王　攀，陳　建，曹中華，吳先兵

(西南大學(xué) 工程技術(shù)學(xué)院，重慶　400715)

?

基于GA-BP神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)機(jī)械化綜合水平預(yù)測(cè)模型

王攀，陳建，曹中華，吳先兵

(西南大學(xué) 工程技術(shù)學(xué)院，重慶400715)

摘要：根據(jù)1986-2013年我國(guó)農(nóng)業(yè)機(jī)械化綜合水平的統(tǒng)計(jì)數(shù)據(jù)，建立了基于GA-BP神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)機(jī)械化綜合水平預(yù)測(cè)模型。通過對(duì)1992-2011年農(nóng)業(yè)機(jī)械化綜合水平實(shí)際值與訓(xùn)練輸出值的對(duì)比分析，表明該預(yù)測(cè)模型具有較好的擬合精度；采用該模型對(duì)2012年和2013年的農(nóng)業(yè)機(jī)械化綜合水平進(jìn)行預(yù)測(cè)，進(jìn)一步驗(yàn)證了模型的可靠性。運(yùn)用該預(yù)測(cè)模型對(duì)2014-2018年的農(nóng)業(yè)機(jī)械化綜合水平進(jìn)行預(yù)測(cè)，結(jié)果表明：在2014年我國(guó)農(nóng)業(yè)機(jī)械化綜合水平為61.97%，與我國(guó)農(nóng)業(yè)部公布的2014年農(nóng)業(yè)機(jī)械化綜合水平將超過61%基本相符，2018年我國(guó)農(nóng)業(yè)機(jī)械化綜合水平將達(dá)到70%左右。

關(guān)鍵詞：農(nóng)業(yè)機(jī)械化；綜合水平；GA-BP神經(jīng)網(wǎng)絡(luò)；預(yù)測(cè)

0引言

農(nóng)業(yè)機(jī)械化綜合水平是反映農(nóng)業(yè)機(jī)械化發(fā)展水平的重要指標(biāo)。我國(guó)農(nóng)業(yè)機(jī)械化綜合水平是由機(jī)械化耕作水平、機(jī)械化播種水平和機(jī)械化收獲水平分別按照0.4、0.3、0.3的權(quán)重組成[1]。目前，我國(guó)農(nóng)業(yè)正處于從傳統(tǒng)農(nóng)業(yè)向現(xiàn)代農(nóng)業(yè)轉(zhuǎn)變的關(guān)鍵時(shí)期，發(fā)展農(nóng)業(yè)機(jī)械化，提高農(nóng)業(yè)機(jī)械化綜合水平，對(duì)我國(guó)農(nóng)業(yè)的發(fā)展具有重要的戰(zhàn)略意義[2-3]。因此，如果能夠?qū)ξ覈?guó)農(nóng)業(yè)機(jī)械化綜合水平進(jìn)行有效預(yù)測(cè)，不僅能夠增強(qiáng)對(duì)我國(guó)農(nóng)業(yè)機(jī)械化發(fā)展進(jìn)程的把握，還能夠?yàn)榭茖W(xué)制定我國(guó)農(nóng)業(yè)機(jī)械化發(fā)展的方針和政策等提供一定的借鑒和導(dǎo)向作用。

本文將遺傳算法(GA)與誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BP神經(jīng)網(wǎng)絡(luò))相結(jié)合，建立了我國(guó)農(nóng)業(yè)機(jī)械化綜合水平的GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并運(yùn)用該預(yù)測(cè)模型對(duì)我國(guó)2013-2018年的農(nóng)業(yè)機(jī)械化綜合水平進(jìn)行預(yù)測(cè)。

1我國(guó)農(nóng)業(yè)機(jī)械化綜合水平發(fā)展分析

為了更好地展現(xiàn)出我國(guó)近年來農(nóng)業(yè)機(jī)械化綜合水平的實(shí)際發(fā)展情況，選擇1986-2013年我國(guó)農(nóng)業(yè)機(jī)械化綜合水平數(shù)據(jù)制成農(nóng)業(yè)機(jī)械化綜合水平趨勢(shì)圖，如圖1所示。

圖1　農(nóng)業(yè)機(jī)械化綜合水平趨勢(shì)

