【虫情预测】BP神经网络水稻虫情预测【含Matlab源码 3317期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、BP神经网络水稻虫情预测

** 摘要**
农作物虫害一直对庄稼的生长造成了巨大的危害，使作物丰收惨遭损失。为了使害虫得到有效的治理，其关键就是预测害虫发生动态，从而采用准确的措施来减少害虫的发生量，确保庄稼的好丰收。
预测害虫发生量是决定防治庄稼的面积、防治频率及防治范围的依据。随着人工智能技术的快速发展，载加上计算机的辅助，给水稻虫情预测提供了很多新方法，神经网络具有自学习和自适应等特征，并且又具有很强的非线性逼近能力，所以它不用建立复杂的非线性系统的显含关系和数学模型就可以避免许多人为因素的影响，也可以克服传统定量预测方法的许多局限及面临的困难。因此，神经网络在建立合理性和适用性的预测模拟中具有独特的优势，为解决水稻虫害发生量这种非线性系统的预测提供有效的方法。
本次课程设计利用BP神经网络理论,基于MATLAB语言建立了水稻虫害发生量预测系统,确定了发生量与自然因素之间的联系。其中自然因素包括以下四个：日照时长、降雨量、平均气温、最低气温。并通过对黄冈黄州田间水稻2003年到2010年间6月到11月气象数据与虫害发生程度的对应关系来建立模型，对实验结果进行了一系列的分析。

1 绪论
1.1研究的目的及意义
中国是农业大国，搞好农业生产是关系到本国长治久安的重要事。在中国的农作物生产中，作为中国重要的粮食作物之一的水稻，占有举足轻重的地位，根据统计，在1995年，我国稻谷种植面积大约为2978万hm2，占全球稻谷种植面积的19.2%，其中全国稻谷种植面积的29.9%；稻谷作为全国粮食农作物中单个产量最高的作物，为6.31吨/hm2，可以看出，稻谷产量的高迪对全国农业的粮食的产量有重要影响，由此，研究怎样提高稻谷的产量具有深远意义。可是，因为种类、周围环境、栽培体制等变化情况各不相同，使害虫对稻谷的影响日益严重，导致了巨大的经济损失。所以开发出一套能实时预测农作物虫情的系统是非常重要的事情。对农作物病害防治的最好方法就是能及时地准确地预测害虫成长，只有准确的预测虫情的发生周期、覆盖量大小和危害程度，从而做到有目标及时的预防，把农作物害虫的影响控制在最低范围，既不会因害虫的危害而造成伤害，也不会因预防不当导致农药的浪费。

1.2 国内水稻害虫预测的介绍
1.2.1 水稻害虫预测的分类
（一）按预测内容分：
1、发生期预测：预测某种虫害的某生态活虫龄的危害期或出现。
2、发生量预测：需常年坚持搜集资料
3、迁飞害虫预测：根据发生地迁飞害虫的数目、种类、动态特性特点，加上环境变化、天气监测数据，从而做到对害虫迁飞时期、数量、发生区域的预测。
（二）按预测时间长短分：
1、短期预测：预测的期限在二十天左右。
2、中期预测：预测期限为一个季度。
3、长期预测：预测期限为一个季度以上，害虫繁殖生长的时间不同和物种种类决定预测时期的周期。如果繁殖时间速度快、生殖周期短，相应的预测期限就很短，反过来就很长，甚至超过一年。

1.2.2 水稻害虫预测的方法
（一）统计法：
主要思想是根据先验知识来模拟事件的发生规律，对与水稻虫情预测可以根据前几年的观测获得的虫情资料，分别记录每一时期虫情危害程度与气候因素、地质因素的关系，可以将每一时期的影响因素和危害程度设为一个样本，然后根据大量的样本通过神经网络等方法预测虫情的发生量。
（二）实验法：
主要依据各虫害的生物周期作为预测依据进行预测。虫害的生理周期可以通过当前天气预报所提供的气象信息来预测。同时还可以用实验法研究环境、营养、宿敌等因素对繁殖速率和虫害发生量的影响，可以为统计的方法提供样本特性。
（三）观测法：
直接通过观测水稻虫情变化，记录其变化的周期、发育高峰时期、危害程度等。

