基于BP算法的林分材种出材率模型研究

基于BP算法的林分材种出材率模型研究基于BP算法的林分材种出材率模型研究基于BP算法的林分材种出材率模型研究,计算机工程应用技术, 王冬赵同林约4201字摘要:通过对伐区设计资料,及实际生产码单数据进行学习,确定以平均胸径、平均树高、保留密度、蓄积量为输入神经元,分析了影响BP网络学习效率和预测精度的影响因素,主要从隐含层神经元数量、训练数、隐含层激励函数、学习样本数量几个方面对材种出材率预测BP 网络模型进行了优化,确定了林分经验材种出材率预测人工神经网络模型。为林分经验材种出材率表的编制提供一种新的思路与方法。关键词:神...

基于BP算法的林分材种出材率模型研究基于BP算法的林分材种出材率模型研究,计算机工程应用技术, 王冬赵同林约4201字摘要:通过对伐区设计资料,及实际生产码单数据进行学习,确定以平均胸径、平均树高、保留密度、蓄积量为输入神经元, 分析了影响BP网络学习效率和预测精度的影响因素,主要从隐含层神经元数量、训练数、隐含层激励函数、学习样本数量几个方面对材种出材率预测BP 网络模型进行了优化,确定了林分经验材种出材率预测人工神经网络模型。为林分经验材种出材率表的编制提供一种新的思路与方法。关键词:神经网络;林分材种出材率;预测;BP学习算法中图分类号:TP37文献标识码:A文章编号:1009-3044(2009)31-0000-00 A Study on the Stand Merchant Radio Prediction Model Based on BP Algorithm WANG Dong, ZHAO Tong-lin (Southwest Forestry Univerciey, Kunming 650224, China) Abstract: Design information through the cutting area, and the actual production code to study a single data to determine the average diameter at breast height, average tree height, retention density, accumulation of input neurons, and analyzed the impact of BP network learning efficiency and prediction accuracy of the impact of factors, primarily From the number of hidden layer neurons, training the number of hidden layer activation function, number of samples to study several aspects of the timber timber rate is forecast to grow BP network model has been optimized to determine the experience of the forest timber timber rate is forecast to grow artificial neural network model. Experience as a stand Merchantable Volume Table for the rate to provide a new thinking and methods. Key words: neural network; merchant ratio;prediction;BP algorithm 林分出材率受到平均胸径、平均树高、立地质量、年龄、保留密度、蓄积量等诸多因素的影响,材种出材率的变化具有非线性及非确定性特征。传统的林分材种出材率预测采用统计分析的方法,需要大量样木单元(大于100个样本)为基础,模型涉及的参数较多,许多参数缺乏成熟的测定方法。人工神经网络(ArtificicalNeuralNetwork,简称ANN)是基于实例的方法, 不需要考虑数学模型的内部结构,不需要假设前提条件,不需要人为地确定因子权重,作为一个黑箱综合地映射研究对象的整体性。ANN具有大规模并行运算、自适应、自学习、容错性的能力,使它成为一个在传统统计方法之外,十分引人注目的新方法,并广泛的应用于生物系统中非线性行为的预测建模。因此,运用人工神经网络对林分材种出材率进行预测具有独特的优势,也为林分出材率的预测提供了新思路。 1 标准的BP算法 BP网络按有学习目标的方式进行学习,当为网络提供一对学习样本后,经过神经网络内的工作信号一系列正向传播,得到网络的输出值,然后根据期望输出与网络的实际输出间的误差按反向误差信号对网络进行调节,这样,随着学习过程的不断迭代进行,网络的实际输出值也就逐渐逼近希望输出值。在样本学习中第k个样本的第n次迭代中输出层的第1个单元的网络实际输出为ylk(n), 样本希望输出值为tlk(n),则该单元的误差信号为: ? (1) 经典的即算法的目标函数为: ?(2) BP算法是通过梯度下降法调整所有权值和阀值使网络的实际输出值逼近希望输出值的。以三层网络为例,梯度下降法的各层权值的修正量为: ?(3) Q为训练样本总数, N为输出层单元总数,E(n)为学习的目的应使E(n)达到某一规定小量。E(n)是网络所有权值以及输入信号的函数。另外: ?(4) η:学习步长,η的取值过小则收敛速度慢,过大则容易引起震荡,一般取0.5~0.9; xik:第k个样本的输入层的第i个单元值; hjk(n):第k样本的第n次迭代中隐含层的第j个单元值; ylk(n):第k个样本的第n次迭代中输出端的第1个单元实际输出值; tlk(n):第k个样本的第n次迭代中输出端的第1个单元样本希望输出值; δlk(n),δjk(n) :第k个样本的第n次迭代中的权值局部梯度。误差逆向传播,得n+1次迭代的权值为 w(n+l)=w(n)+?w(n) (5) 在第n+1迭代中重复以上各步,同样求得w(n+2)。如此反复循环,最终得到一组权值,网络的代价函数值小于规定数值,则学习成功。 3 数据处理由于BP网络模型的建立在很大程度上依赖于培训样本集,因此,培训样本的选择也就格外的重要。与传统建模一样,样本可以来自实验室,也可以来自实际生产数据,甚至设计时的模拟数据。总共收集到三年度(2003年,2004年,2005年)的137份数据资料,根据森林经营分公司对伐区设计的要求(即设计出材与实际出材的误差不超过390)对数据进行预处理,最后得到87份样本数据。表1样本数据的分布情况 ? 3.1 数据的标准化处理我们所用的BP网络的传递函数为Siglnoid函数,其工作区域为[0,1],因此对于具体对象的真实样本还要进行预处理,将其对应到区间[0,1]之中。对于归一化计算公式的选择,原则上没有限制,只要能将培训样本变成区间 [0,1]上的数即可。本文采用的公式为: ?(6) 式中: xi'一样本归一化后的数值; xi一学习样本数值; xmin 一样本系列中的最小值; xmax一样本系列中的最大值; 把样本归一到0到1的区域内,最大地节约了网络资源,减轻了网络的学习负担,能够加快网络收敛并且较大地改善了网络的训练结果。经过研究样本数据,发现输出单元己经在(0,1)之间,因此只要对输入单元进行归一化处理。

                    本文档为【基于BP算法的林分材种出材率模型研究】，请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑，
                    图片更改请在作品中右键图片并更换，文字修改请直接点击文字进行修改，也可以新增和删除文档中的内容。 
 该文档来自用户分享，如有侵权行为请发邮件ishare@vip.sina.com联系网站客服，我们会及时删除。

                    [版权声明] 本站所有资料为用户分享产生，若发现您的权利被侵害，请联系客服邮件isharekefu@iask.cn，我们尽快处理。

                    本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权，请谨慎使用。

                    网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传，仅限个人学习分享使用，禁止用于任何广告和商用目的。
                

下载需要：免费已有0 人下载

立即下载

基于BP算法的林分材种出材率模型研究

你可能还喜欢