據(jù)分析，由于受到人類活動(dòng)、統(tǒng)計(jì)誤差、統(tǒng)計(jì)手段等多因素的影響，我國(guó)耕地面積的統(tǒng)計(jì)數(shù)據(jù)存在一定的誤差。張睿[4]等人對(duì)由于耕地面積統(tǒng)計(jì)誤差造成農(nóng)業(yè)機(jī)械化綜合水平計(jì)算誤差的現(xiàn)象進(jìn)行了研究，并對(duì)部分?jǐn)?shù)據(jù)做了計(jì)算糾正。為更加實(shí)際體現(xiàn)我國(guó)農(nóng)業(yè)機(jī)械化綜合水平，提高模型預(yù)測(cè)精度，部分?jǐn)?shù)據(jù)采用了糾正后的數(shù)據(jù)。

由圖1可以看到：我國(guó)歷年農(nóng)業(yè)機(jī)械化綜合水平整體上呈上升趨勢(shì)，且2005年以后的上升趨勢(shì)相比以往明顯加快；2007年我國(guó)農(nóng)業(yè)機(jī)械化綜合水平突破40%，進(jìn)入農(nóng)業(yè)機(jī)械化進(jìn)程的中級(jí)發(fā)展階段；自2005年以來，我國(guó)農(nóng)業(yè)機(jī)械化綜合水平保持以兩個(gè)百分點(diǎn)以上的速度增長(zhǎng)，2013年我國(guó)的農(nóng)業(yè)機(jī)械化綜合水平突破59%。隨著一系列有關(guān)促進(jìn)農(nóng)業(yè)機(jī)械化的政策法規(guī)的出臺(tái)，我國(guó)農(nóng)業(yè)機(jī)械化的發(fā)展在未來一段時(shí)間內(nèi)仍將處于良好的機(jī)遇期。

2GA-BP神經(jīng)網(wǎng)絡(luò)原理與算法

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是混沌時(shí)間序列預(yù)測(cè)模型中具有較好非線性擬合能力和預(yù)測(cè)能力的預(yù)測(cè)模型[4]。但是，該預(yù)測(cè)模型的初始權(quán)值和閾值是隨機(jī)賦值的，其學(xué)習(xí)算法采用梯度下降法，在樣本訓(xùn)練中容易陷入局部極小值，且具有收斂速度慢的特點(diǎn)。GA算法作為一種自適應(yīng)全局優(yōu)化搜索方法，具有良好的智能性和魯棒性[6]。本模型首先利用GA算法良好的自適應(yīng)全局優(yōu)化搜索能力找到最優(yōu)適應(yīng)度值的對(duì)應(yīng)個(gè)體，利用GA算法得到的最優(yōu)個(gè)體對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行賦值，有效避免了網(wǎng)絡(luò)由于初始的權(quán)值和閾值因隨機(jī)賦值而陷入局部極小值的缺陷，充分發(fā)揮BP神經(jīng)網(wǎng)絡(luò)局部搜索能力強(qiáng)的特點(diǎn)，大大提高了其收斂速度，使預(yù)測(cè)模型快速在最優(yōu)處收斂。

2.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)的原理是采用梯度下降法調(diào)整權(quán)值和閾值使得網(wǎng)絡(luò)的實(shí)際輸出與期望輸出的均方誤差值最小[7]。其訓(xùn)練仿真過程如下：

1)確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并對(duì)輸入層到隱含層權(quán)值wij、隱含層到輸出層權(quán)值vjt、隱含層閾值θj及輸出層閾值γt進(jìn)行賦值。

2)隨機(jī)選取訓(xùn)練樣本(Pk，Rk)提供給網(wǎng)絡(luò)。

3)利用輸入樣本Pk、連接權(quán)值wij、閾值θj，計(jì)算隱含層各單元的輸入Sj，然后利用Sj通過傳遞函數(shù)計(jì)算隱含層各單元的輸出Bj。則有

(1)

Bj=f(Sj)

(2)

4)利用中間層的輸出Bj、權(quán)值vjt、閾值γt，計(jì)算輸出層單元的輸出Lt，然后通過傳遞函數(shù)計(jì)算輸出層單元的響應(yīng)Ct。則有

(3)

Ct=f(Lt)

(4)

