摘要 以c++程序設(shè)計為平臺，運用人工神經(jīng)網(wǎng)絡(luò)的方法建立林分林種出材率的BP神經(jīng)網(wǎng)絡(luò)模型。通過查閱學(xué)習(xí)伐區(qū)設(shè)計資料和實際生產(chǎn)碼單數(shù)據(jù)，最后確定以平均樹高，平均胸徑，樹種年齡，保留密度，蓄積量為輸入輸入神經(jīng)元，分析明確了從影響B(tài)P算法的學(xué)習(xí)率和預(yù)測精確度的因素中的隱含層的神經(jīng)元數(shù)量，訓(xùn)練次數(shù)，隱含層函數(shù)，樣本數(shù)量應(yīng)訴進(jìn)行對林分材種出材率預(yù)測的BP網(wǎng)絡(luò)模型進(jìn)行優(yōu)化設(shè)計，也明確了林分材種出材率預(yù)測的人工神經(jīng)網(wǎng)絡(luò)模型。

關(guān)鍵詞 人工神經(jīng)網(wǎng)路 林分材種出材率 BP算法

引言

林分材種出材率是林分調(diào)查工作的重要指標(biāo)，它可以進(jìn)一步評價森林木材資源的經(jīng)濟(jì)價值，而研究森林木材，又可以合理正確的經(jīng)營森林資源，達(dá)到人與自然和諧相處的目的。林分林種出材率就是原木材積于立木材積之比，我國現(xiàn)行的森林采伐限額制度、查處亂砍濫伐林木案件、制訂林業(yè)發(fā)展規(guī)劃、計劃和編制森林經(jīng)營方案、預(yù)測和計算、開展森林資源資產(chǎn)評估等等，都需掌握積蓄量和材種的出材率的指標(biāo)。我國已經(jīng)不斷學(xué)習(xí)借鑒前蘇聯(lián)的先進(jìn)技術(shù)編制自己的材種出材率表了，隨著我國天然林保護(hù)工程的全面實施和林業(yè)分類經(jīng)營的逐步推行，人工商品林比例的不斷提高，我國森林結(jié)構(gòu)和性質(zhì)也有所變化，所以傳統(tǒng)的統(tǒng)計學(xué)以難以解決很多問題，運用人工神經(jīng)網(wǎng)絡(luò)在林業(yè)生成與運用則是一個不二之選的方法，對林業(yè)的發(fā)展也有很大的理論價值和推廣意義。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network－ANN)，簡稱“神經(jīng)網(wǎng)絡(luò)”，是由大量處理單元過極其豐富和完善的互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。它的提出是基于現(xiàn)代神經(jīng)科學(xué)研究成果上，以模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。涉及學(xué)科較多，較為廣泛。

1 研究內(nèi)容和方法

平均樹高，平均胸徑，林種年齡，立地質(zhì)量，積蓄量，保留密度等等因素都會影響林分材種出材率，而林分林種出材率具有非線性和非確定性的因素，一般采用統(tǒng)計分析方法進(jìn)行預(yù)測采樣，需要大量的林木樣本元素，模型涉及的許多參數(shù)無法或很難有較高的精確度。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)具有非線性，非局限性，自適應(yīng)，自組織，自學(xué)習(xí)的特征，相較于傳統(tǒng)的統(tǒng)計學(xué)方法，不同之處在于它的容錯性和儲存量，通過單元之間的相互作用，相互連接能模擬大腦的局限性。ANN的獨到之處，也使得人們注意了ANN，并且廣泛的應(yīng)用于各種學(xué)科之中，如心理學(xué)，邏輯學(xué)，數(shù)學(xué)模型，遺傳算法，語音識別，智能控制等等。當(dāng)然，運用人工神經(jīng)網(wǎng)絡(luò)對林分林種出材率進(jìn)行預(yù)測也同樣具有很好的效果與實現(xiàn)。

研究主要完成，通過對數(shù)據(jù)的采樣和分析處理，對神經(jīng)網(wǎng)路預(yù)測模型的結(jié)構(gòu)，參數(shù)進(jìn)行優(yōu)化，再應(yīng)用到林分材種出材率的預(yù)測中。以c++程序設(shè)計為設(shè)計平臺，運用人工神經(jīng)網(wǎng)絡(luò)中的BP算法，分析各隱含層神經(jīng)元的數(shù)量，訓(xùn)練的次數(shù)，隱含層函數(shù)，樣本數(shù)量，進(jìn)行優(yōu)化建立林分材種出材率的預(yù)測模型。

1.1BP人工神經(jīng)網(wǎng)絡(luò)

BP(Back-Propagation Network)神經(jīng)網(wǎng)絡(luò)是一種以誤差逆?zhèn)鞑ニ惴?BP)訓(xùn)練的多層前饋網(wǎng)絡(luò)，目前應(yīng)用較為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯多個輸入－輸出模式映射關(guān)系，而且無需事前對這種映射關(guān)系的數(shù)學(xué)方程進(jìn)行描述。它通過不斷反向傳播來調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，使神經(jīng)網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)由三層組成分別是輸入層(input)、隱層(hidelaver)和輸出層(output layer)。