1.3本文的研究线路
随着人工智能技术的快速发展，给农作物虫情预测提供了很多新方法，神经网络具有自学习和自适应等特征，并且又具有很强的非线性逼近能力，所以它不用建立复杂的非线性系统的显含关系和数学模型就可以避免许多人为因素的影响，也可以克服传统定量预测方法的许多局限及面临的困难。
在实际应用中，利用BP神经网络模型占十之八九。BP网络是神经网络中活跃程度最大、效果最明显的误差反向传播算法。它可以渐进任意一个连续函数，因此对于那些复杂输入的，诸如有很大的未知性、非单一输入、非线性等问题，对于多层BP网络就可以进行分析。
本文主要由以下几部分组成：
（一）掌握水稻虫害的相关知识，搜集水稻虫害发生量与外界因素（日照时数、降
量、平均气温、最低气温）之间关系的资料。
（二）设计BP网络的结构:将BP网络设置为三层。其中输入层有4个节点，分别
代表四个外界自然因素。输出层也有4个节点，分别代表水稻虫情危害的四个程度。利用最速下降算法对水稻虫情进行预测。
（三）学习Matlab语言，利用合适的工具编写BP网络。输入部分样本进行训练。
（四）将余下的样本作为预测样本，检验该BP网络的正确率。

2 BP神经网络的结构组成
BP神经网络结构组成：2输入1输出，5个隐含层的，也称为2-5-1网络结构；
Neural Network：神经网络
Input：输入
Hidden LayerOutput Layer：隐藏层输出层
Output Layer：输出层
Output ：输出

3 BP神经网络训练界面的参数
3.1 BP神经网络算法
Algorithms：算法
Data Division：Random(divider and) 数据划分：随机（除数和）
Training：Levenberg-Marquardt(train lm) 训练：表示训练采用的方法
Performance：Mean Squared Error(mse) 性能：均方误差(mse) 用均方误差衡量网络性能
Calculations：MEX 计算方式：MEX

2.2 BP神经网络进程
Progress 进程
Epoch： 训练次数
Time： 训练时间
Performance： 网络性能
Gradient： 梯度算子
Mu： 误差精度
Validation Checks： 泛化性（ 表示BP神经网络在训练过程中，如果均方误差（MSE）连续6次不降反升，则网络停止训练）

3.3 BP神经网络情节
Plots 绘图
Performance 网络性能
Training State 训练阶段参数变化情况
Regression 相关性分析

4 BP神经网络预测步骤
（1）读取数据
（2）设置训练数据和预测数据
（3）训练样本数据归一化
（4）构建BP神经网络
（5）网络参数配置(训练次数，学习速率，训练目标最小误差.等)
（5）BP神经网络训练
（6）测试样本归一化
（7）BP神经网络预测
（8）预测结果反归一化与误差计算
（8）验证集的真实值与预测值误差比较

⛄二、部分源代码

% BP神经网络数据分类

% MatLab程序代码
%% 清空环境变量
clc
clear

%% 训练数据预测数据提取及归一化

%下载虫害数据
load data1 c1
load data2 c2

%合成一个矩阵
data(1:48,:)=c1(1:48,:);
data(49:54,:)=c2(1:6,:);

%% 事实证明BP神经网络在训练数据时与输入数据正负样本的顺序是有关系的
% 如果一开始的一半数据都是正(负)样本，后面的全是负(正)样本，则训练出来的
%效果不好，所以这里需要随机打乱
%从1到48间随机排序
k=rand(1,48);
[m,n]=sort(k);

%输入输出数据
input=data(:,2:5);
output1 =data(:,1);

%把输出从1维变成4维
for i=1:54
switch output1(i)
case 1
output(i,:)=[0 0 0 1];
case 2
output(i,:)=[0 0 1 0];
case 3
output(i,:)=[0 1 0 0];
case 4
output(i,:)=[1 0 0 0];
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 包子阳,余继周,杨杉.智能优化算法及其MATLAB实例（第2版）[M].电子工业出版社，2016.
[2]张岩,吴水根.MATLAB优化算法源代码[M].清华大学出版社，2017.

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合