5)利用期望輸出Rk和網(wǎng)絡(luò)實(shí)際輸出Ct計(jì)算輸出層單元的一般化誤差dt，有

dt=(r-Ct)·Ct(1-Ct)

(5)

6)利用連接權(quán)值vjt、輸出層的一般化誤差dt和中間層輸出Bj計(jì)算中間層各單元的一般化誤差ej，有

(6)

7)利用輸出層單元的一般化誤差dt與中間層各單元輸出Bj來修正連接權(quán)值vjt和閾值γt，有

vjt(N+1)=vjt(N)+α·dt·Bj

(7)

γt(N+1)=γt(N)+α·dt

(8)

0<α<1

8)利用隱含層各單元的一般化誤差ej、輸入層各單元的輸入Pk修正連接權(quán)值wij和閾值θj，則有

wij(N+1)=wij(N)+β·ej·pi

(9)

θj(N+1)=θj(N)+β·ej

(10)

0<β<1

9)隨機(jī)選取下一個(gè)學(xué)習(xí)樣本提供給網(wǎng)絡(luò)，返回步驟3)，直到樣本訓(xùn)練完畢。

10)判斷算法是否達(dá)到結(jié)束迭代條件，若達(dá)到，算法結(jié)束。否則返回步驟3)。

2.2GA算法

GA算法進(jìn)行全局尋優(yōu)主要過程由種群初始化、適應(yīng)度函數(shù)、選擇操作、交叉操作和變異操作組成。

1)種群初始化：種群初始化過程中按照BP神經(jīng)網(wǎng)絡(luò)的輸入層與隱含層連接權(quán)值、隱含層閾值及隱含層與輸出層連接權(quán)值及輸出層閾值采用二進(jìn)制實(shí)數(shù)編碼對(duì)個(gè)體進(jìn)行編碼。

2)適應(yīng)度函數(shù)確定：將BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出yi和期望輸出oi之間的絕對(duì)誤差絕對(duì)值的和的倒數(shù)作為個(gè)體適應(yīng)度值F，則有

(11)

3)選擇操作：遺傳算法選擇操作方法有輪盤賭法、錦標(biāo)法等多種方法，本模型選擇基于適應(yīng)度比列的選擇策略，即輪盤賭法。這樣適應(yīng)度值高的個(gè)體被選擇到下一代的概率大一些。設(shè)第i個(gè)體的選擇概率為pi，有

(12)

4)交叉操作：由于初始化中采用編碼方式為實(shí)數(shù)編碼，因此交叉操作選擇實(shí)數(shù)交叉法。假設(shè)第k個(gè)染色體和第f個(gè)染色體在j位進(jìn)行交叉，有

akj=akj(1-b)+afjb

(13)

afj=afj(1-b)+akjb

(14)

0

5)變異操作：選取第m個(gè)個(gè)體的第n個(gè)基因amn進(jìn)行變異操作，有

(15)

其中，amax、amin分別為基因amn的上界和下界；f(g)=r1(1-g/Gmax)，r1為隨機(jī)數(shù)，g為當(dāng)前的迭代次數(shù)；Gmax是最大進(jìn)化次數(shù)，r為0～1之間的隨機(jī)數(shù)。

6)計(jì)算適應(yīng)度值函數(shù)，若滿足該算法結(jié)束條件，則輸出個(gè)體，否則返回到步驟3)。

7)將GA算法得到的最有個(gè)體賦值給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，用訓(xùn)練樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，完成模型預(yù)測(cè)。

3農(nóng)業(yè)機(jī)械化綜合水平預(yù)測(cè)模型

3.1建立GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)主要由輸入層、隱含層、輸出層及各層的節(jié)點(diǎn)數(shù)構(gòu)成。由Komogorov定理可知：3層的BP神經(jīng)網(wǎng)絡(luò)可以完成任意的N維到M維的映射[8]，因此預(yù)測(cè)模型選用單隱含層網(wǎng)絡(luò)結(jié)構(gòu)。本預(yù)測(cè)模型的訓(xùn)練樣本來自中國(guó)農(nóng)業(yè)年鑒統(tǒng)計(jì)的1986-2013年的我國(guó)農(nóng)業(yè)機(jī)械化綜合水平的數(shù)據(jù)，其輸入樣本和輸出樣本如表1所示。