BP人工神經(jīng)網(wǎng)絡(luò)主要以標(biāo)準(zhǔn)BP算法為主，而標(biāo)準(zhǔn)BP算法有存在許多問題，由于是非線性梯度優(yōu)化算法，就會存在局部極小值問題，使得精確度受限；算法迭代系數(shù)過多，使得學(xué)習(xí)率降低，收斂速度降低；網(wǎng)絡(luò)對初始化的值存在發(fā)散和麻痹；隱節(jié)點不確定性的選取。所以引進(jìn)了幾種BP算法：動量BP算法、學(xué)習(xí)速率可變的BP算法和LM算法(Levenberg－Marquardt)。動量BP算法以上一次修正結(jié)果來影響本次的修正，動量因子越大，梯度的動量就越大。學(xué)習(xí)效率可變的BP算法怎是力求算法的穩(wěn)定，減小誤差。為了在近似二階訓(xùn)練速率進(jìn)行修正時避免計算HeSSian矩陣，選擇LM算法。所以為了神經(jīng)網(wǎng)絡(luò)計算的速度與精確度，所以運用不同的優(yōu)化算法來改善BP網(wǎng)絡(luò)中的局部極小值問題，提高收斂速度和避免了抖動性。

2 基于BP人工神經(jīng)網(wǎng)絡(luò)和林分材種出材率預(yù)測模型的建立

分析了大量的材種出材率的相關(guān)資料后，均有非線性的特征，對于模型的建立和預(yù)測，傳統(tǒng)的識別系統(tǒng)在研究和實踐中有很大的問題，而采用人工神經(jīng)網(wǎng)絡(luò)，不僅其特征是非線性，而且人工神經(jīng)網(wǎng)絡(luò)具有較為穩(wěn)定的優(yōu)越性，所以，對于林分材種出材率的預(yù)測和建立采用BP人工神經(jīng)網(wǎng)絡(luò)。

2.1建模工具

研究采用c++程序設(shè)計對數(shù)值的計算和預(yù)測，對模型進(jìn)行編譯和實現(xiàn)。c++語言是受到非常廣泛應(yīng)用的計算機編程語言，它支持過程化程序設(shè)計，面向?qū)ο蟪绦蛟O(shè)計等等程序設(shè)計風(fēng)格。c++是一門獨立的語言，在學(xué)習(xí)時，可以結(jié)合c語言的知識來學(xué)習(xí)，而c++又不依賴于c語言，所以我們可以不學(xué)c語言而直接學(xué)習(xí)C++。

用c++來模擬BP網(wǎng)絡(luò)是相對較好的程序設(shè)計語言，以面向?qū)ο蟪绦蛟O(shè)計來設(shè)計和實現(xiàn)林分材種出材率的BP算法，直觀而簡潔。

2.2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定

對于使用BP算法，關(guān)鍵在于隱含層層數(shù)和各層節(jié)點數(shù)。而神經(jīng)元的輸入輸出又影響著隱含層層數(shù)，而對于BP萬羅中的輸入輸出層是確定的，重點就在于隱含層層數(shù)，增加隱含層數(shù)可以提高網(wǎng)絡(luò)的處理能力，是的訓(xùn)練復(fù)雜化，樣本數(shù)目增加，收斂速度變慢等，而隱含層的節(jié)點數(shù)越多，可以提到其精確度。

研究過程中，多層隱含層會將訓(xùn)練復(fù)雜化，所以我們往往選擇三層就夠了，即一個輸入層，一個隱含層，一個輸出層的基本單層BP網(wǎng)絡(luò)結(jié)構(gòu)。最后確定以下四個神經(jīng)元：平均樹高、平均胸徑、林種年齡、每公頃積蓄量作為輸入單元。輸出單元為林分材種出材率。

結(jié)論

以BP神經(jīng)網(wǎng)絡(luò)建立林分材種出材率的網(wǎng)絡(luò)模型，使得出材率的精確度提高。根據(jù)樣本的選取和整理，算法的優(yōu)化，避免了異常數(shù)據(jù)和算法的不安全性對神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)影響，提高了網(wǎng)絡(luò)的繁華能力，利用數(shù)據(jù)歸一化節(jié)約了網(wǎng)絡(luò)資源，學(xué)習(xí)負(fù)擔(dān)減輕，避免了訓(xùn)練過程中的抖動與麻痹狀態(tài)。歲模型的總體分析，減少神經(jīng)元個數(shù)的輸入，權(quán)值減少，極大的提高了網(wǎng)絡(luò)訓(xùn)練中的收斂速度，也使得網(wǎng)絡(luò)的穩(wěn)定性和容錯性提高。

參考文獻(xiàn)：

1 黃傳春，基于神經(jīng)網(wǎng)絡(luò)林分材種出材率模型研究(碩士學(xué)位論文)2007，4