[发明专利]基于BP人工神经网络的农作物害虫发生量的预测方法

权利要求书

1.一种基于BP人工神经网络的农作物害虫发生量的预测方法，其特征在于：首先，利用灰色关联分析法对待预测的农作物害虫过去的发生量和影响害虫发生的影响因子的原始数据进行关联度计算，剔除掉差异较大的数据；其次，对灰色关联分析法处理后的数据进行主成分分析，计算影响害虫发生的影响因子的累计贡献率；最后，利用BP人工神经网络对农作物害虫发生量进行预测，得到预测结果，具体步骤如下：

（1）、采集整理待预测的农作物害虫过去的发生量的原始数据和影响农作物害虫发生的影响因子的原始数据；

（2）、利用灰色关联度分析方法，计算原始数据之间的关联度，剔除差异较大数据；

（3）、对灰色关联分析法处理后的数据主成分分析，计算影响农作物害虫发生的影响因子的累计贡献率；

（4）、利用BP人工神经网络，对农作物害虫发生量进行预测。

2.根据权利要求1所述的基于BP人工神经网络的农作物害虫发生量的预测方法，其特征在于，上述步骤(2)中所述的利用灰色关联度分析方法，计算原始数据之间的关联度，剔除差异较大数据，其操作步骤如下：

（21）、对农作物害虫过去的发生量的原始数据进行标准化处理，消除各数据间的量纲关系，使数据一致，

对农作物害虫过去的发生量的原始数据进行标准化处理，将各指标的属性值统一到（-1，1）范围内，计算式如下： 

其中，是标准化矩阵的第i行第j列的数值，是参与标准化矩阵的第i行第j列的数值，是参与标准化矩阵的第i列的平均值；

（22）、计算一级绝对差矩阵

计算一级绝对差矩阵，其计算式为：

                

其中，是绝对差矩阵，是标准化矩阵的参照向量第k个值，是标准化矩阵第i个向量的第k个值；

（23）、计算关联度系数矩阵

根据步骤（22）计算得到的绝对差矩阵，计算关联度系数矩阵，其计算式为：

         

其中，是关联度系数矩阵，是绝对差矩阵，是二级最小差，  是二级最大差，是分辨系数，，一般取；                

（24）、计算灰色关联度

根据步骤（23）计算得到农作物害虫过去的发生量的原始数据之间的关联度系数矩阵 ，计算出灰色关联度，其计算式为： 

   

其中，是灰色关联度， 是关联系数矩阵，N是向量的维数；

3、根据权利要求1所述的基于BP人工神经网络的农作物害虫发生量的预测方法，其特征在于，上述步骤（3）中所述的对灰色关联分析法处理后的数据主成分分析，计算影响农作物害虫发生的影响因子的累计贡献率，其操作步骤如下：

（31）、对影响农作物害虫发生的影响因子进行标准化处理，消除各数据间的量纲关系，使数据一致，

影响因子的标准化处理，计算式为：

                                                       

    其中，是标准化矩阵的第i行第j列的数值，是参与标准化矩阵的第i行第j列的数值，是参与标准化矩阵的第i列的平均值；

（32）、计算影响农作物害虫发生的影响因子的相关系数矩阵

 计算影响因子的相关系数矩阵，其计算式为：

                     

   

其中， 是标准化矩阵第i行与第j行的相关系数，是标准化矩阵的第j行第i列的数值，是标准化矩阵的第i行第k列的数值，是标准化矩阵的第j行向量，是标准化矩阵的第k行向量转置，是相关系数矩阵，

利用标准化后的数据计算影响因子相关系数矩阵，其计算式为：

                                       

                   i，j= 1，2…，12， n=7

    （33）、计算相关系数矩阵特征值、特征向量

根据步骤（32）计算得到相关系数矩阵为R，其求解特征方程:

  

其中，是相关系数矩阵，是特征值，是单位矩阵，

得到相关系数矩阵R的特征值，每个特征值对应的特征向量为：；                              

（34）、计算前q个主成分所占的累计贡献率

前q个主成分所占的累计贡献率计算式为:

       

其中，是影响农作物害虫发生的累计贡献率，是第组数据的特征值，n为主成分的个数，q为累计贡献率达到75%以上的主成分个数；

4、根据权利要求1所述的基于BP人工神经网络的农作物害虫发生量的预测方法，其特征在于，上述步骤（4）中所述的利用BP人工神经网络，对农作物害虫发生量进行预测，其具体步骤为： 

（41）、确定BP人工神经网络输入层节点个数

设输入层节点个数为主成分分析后的主成分个数；

（42）、确定BP人工神经网络输出层节点个数

设输出层节点数为预测结果的个数；

（43）、确定BP人工神经网络传递函数

（44）、确定BP人工神经网络隐含层神经元个数

（45）、训练BP人工神经网络

以主成分分析后的数据和历年该农作物的发生量为训练样本，对BP人工神经网络进行训练；

（46）、利用训练后的BP人工神经网络，对农作物的发生量进行预测。