不能满足预定的精度，但是0引言此时的梯度幅度也会变得非常小，即权值和阈值的修人工神经网络是一门高度综合的交叉学科，其研正量也会变得非常小，这也会导致训练的时间变得非究和发展涉及到神经生

3、理科学、数理科学、信息科学常长。和计算机科学等众多学科领域。BP神经网络是人工农业机械化的发展有利于减少农村劳动力需求，神经网络的重要分支，其理论体系完善、算法流程清提高农业生产率，而农机总动力是衡量农业机械化水［1－4］晰、数据识别功能强大，故得到了广泛的应用，在解决平的主要指标，也是制定农业发展规划的有力依非线性系统问题时，优势突出。据。因此，能够精确预测农机总动力的发展趋势，可随着对BP神经网络研究的逐步深入，也暴露出以为区域农机发展规划和宏观调控工作提供参考。其误差收敛速度过慢的问题，其原因有以下几点:一农业机械总动力是指用于农、林、副、渔的机械总动力是BP神经网络中存在固定的

4、学习率，而训练过程对之和，具体包括拖拉机及配套农具、农业排灌动力机学习率十分明显，学习率过小，会导致性能指数收敛械、联合收割机、机动脱粒机及渔用机动船等机械动［5］速度变小，训练时间变长;当学习率过大时，性能指数力之和。可能会在某个误差等级上波动。二是BP算法本质是理论上已经证明，具有一个隐含层的三层神经网基于梯度的最速下降，利用权值的一阶导数信息来指络(见图1)可以逼近任意非线性函数。所以，本文利导下一步的权值调整方向，以求达到最终误差最小来用黑龙江省1983－2013年农机总动力数据，运用LM－保证算法的收敛性;但误差减小的速度最快并不能保BP神经网络对黑龙江省农机总动力进行拟合和

5、预［6］证收敛速度是最快。三是多层BP神经网络的传输函测。数一般是Sigmoid函数。该函数能把无穷大的输入变1LM－BP神经网络量，压缩到一个取值范围有限的输出变量当中。当给1)构造性能指数为Sigmoid函数一个很大输入时，会使其斜率趋近于零。QNT2F(x)=∑eqeq=∑vh(1)收稿日期:2015－11－23q=1h=1基金项目:国家自然科学基金项目(31071331);黑龙江省教育厅科学2T其中，h=(q－1)s+k这里构造向量v，v=技术研究项目(12511049)T作者简介:张力(1992－)，男，成都人，硕士研究生，(E－mail)［e1，1e1，2．．．es2，1．

6、．．ej，q．．．es2，1］使得F(x)=vv。v的535320706@qq．com。维数是＜N×1＞。其中，N=s2×Q。通讯作者:王福林(1960－)，男，黑龙江安达人，教授，博士生导师，(E～2－mail)fulinwang1462@126．com。2)计算递归敏感度S为·10·2017年1月农机化研究第1期22222～2vhek，q(tk，q－ak，q)(2)b区。Jb2的维数为＜S·Q×S＞，针对bSj，h=2=2=2nj，qnj，qnj，q区有(2)22ak，q[]=vh=ek，q=ek，q×nj，q=－2Jb2h，lx222nj，qlbjn

7、j，qbj(7)2～nj，q2=Sj，h×2bj2n22的维数是＜S·Q×S＞，所以有2b～22nJb2=S×2(8)b1210(3)W区。Jw1的维数为＜S·Q×S·S＞，针1对W区有1vhek，qek，qni，q[Jw]==1=1×11h，lxlωnωi，mi，qi，m(9)1～ni，q1=Si，h×1图1三层BP神经网络结构图ωi，mFig．1Thestructureofthree－layer－BPneu