优化BP神经网络在玉米产量预测中的应用

马越

摘 要：玉米产量预测一直是农业发展过程中的重要组成部分。神经网络算法以其较好的非线性优化拟合能力应用于玉米产量的预测中。但是传统的神经网络算法具有收敛速度慢，易陷入局部最优等缺陷。从权值和阈值角度，用遗传算法优化BP神经网络应用于玉米产量预测，与基于自回归移动平均模型在玉米产量预测进行比较，证明运用遗传算法优化BP神经网络算法不仅能提高玉米产量预测中的收敛速度，而且在玉米产量预测精度上也有很大提高。同时对多因素影响下的事件进行预测提供了新的解决思路和方向。

关键词：遗传算法；BP神经网络；自回归移动平均模型；玉米产量预测

玉米是唐山生产的重要农作物之一，也是我国主要食用作物。快速准确地对唐山玉米产量进行预测可以为玉米生产的组织实施提供数据参考。然而，玉米的生产过程受自然和人为的双重影響，影响玉米产量的因素很多，要想准确预测玉米产量是一个难题。如今有很多学者采用各种方法进行了分析预测，但预测结果多有些偏差。主要由于玉米生产过程中受较多不确定因素制约，无法建立更加符合实际的模型进行描述[1]。因此，寻找一个更加切实可行的算法是玉米产量预测问题中的重中之重。

一、优化BP神经网络玉米产量预测模型

唐山处于华北平原北部，属于温带季风气候，降雨量适中，光照充足，具有发展玉米生产的良好条件，适合早、中、晚等不同熟期玉米品种种植。玉米是唐山市的第一大粮食产物，从2005年来，玉米的种植面积和产量一直呈增加态势。在唐山市8个粮食作物主产县（市）区，开展了玉米高产创建活动，推广了一些增产技术[2]，促进了唐山市玉米生产的发展。

但唐山市玉米种植基础条件较为薄弱，受自然灾害的影响依然较大。近些年，春旱、伏旱以及秋吊等现象严重影响玉米产量，使得玉米生产产量不稳定，同时玉米种植品种多而杂，缺乏高产稳产优质抗倒伏的春播品种。因此提高玉米产量生产效率，减小自然灾害对玉米产量的影响是迫切需要解决的问题。

本文综合影响玉米产量的所有特性，选择日照、降水、平均气温、播种面积作为影响玉米产量的主要因素。以河北省农村统计年鉴中的实际考察数据为试验数据样本来源，选取2012-2016年实际数据为样本数据，由表1可知，玉米产量与影响因素之间是非线性的关系。

为了消除不同因子之间由于量纲和数值大小的差异而造成的误差，通过公式对粮食产量数据进行标准化处理[3]，得到了符合网络要求的数据。

二、与自回归移动平均模型玉米产量预测比较分析

采用对遗传算法优化的神经网络算法进行计算，与自回归移动平均模型预测玉米产量的算法结果进行对比。得到结果如下表2：

由表2中可得，以遗传算法优化BP神经网络模型预测出的玉米产量较好，预测平均相对误差在1.09%。基于自回归移动平均模型预测玉米产量的平均相对误差在2.32%，两者相比，遗传算法优化BP神经网络算法更精确。

三、结论

本文主要考虑了自然因素中光照、降水量、温度和播种面积等影响玉米产量的因素。自回归移动平均模型在处理多因素问题预测中，极易出现误差。本文基于四种因素影响玉米产量预测的前提，在预测过程中发现各个因素之间有较强的相关性，采用遗传算法对参数进行了改进，优化了神经网络算法对玉米产量的预测。

参考文献：

[1]杨雨时，董连杰，管琳.基于粗糙集理论和BP神经网络的粮食产量预测方法[J].

[2]崔书会.唐山市玉米生产现状、存在的问题与发展对策[J].农业科技通讯，2011.06.

[3]郭庆春，何振芳，李力.基于LM-BP网络的粮食产量预测[J].湖北农业科学，2012，51（23）：5480-5481.endprint