基于BP神經(jīng)網(wǎng)絡的水稻蟲情預測的實現(xiàn)附matlab代碼
?作者簡介：熱愛科研的Matlab仿真開發(fā)者，修心和技術同步精進，
代碼獲取、論文復現(xiàn)及科研仿真合作可私信。
??個人主頁：Matlab科研工作室
??個人信條：格物致知。
更多Matlab完整代碼及仿真定制內(nèi)容點擊??
智能優(yōu)化算法?? ? ??神經(jīng)網(wǎng)絡預測?? ? ??雷達通信?? ? ?無線傳感器?? ? ? ?電力系統(tǒng)
信號處理?? ? ? ? ? ? ?圖像處理?? ? ? ? ? ? ??路徑規(guī)劃?? ? ??元胞自動機?? ? ? ?無人機
?? 內(nèi)容介紹
1.1研究的目的及意義
中國是農(nóng)業(yè)大國，搞好農(nóng)業(yè)生產(chǎn)是關系到本國長治久安的重要事。在中國的農(nóng)作物生產(chǎn)中，作為中國重要的糧食作物之一的水稻，占有舉足輕重的地位，根據(jù)統(tǒng)計，在1995年，我國稻谷種植面積大約為2978萬hm2，占全球稻谷種植面積的19.2%，其中全國稻谷種植面積的29.9%；稻谷作為全國糧食農(nóng)作物中單個產(chǎn)量最高的作物，為6.31噸/hm2，可以看出，稻谷產(chǎn)量的高迪對全國農(nóng)業(yè)的糧食的產(chǎn)量有重要影響，由此，研究怎樣提高稻谷的產(chǎn)量具有深遠意義?？墒牵驗榉N類、周圍環(huán)境、栽培體制等變化情況各不相同，使害蟲對稻谷的影響日益嚴重，導致了巨大的經(jīng)濟損失。所以開發(fā)出一套能實時預測農(nóng)作物蟲情的系統(tǒng)是非常重要的事情。對農(nóng)作物病害防治的最好方法就是能及時地準確地預測害蟲成長，只有準確的預測蟲情的發(fā)生周期、覆蓋量大小和危害程度，從而做到有目標及時的預防，把農(nóng)作物害蟲的影響控制在最低范圍，既不會因害蟲的危害而造成傷害，也不會因預防不當導致農(nóng)藥的浪費。
1.2國內(nèi)水稻害蟲預測的介紹
1.2.1水稻害蟲預測的分類
（一）按預測內(nèi)容分：
1、發(fā)生期預測：預測某種蟲害的某生態(tài)活蟲齡的危害期或出現(xiàn)。
2、發(fā)生量預測：需常年堅持搜集資料
3、遷飛害蟲預測：根據(jù)發(fā)生地遷飛害蟲的數(shù)目、種類、動態(tài)特性特點，加上環(huán)境變化、天氣監(jiān)測數(shù)據(jù)，從而做到對害蟲遷飛時期、數(shù)量、發(fā)生區(qū)域的預測。
（二）按預測時間長短分：
1、短期預測：預測的期限在二十天左右。
2、中期預測：預測期限為一個季度。
3、長期預測：預測期限為一個季度以上，害蟲繁殖生長的時間不同和物種種類決定預測時期的周期。如果繁殖時間速度快、生殖周期短，相應的預測期限就很短，反過來就很長，甚至超過一年。
1.2.2?水稻害蟲預測的方法
（一）統(tǒng)計法：
主要思想是根據(jù)先驗知識來模擬事件的發(fā)生規(guī)律，對與水稻蟲情預測可以根據(jù)前幾年的觀測獲得的蟲情資料，分別記錄每一時期蟲情危害程度與氣候因素、地質(zhì)因素的關系，可以將每一時期的影響因素和危害程度設為一個樣本，然后根據(jù)大量的樣本通過神經(jīng)網(wǎng)絡等方法預測蟲情的發(fā)生量。
（二）實驗法：
主要依據(jù)各蟲害的生物周期作為預測依據(jù)進行預測。蟲害的生理周期可以通過當前天氣預報所提供的氣象信息來預測。同時還可以用實驗法研究環(huán)境、營養(yǎng)、宿敵等因素對繁殖速率和蟲害發(fā)生量的影響，可以為統(tǒng)計的方法提供樣本特性。
（三）觀測法：
直接通過觀測水稻蟲情變化，記錄其變化的周期、發(fā)育高峰時期、危害程度等。
1.3本文的研究線路
隨著人工智能技術的快速發(fā)展，給農(nóng)作物蟲情預測提供了很多新方法，神經(jīng)網(wǎng)絡具有自學習和自適應等特征，并且又具有很強的非線性逼近能力，所以它不用建立復雜的非線性系統(tǒng)的顯含關系和數(shù)學模型就可以避免許多人為因素的影響，也可以克服傳統(tǒng)定量預測方法的許多局限及面臨的困難。
在實際應用中，利用BP神經(jīng)網(wǎng)絡模型占十之八九。BP網(wǎng)絡是神經(jīng)網(wǎng)絡中活躍程度最大、效果最明顯的誤差反向傳播算法。它可以漸進任意一個連續(xù)函數(shù)，因此對于那些復雜輸入的，諸如有很大的未知性、非單一輸入、非線性等問題，對于多層BP網(wǎng)絡就可以進行分析。
本文主要由以下幾部分組成：