表1　訓(xùn)練樣本

將第N年的農(nóng)業(yè)機(jī)械化綜合水平作為輸出樣本，第N-1、N-2、N-3、N-4、N-5、N-6年的歷史數(shù)據(jù)作為輸入樣本，因此輸入層的節(jié)點(diǎn)數(shù)為6，輸出層的節(jié)點(diǎn)數(shù)為1。隱含層節(jié)點(diǎn)個(gè)數(shù)的確認(rèn)：首先通過經(jīng)驗(yàn)公式16大致確定隱含層節(jié)個(gè)數(shù)的范圍，然后通過試驗(yàn)訓(xùn)練并結(jié)合雙階段結(jié)構(gòu)自確認(rèn)算法進(jìn)行確定[9]，最終找到誤差最小的隱含層結(jié)點(diǎn)個(gè)數(shù)為9。因此，預(yù)測(cè)模型的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為6-9-1，有

(16)

其中，m、n分別為輸入層和輸出層節(jié)點(diǎn)個(gè)數(shù)，a取值為1～10的常數(shù)。

在該預(yù)測(cè)模型中，輸入層到隱含層的傳遞函數(shù)采用“tansig”函數(shù)，隱含層到輸出層的傳遞函數(shù)采用“purelin”函數(shù)。其訓(xùn)練函數(shù)采用traingdx動(dòng)量及自適應(yīng)lrBP的梯度遞減訓(xùn)練函數(shù)，學(xué)習(xí)函數(shù)采用learngdm梯度下降動(dòng)量學(xué)習(xí)函數(shù)。遵循初始化參數(shù)設(shè)置原則及綜合考慮預(yù)測(cè)模型的要求并經(jīng)過多次試驗(yàn)，最終確定種群初始化的參數(shù)分別為種群大小60、遺傳代數(shù)100、交叉概率0.6、變異概率0.005。設(shè)置BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練次數(shù)為3 000，訓(xùn)練目標(biāo)為1e-5，其余參數(shù)選擇默認(rèn)設(shè)置。采用絕對(duì)誤差和相對(duì)誤差來對(duì)預(yù)測(cè)模型的性能進(jìn)行定量評(píng)判。根據(jù)以上參數(shù)和要求運(yùn)用MatLab完成GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的構(gòu)建，并根據(jù)訓(xùn)練樣本(見表1)對(duì)網(wǎng)絡(luò)進(jìn)行仿真訓(xùn)練仿真。

3.2預(yù)測(cè)模型訓(xùn)練仿真結(jié)果與分析

利用表1我國(guó)往年的農(nóng)業(yè)機(jī)械化綜合水平的20個(gè)樣本對(duì)所建立的GA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真訓(xùn)練，訓(xùn)練完成后農(nóng)業(yè)機(jī)械化綜合水平真實(shí)值與輸出值如表2所示。

表2實(shí)際值與輸出值比較

Table 2Value of practice and output

%

年份實(shí)際值訓(xùn)練輸出值絕對(duì)誤差相對(duì)誤差199223.2923.130.160.68199324.0123.730.281.17199424.7025.220.522.11199525.6625.870.210.82199627.0726.760.311.15199728.7528.390.361.25199830.3530.310.040.13199931.6231.630.010.03200032.3532.250.100.31200132.6532.640.010.03200232.9832.740.240.73200333.8633.930.070.21200435.4435.450.010.03200535.9337.101.173.26200638.2538.910.661.73200742.4741.031.443.39200845.7446.270.531.16200949.1349.090.040.08201052.2852.200.080.15201154.8254.700.120.22

從表2中可以看出：我國(guó)歷年農(nóng)業(yè)機(jī)械化綜合水平的實(shí)際值與輸出值基本一致，平均絕對(duì)誤差為0.318%，最大絕對(duì)誤差為1.44%；平均相對(duì)誤差為0.932%，最大相對(duì)誤差為3.39%。在2005年和2007年出現(xiàn)較小范圍的波動(dòng)，原因是農(nóng)業(yè)機(jī)械化綜合水平受到農(nóng)民收入水平、農(nóng)機(jī)工業(yè)發(fā)展水平、農(nóng)機(jī)使用成本、農(nóng)村剩余勞動(dòng)力轉(zhuǎn)移、勞動(dòng)力價(jià)格及耕地規(guī)模等諸多因素的影響[10]；而且在數(shù)據(jù)統(tǒng)計(jì)上不可避免的存在一定誤差，在模型的計(jì)算中也會(huì)存在一定的系統(tǒng)誤差。因此，理論上該預(yù)測(cè)模型可以對(duì)我國(guó)農(nóng)業(yè)機(jī)械化綜合水平進(jìn)行預(yù)測(cè)。

