基于小波神经网络的麦蚜发生量预测研究
关键词：小波神经网络;发生量;预测
Study on the Prediction of Occurrence Quantity of Wheat Aphids Based on Wavelet Neural Network
JIN Ran，LI Sheng-cai
（Agronomy College，Shanxi Agricultural Unversity，Taigu，Shanxi 030801，China）
Key words：wavelet neural network; occurrence;forecast
笔者运用小波神经网络这种复合型神经网络结构，采用更为准确的预测模型对麦蚜的发生量进行监测，对研究害虫灾害发生的动态规律、发展趋势，对农业部门指导农民科学生产[15-17]，采取有效措施减少虫害危害，增加农民收入，都具有很好的现实意义，不失为一种有益的尝试。
1 试验对象及数据来源
1.1 麦蚜数据
2 数据归一化处理
由于不同气象因子对麦蚜发生量量纲不同，数据值变化范围较大，会严重影响对小波神经网络的训练和学习速度，神经网络对[0，l]间的数据最敏感，因此，在进行建模之前，要将每个气象因子归一化处理，使每个气象因子都在[0，l]范围内。归一化公式为： Y=■
式中，Xi表示数据原始值，Y表示归一化后的数据，Xmax、Xmin分别表示每一类气象因子的最大值和最小值。
3 筛选气象因子
4 小波神经网络模型的建立
4.1 小波神经网络模型的结构
本研究采用的是紧致型小波神经网络，如图1所示。即用小波函数代替常规神经网络中的隐含层函数，用小波函数的尺度代替输入层到隐含层的权值，用小波函数的平移参数代替隐层阈值[18]。
4.2 小波神经网络结构设计
4.2.1 小波函数的选择 选择合适的小波具有相对灵活性，数据信号不同，需要恰当的小波作为分解基。小波基种类众多，信号不同，小波基不同。在实际应用中，小波函数的选择要根据小波的波形、支撑大小和消失矩阵的数目确定，即信号的特征相一致。本研究选用的是Morlet小波函数。
4.2.2 隐含层设置 隐含层节点的作用是从样本中提取并存储其内在规律，每个隐含层节点有许多能够增强网络映射能力的参数权值。若设置隐含层节点数量过多，易出现“过拟合”现象，使网络的泛化能力降低，训练时间增长。若隐含层节点数量太少，网络从样本中获取信息的能力就差，输出层很难体现训练集的样本规律[19]。
4.3 小波神经网络模型建立程序
笔者采用MATLAB软件编写对麦蚜发生量进行预测的小波神经网络模型，具体程序包括网络参数配置、输入输出数据归一化、网络训练、网络预测、结果分析等5个部分，由于篇幅有限，只将关键步骤写出。
4.3.1 网络参数配置
load（'E：＼work＼Ymax.mat'） %导入数据
trainx=input（1：30，：）;
trainy=output（31：35）;
M=size（trainx，2）; %输入节点个数
N=size（trainy，2）; %输出节点个数
n=15; %隐形节点个数
lr1=0.01 %学习概率
lr2=0.05 %学习概率
maxgen=150; %迭代次数
Wjk=randn（n，M）;
……
4.3.2 输入输出数据归一化
testy=output（31：35）;
[inputn，inputps]=mapminmax（input'，0，1）;
[outputn，outputps]=mapminmax（output'，0，1）;
trainxn=inputn（：，1：30）';
trainyn=outputn（1：30）';
4.3.3 网络训练
for i=1：maxgen
error（i）=0; %误差累计
for kk=1：size（trainx，1） %循环训练
……
y=y+Wij（k，j）*temp; %小波函数
error（i）=error（i）+sum（abs（yqw-y））;%计算误差和
for j=1：n %权值调整
temp=mymorlet（net_ab（j））; %计算d_Wij
……
4.3.4 网络预测
x=inputn（：，31：35）; %预测输入归一化
x=x';
for i=1：size（testy，1） %网络预测
……
ynn=mapminmax（'reverse'，yuce，outputps）; %预测输出反归一化
4.3.5 结果分析
figure（1）
plot（ynn，'r*：'）
hold on plot（testy，'bo--'）
title（'小波神经网络预测结果'，'fontsize'，12）
legend（'预测值'，'实际值'）
xlabel（'年份'）
ylabel（'蚜虫最大量'）
5 评价指标
由于样本数的限制，本试验预测方法还需要进一步改进并验证。下一步，可将小波神经网络与模糊神经网络、遗传神经网络、支持向量机所做模型进行比较，找到虫害预测预报更为准确的方法或将几种方法的优点结合起来，建立复合型模型。
参考文献：
[2] 张映梅，李修炼，赵惠燕.人工神经网络及其在小麦等作物病虫害预测中的应用[J].麦类作物学报，2002，22（4）：84-87.
[3] 朱大奇.人工神经网络研究现状及其展望[J]. 江南大学学报：自然科学版，2004，3（1）：103-109.