（一）掌握水稻蟲害的相關知識，搜集水稻蟲害發(fā)生量與外界因素（日照時數(shù)、降
量、平均氣溫、最低氣溫）之間關系的資料。
（二）設計BP網(wǎng)絡的結(jié)構(gòu):將BP網(wǎng)絡設置為三層。其中輸入層有4個節(jié)點，分別
代表四個外界自然因素。輸出層也有4個節(jié)點，分別代表水稻蟲情危害的四個程度。利用最速下降算法對水稻蟲情進行預測。
（三）學習Matlab語言，利用合適的工具編寫B(tài)P網(wǎng)絡。輸入部分樣本進行訓練。
（四）將余下的樣本作為預測樣本，檢驗該BP網(wǎng)絡的正確率。
第一章?BP神經(jīng)網(wǎng)絡
BP網(wǎng)絡是一種多層前向型神經(jīng)網(wǎng)絡，其神經(jīng)元的傳遞是S型函數(shù)，輸出量為0~1的連續(xù)量，它可以實現(xiàn)從輸入到輸出的任意非線性映射。由于權值的調(diào)整采用反向傳播學習算法，因此也常稱其為BP網(wǎng)絡。
BP網(wǎng)絡主要用于以下四方面:
1)函數(shù)逼近:用輸入矢量和相應的輸出矢量訓練一個網(wǎng)絡逼近一個函數(shù);
2)模式識別:用一個特定的輸出矢量將它與輸入矢量聯(lián)系起來;
3)分類:把輸入矢量以所定義的合適方式進行分類;
4)數(shù)據(jù)壓縮:減少輸出矢量維數(shù)以便于傳輸或存儲。
2.1 BP神經(jīng)網(wǎng)絡模型
BP網(wǎng)絡是基于BP誤差傳播算法的多層前饋網(wǎng)絡,多層BP網(wǎng)絡不僅有輸入節(jié)點、輸出節(jié)點,而且還有一層或多層隱含節(jié)點。三層BP網(wǎng)絡的拓撲結(jié)構(gòu)如圖2-1。包括輸入層、輸出層和一個隱含層。一個神經(jīng)元模型如圖2-2.各神經(jīng)元與下一層所有的神經(jīng)元聯(lián)結(jié),同層各神經(jīng)元之間無聯(lián)結(jié),用箭頭表示信息的流動。?
2.2 BP神經(jīng)網(wǎng)絡算法
在確定了BP網(wǎng)絡的結(jié)構(gòu)后，要通過輸入輸出樣本集對網(wǎng)絡進行訓練，即對網(wǎng)絡的閾值和權值進行學習和修正，使得網(wǎng)絡實現(xiàn)給定的輸入、輸出映射關系。
BP網(wǎng)絡的學習過程分為兩個階段：第一個階段是輸入已知學習樣本，通過設置的網(wǎng)絡結(jié)構(gòu)和前一次迭代的權值和閾值，從網(wǎng)絡第一層向后計算各神經(jīng)元的輸出。第二個階段是對權值和閾值進行修改，從最后一層向前計算各權值和閾值對總誤差的影響，據(jù)此對各權值和閾值進行修改。以上兩個過程反復交替，直到達到收斂為止。
現(xiàn)以如圖2-1所示的三層BP網(wǎng)絡為例,進行算法推導。當網(wǎng)絡輸出與期望輸出不相等時，存在輸出誤差E，定義如下：
?? 部分代碼
%% ?清空環(huán)境變量warning off ? ? ? ? ? ? % 關閉報警信息close all ? ? ? ? ? ? ? % 關閉開啟的圖窗clear ? ? ? ? ? ? ? ? ? % 清空變量clc ? ? ? ? ? ? ? ? ? ? % 清空命令行%% ?導入數(shù)據(jù)res = xlsread('數(shù)據(jù)集.xlsx');%% ?劃分訓練集和測試集temp = randperm(357);P_train = res(temp(1: 240), 1: 12)';T_train = res(temp(1: 240), 13)';M = size(P_train, 2);P_test = res(temp(241: end), 1: 12)';T_test = res(temp(241: end), 13)';N = size(P_test, 2);%% ?數(shù)據(jù)歸一化[p_train, ps_input] = mapminmax(P_train, 0, 1);p_test ?= mapminmax('apply', P_test, ps_input);t_train = ind2vec(T_train);t_test ?= ind2vec(T_test );
?? 運行結(jié)果
?? 參考文獻
本程序參考以下中文EI期刊，程序注釋清晰，干貨滿滿。
[1]朱凱,王正林.精通MATLAB神經(jīng)網(wǎng)絡[M].北京:電子工業(yè)出版社,2010:115.
[2]李永國.智能預測控制及其MATLAB實現(xiàn)[M].北京:電子工業(yè)出版社?2005:33.
