用BP神经网络预测虫害
首先构造3年中,5月到12月,平均气温,最低气温,日照时间和降雨量的数据集,作为输入
%构建训练样本中的输入向量P
p1=[-0.0909 0.4825 0.9580 0.6643 0.0350 -0.6224;
-0.1408 0.3844 0.9718 0.7183 0.0423 -0.6620;
-0.2500 0.1250 0.9688 0.5000 0.0000 -0.0625;
-0.2984 0.3037 -0.7801 0.0419 -0.3665 -0.8796];
p2=[-0.2727 -0.909 0.9580 0.8601 0.0909 -0.9860;
-0.7324 0.0000 1.0000 0.9296 0.0141 -1.0000;
0.5625 0.8125 0.6875 0.2812 0.1563 -0.5625;
-0.7277 -0.6073 0.0733 -0.3979 -0.4660 -0.4241];
p3=[0.1189 0.3706 0.6923 0.6643 -0.0350 -0.4266;
-0.1127 0.3521 0.7324 0.7324 0.0423 -0.5070;
0.6250 0.0313 -0.3125 -0.0625 -0.5313 -0.125;
-0.6021 -0.6073 0.2670 0.1361 -0.8482 -0.8586];
P=[p1 p2 p3];
接着构造输出,即虫害程度的数据集
%构建训练样本中的目标向量t
t1=[0 0 1 1 0 0
0 0 0 0 0 0;
0 0 0 0 0 0;
1 1 0 0 1 1];
t2=[0 0 1 1 1 0;
0 1 0 0 0 0;
0 0 0 0 0 0;
1 0 0 0 0 1];
t3=[0 0 0 1 1 0;
0 0 0 0 0 1;
0 0 1 0 0 0;
1 1 0 0 0 0];
t=[t1 t2 t3];
创建BP神经网络
%创建一个BP网络,隐含层有9个神经元,传递函数为tansig
%中间层有4个神经元,传递函数为logsig,训练函数为trainlm
net=newff(minmax(P),[9,4],{'tansig','logsig'},'trainlm');
设置网络的训练参数
%训练步数为50
%目标误差为0.01
net.trainParam.epochs=50;
net.trainParam.goal=0.01;
net=train(net,P,t);
构造测试集合
%预测2003年的虫情
P_test=[0.0490 0.2587 0.7203 0.9301 0.3287 -0.6084;
0.0000 0.3662 0.8028 0.9014 0.3239 -0.5211;
-0.0937 -0.5313 -0.1875 0.9688 0.2813 -0.2813;
-0.0995 1.0000 0.4346 -0.8691 -0.6702 -0.4346];
根据这个测试集合来预测虫害风险
y=sim(net,P_test)
得到y的输出,图示为6个月虫害的不同等级分布
训练过程用了9轮就达到了预定精度