3.3模型驗(yàn)證

運(yùn)用訓(xùn)練完成后的模型對(duì)2012年和2013年我國(guó)農(nóng)業(yè)機(jī)械化綜合水平預(yù)測(cè)檢驗(yàn)，分別輸入2007-2011年和2008-2012年的農(nóng)業(yè)機(jī)械化綜合水平，輸出預(yù)測(cè)結(jié)果2012年為57.64%，與實(shí)際值為57.17%基本吻合，絕對(duì)誤差為0.47%，相對(duì)誤差為0.82%；2013年為59.60%，與實(shí)際值59.48%也基本吻合，絕對(duì)誤差為0.12%，相對(duì)誤差為0.2%。由此說明，該模型經(jīng)過仿真訓(xùn)練后具有較好的預(yù)測(cè)精度和實(shí)用價(jià)值。

4農(nóng)業(yè)機(jī)械化水平預(yù)測(cè)與分析

4.1模型預(yù)測(cè)

根據(jù)完成仿真訓(xùn)練后的預(yù)測(cè)模型對(duì)我國(guó)2014-2018年的農(nóng)業(yè)機(jī)械化綜合水平進(jìn)行預(yù)測(cè)，結(jié)果如表3所示。

表3　農(nóng)業(yè)機(jī)械化綜合水平預(yù)測(cè)結(jié)果

4.2預(yù)測(cè)結(jié)果分析

從我國(guó)農(nóng)業(yè)機(jī)械化綜合水平預(yù)測(cè)結(jié)果來看，2014年我國(guó)農(nóng)業(yè)機(jī)械化綜合水平為61.94%，這與農(nóng)業(yè)部公布的2014年我國(guó)農(nóng)業(yè)機(jī)械化綜合水平將超過61%是吻合的。2016-2018年農(nóng)業(yè)機(jī)械化綜合水平增長(zhǎng)保持兩個(gè)百分點(diǎn)以上，這與白人樸[11]在關(guān)于“十三五”我國(guó)農(nóng)業(yè)機(jī)械化發(fā)展的思考中提到的農(nóng)作物耕種收機(jī)械化水平年均提高速度保持在2%以上的合理區(qū)間是相符的。根據(jù)2006年農(nóng)業(yè)機(jī)械發(fā)展戰(zhàn)略報(bào)告[12]，在綜合我國(guó)耕地面積、種植業(yè)勞動(dòng)力及農(nóng)業(yè)機(jī)械發(fā)展等因素后預(yù)測(cè)我國(guó)農(nóng)業(yè)機(jī)械化綜合水平將在2020年達(dá)到70%左右；但2014年我國(guó)農(nóng)業(yè)機(jī)械化綜合水平已超過61%，提前完成了“十二五”規(guī)劃中對(duì)農(nóng)業(yè)機(jī)械化發(fā)展的要求。綜合考慮我國(guó)目前農(nóng)業(yè)機(jī)械化綜合水平的發(fā)展現(xiàn)狀等各項(xiàng)因素，在2018年農(nóng)業(yè)機(jī)械化綜合水平達(dá)到70%是很有可能實(shí)現(xiàn)的?？梢?基于GA-BP神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)機(jī)械化綜合水平預(yù)測(cè)模型對(duì)我國(guó)農(nóng)業(yè)機(jī)械化綜合水平的發(fā)展趨勢(shì)有較好的預(yù)測(cè)能力。

5結(jié)論

通過GA-BP預(yù)測(cè)模型對(duì)我國(guó)農(nóng)業(yè)機(jī)械化綜合水平進(jìn)行預(yù)測(cè)和驗(yàn)證，通過定性和定量分析表明該模型有較好的預(yù)測(cè)性能。但是，GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型作為一種時(shí)間序列預(yù)測(cè)模型，其預(yù)測(cè)具有短時(shí)性，進(jìn)行長(zhǎng)期預(yù)測(cè)其預(yù)測(cè)精度將大大降低。因此，下一步在保證預(yù)測(cè)精度的前提下延長(zhǎng)預(yù)測(cè)時(shí)間，對(duì)時(shí)間序列的預(yù)測(cè)具有重要的意義，也將是預(yù)測(cè)模型優(yōu)化的主要方向。

參考文獻(xiàn)：

[1]易中懿.中國(guó)農(nóng)業(yè)機(jī)械化年鑒 [M].北京：中國(guó)農(nóng)業(yè)科學(xué)技術(shù)出版社,2007.

