前言：尋找寫作靈感？中文期刊網用心挑選的神經網絡農業機械論文，希望能為您的閱讀和創作帶來靈感，歡迎大家閱讀并分享。

1基于遺傳算法的BP神經網絡

但當BP神經網絡應用于預測模型尤其對于未來增長趨勢比較明顯的預測模型時，雖然其收斂精度較高，但其值域范圍受限導致訓練樣本擬合函數與預測數據有較大差異，導致其局部搜索能力較強但全局搜索能力較差，易陷入局部最優值。本文通過引入遺傳算法，發揮該算法全局搜索能力較強的特點，對BP神經網絡權值和閾值進行預優化，賦予各層較佳輸出解空間，發揮BP神經網絡局部搜索能力強的特點，實現強強聯合，提高時間序列預測的精準度。

1．1BP神經網絡

BP(BackPropagationnetwork)神經網絡是當今預測領域應用最廣泛的一種神經網絡算法。BP神經網絡由3層組成:輸入層、隱含層和輸出層。每一層中都包含若干節點(神經元)，不同層之間節點通過權值進行全連接，同層節點之間無連接。其中，隱含層可為多層，實際應用過程中有一個隱含層的三層神經網絡結構即可實現非線性函數擬合。

1．2遺傳算法

本文中的優化對象為BP神經網絡各層間權值和閾值。因此，在種群初始化時，遺傳算法采用常用的二進制編碼，并由農業機械數量的歷史樣本數目確定遺傳算法將優化的參數(權值和閾值)個數，從而確定種群的編碼長度。因BP神經網絡隱含層神經元采用S型傳遞函數，為減小計算誤差，減少或避免計算結果落入局部最小值，權值和閾值應避免選擇區間內較小和較大數值，選擇在［－0．5，0．5］區間內的隨機數。遺傳算法計算流程。

2預測結果與分析

本文采用基于遺傳算法的BP神經網絡，以我國從1997－2013年的農業機械數量為基礎數據進行訓練和測試和預測。其中，遺傳算法群體規模M=50，交叉概率pc=0．6，變異概率pm=0．01，BP神經網絡權值閾值取值空間為［－0．5，0．5］，訓練次數為1000，訓練目標為0．01，學習速率為0．1。我國在1997－2013年期間的農機總動力、農用大中型拖拉機數量和小型拖拉機數量的預測值與歷史樣本數據之間的絕對值平絕誤差分別為1．080%、1．352%和1．765%。由此看出，使用基于遺傳算法的BP神經網絡對于以農業機械數量為預測對象的時間序列預測模型的預測精度較好，預測精度穩定性較佳。從預測誤差可以看出，本文所使用的BP神經網絡在預測本時間序列模型時，基本避免運算結果落入局部最小值，收斂性能較好，與前文中遺傳算法和BP神經網絡優勢互補、強強聯合的理論設想較為一致。2014年我國農機總動力、農用大中型拖拉機數量和小型拖拉機數量的預測結果來看，該預測結果與2013年度數值比較有較大增長，但增長幅度有所下降。預計到2014年，我國農機總動力、大中型拖拉機數量和小型拖拉機數量分別為11．251×108kW、587．012萬臺和2043．201萬臺，與1997年相比分別增加了167．86%、751．96%和94．87%，與2013年相比分別增加了4．17%、10．75%和2．16%。其中，2014年農機總動力和小型拖拉機數量增長率分別小于2013年的增長率5．88%和3．3%，農用大中型拖拉機數量增長率大于2013年的增長率9．19%。由于我國在2004年出臺了一系列鼓勵提高農業機械化的法律、政策、法規，中央財政農機購置補貼資金投入連年大幅增加，極大地調動了農民購機的積極性和企業生產的積極性，促進我國農機裝備總量持續增長和農機結構優化。隨著跨區作業和農業生產合作社的逐步發展，有效提高了農用大中型拖拉機在農業生產中的的利用率，降低了農民勞動強度，提高生產效率，因而其近幾年的保有量有較大增幅。小型拖拉機受農業產業結構調整和農業機械大型化的影響，其近幾年的保有量增幅逐年降低。

3結論

在分析全國農業機械裝備數量的時間序列預測模型的基礎上，提出遺傳算法與BP神經網絡相結合，發揮遺傳算法全局搜索能力較強的優點，減少和避免出現BP神經網絡在時間序列預測過程中運算結果落入局部最小值，最大程度地發揮神經網絡精度高、可自主學習和對非線性函數具有良好適應能力等優勢。預測結果表明，利用遺傳算法與BP神經網絡相結合的方法預測全國農業機械裝備數量，農機總動力預測值與實際值最大誤差3．542%、農用大中型拖拉機數量預測值與實際值最大誤差4．132%和小型拖拉機數量預測值與實際值最大誤差6．021%，預測值與歷史樣本數據之間的絕對值平均誤差分別為1．080%、1．352%和1．765%，預測精度較穩定，適用本文本時間序列預測問題。

作者：王笑巖 王石 周琪 單位：朝陽師范高等專科學校數學計算機系 沈陽工程學院機械學院 渤海大學數理學院