[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

说明书

技术领域

本发明属于智能预测技术领域，具体地说是涉及一种基于BP人工神经网络的农作物害虫发生量的预测方法。

背景技术

近年来，随着现代计算智能技术的发展，利用BP人工神经网络建立农业预测模型已取得了较好的预测效果，例如有文章报道，其题目为“BP人工神经网络在家蚕杂交组合预测中的应用初探”（该文作者是：何克荣 柳新菊 祝新荣, 发表于2010年出版的《蚕桑通报》第41卷第3期第26-28页），该文公开了一种利用BP人工神经网络建立家蚕杂种一代的6个经济性状的预测模型的方法；和文章“基于BP神经网络的果蔬热导率预测模型”（该文作者是：张敏，钟志友，杨乐，等，发表于2010年出版的《农业机械学报》第41卷第10期第117-121页），该文公开了根据果蔬热导率与可溶性固形物含量、含水率、密度和硬度等因素的变化关系, 建立一种基于BP神经网络的果蔬热导率预测模型的方法；以及文章“稻纵卷叶螟发生程度的神经网络预警”（该文作者是：汪四水, 张孝羲, 张夕林，发表于2003年出版的《生物数学学报》第18卷第1期第93-97页），该文公开了一种利用BP人工神经网络原理，结合500pb西太平洋副热带高压和江苏省通州市稻纵卷叶螟发生程度的数据，建立稻纵卷叶螟发生程度预警模型的方法。已有利用BP人工神经网络建立的农业预测模型存在的不足：（1）在农业数据采集过程中存在大量由于人为、设备、仪器仪表精度限制等原因导致的误差，现有预测方法对这些误差一般都忽略不计，从而极大的影响了预测模型的稳定性和准确性。（2）利用BP人工神经网络进行预测时，存在着输入因子少时，导致其预测准确性低；输入因子多时，BP人工神经网络运算量大、导致其预测结果得不到收敛。目前基于BP人工神经网络建立的预测方法，很难有效地解决这一矛盾。

发明内容

鉴于以上所述现有技术存在的技术问题，本发明的目的是提供一种基于BP人工神经网络的农作物害虫发生量的预测方法，该方法能在原始数据信息不丢失的情况，降低预测的影响因子维数，减少运算量，提高预测精度。

为了达到上述目的，本发明的构思如下：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。

根据上述的发明构思，本发明采用下述技术方案：

本发明的基于BP人工神经网络的农作物害虫发生量的预测方法，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。

上述步骤（2）中所述的利用灰色关联度分析方法，计算农作物害虫过去的发生量的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；