基于BP人工神经网络的柑橘产销预警模型验证成果

（1）输入和输出变量。对于柑橘产销预警而言，输入变量为先行警兆指标，根据表5-4可知，柑橘产销先行警兆指标包括农业机械总动力增长率、农业生产资料零售价格指数、柑橘单产增长率、柑橘平均每亩生产成本增长率、柑橘进口量增长率、有效灌溉面积增长率、受灾面积增长率，柑橘种植面积增长率；输出变量是警情指标即柑橘生产者价格变动率，根据表6-1中的综合原则确定的年度警限和警度：如果柑橘生产者价格变动率在-30%以下为负向重警，警度值为-1；-30%～-10%为负向轻警，警度值为-0.5；-10%～10%为无警，警度值为0；10%～50%为正向轻警，警度值为0.5；大于10%为正向重警，警度值为1，见表6-11。

表6-11　BP神经网络输出变量赋值表
Table 6-11　The assignment of the BP neural network output variable

（2）数据的标准化处理。选择Sigmoid函数作为连接函数，非线性的传递函数的值域一般是[0，1]或[-1，1]，对于输出层的传递函数来说，通过网络处理后的数据范围应该是（0，1）或[-1，1]，因此需要对输入和输出变量进行标准化处理，这样才能使训练网络的收敛速度加快，输出结果处于上述区间，达到预测预警的效果。利用式（6-31）对输入变量进行标准化处理，使之取值区间为[-1，1]。

式中，Pi为标准化处理后样本值；Ii为标准化处理前的原始样本值；I min为原始样本最小值；I max为样本最大值。而输出变量根据警度等级采用赋值方法进行标准化处理，每一警度值见表6-11。据此，2001—2015年中国柑橘生产者价格波动的警度见表6-12。

表6-12　柑橘生产者价格波动警度划分
Table 6-12　The warning degree classification of citrus producer price fluctuation

（3）建立BP神经网络模型。输入变量包含8个先行警兆指标，因此输入层的神经元有8个；输出变量就是1个警情指标，因此输出层神经元有1个。此外，综合考虑BP神经网络预测精度和网络训练所需时间长短，本文选择单隐层的网络结构。BP神经网络结构中隐层节点数的确定方法尚无定论，考虑到网络的收敛性、训练时间和容错性。采用公式（6-32）作为确定最佳隐层节点数的参考。(www.xing528.com)

式中，m为隐层节点数；n为输入层神经元的数量；p为输出层神经元的数量，取值范围为1～10。根据上述输入层和输出层神经元数可以确定本网络的最佳隐层节点数m应该是4～13之间的任意常数，根据反复训练试算，确定最佳隐层节点数为8。

（4）预警模型训练和测试。利用MATLAB R2012b软件实现该BP神经网络的构建，使用2001—2014年的柑橘产销预警指标体系数据进行预警模型训练，用2015年的柑橘产销预警指标体系数据进行测试。采用能够有效提高训练精度高和加快收敛速度的Trainlm函数作为训练函数，采用Tansig正切函数作为转移函数，设定训练周期最大次数为1000次，训练目标最小误差为0.00015，Levenberg-Marquart优化算Marquart调整参数mu=0.1，经过8次训练后，误差达到目标值，结果满足要求，具体如图6-8所示和见表6-13。

图6-8　BP神经网络预警模型训练过程
Eig.6-8　The training process of BP neural network early warning model

表6-13　BP神经网络产销预警输出结果
Table 6-13　The output results of BP neural network

从表6-13中可看出，2001—2014年BP神经网络的输出结果与实际警度很接近，说明所构建的BP神经网络预警模型较准确地拟合出了柑橘产销风险的实际情况，满足柑橘产销预测预警的基本要求。除此之外，还应该通过BP神经网络的趋势外推来判断BP神经网络的预测效果好坏，由此得出已构建的BP神经网络模型是适合进行柑橘产销预测预警的。采用2015年的警兆指标作为测试样本，对上述建立的BP神经网络预警模型进行验证。2015年的警情指标显示柑橘产销处于无警安全状态，即警度为“0”，通过BP神经网络得出的网络输出结果为“0.004”，与“0”非常接近，这表明BP神经网络对柑橘产销进行预测预警是有效的。