[2]朱明.推進(jìn)農(nóng)業(yè)洪城科技創(chuàng)新，建設(shè)社會(huì)主義新農(nóng)村[J].農(nóng)業(yè)工程學(xué)報(bào),2006,22(6):192-196.

[3]Zhu Ming. Experience of Agricultural Engineering Development in China[J].農(nóng)業(yè)工程學(xué)報(bào),2007,23(9):269-275.

[4]張睿,高煥文.基于灰色GM(1,1)的農(nóng)業(yè)機(jī)械化水平預(yù)測(cè)模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(2):91-95.

[5]李松,羅勇,張銘銳.遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的混沌時(shí)間序列預(yù)測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(29):52-55.

[6]葛繼科,邱玉輝,吳春明,等.遺傳算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究,2008, 25(10):2911-2916.

[7]王德明,王莉,張廣明.基于遺傳BP神經(jīng)網(wǎng)路的短期風(fēng)速預(yù)測(cè)模型[J].浙江大學(xué)學(xué)報(bào)：工學(xué)版, 2010, 46(5): 837-842.

[8]戚德虎,康繼昌.BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)[J].計(jì)算機(jī)工程與設(shè)計(jì),1998, 19(4): 48-50.

[9]張雨濃,曲璐,陳俊維,等.多輸入Sigmoid激勵(lì)函數(shù)神經(jīng)網(wǎng)絡(luò)權(quán)值與結(jié)構(gòu)確定方法[J].計(jì)算機(jī)應(yīng)用研究, 2012, 29(11): 4113-4116.

[10]盧秉福,張祖立,朱明,等.農(nóng)業(yè)機(jī)械化發(fā)展關(guān)鍵影響因素的辨識(shí)與分析[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(11): 114-117.

[11]白人樸.關(guān)于“十三五”我國(guó)農(nóng)業(yè)機(jī)械化發(fā)展的思考[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào),2014,35(4):1-5.

Predictive Model of Agricultural Mechanization Comprehensive Level Based on the GA-BP Neural Network

Wang Pan，Chen Jian，Cao Zhonghua，Wu Xianbing

(College of Engineering and Technology, Southwest University, Chongqing 400715,China)

Abstract：According to the statistical data of the comprehensive level of agricultural mechanization in our country in 1986-2013, predictive model of agricultural mechanization comprehensive level based on the GA-BP neural network was built. Through comparative analysis on real value and training output value of the comprehensive level of agricultural mechanization in 1992-2011, it shows that the prediction model has good fitting precision. Then use this model to predict the comprehensive level of agricultural mechanization in 2012 and 2013 which further verifies the reliability of the model. And use this predictive model to predict the comprehensive level of agricultural mechanization in 2014-2018.The results show that the mechanization of agriculture comprehensive level in our country is 61.97%.This is nearly consistent with the results released by ministry of agriculture that the comprehensive level of agricultural mechanization in 2014 was more than 61%. In 2018, the comprehensive level of agricultural mechanization will reach 70% more or less.

Key words：agricultural mechanization; comprehensive level; GA-BP neural network; prediction

文章編號(hào)：1003-188X(2016)03-0075-05

中圖分類號(hào)：S233

文獻(xiàn)標(biāo)識(shí)碼：A

作者簡(jiǎn)介：王攀(1989-)，男，湖北襄陽人，碩士研究生，(E-mail)732779513@qq.com。通訊作者：陳建(1957-)，男，重慶人，教授，博士生導(dǎo)師，博士，(E-mail)jianchen@swu.edu.cn。

基金項(xiàng)目：重慶市應(yīng)用開發(fā)計(jì)劃重點(diǎn)項(xiàng)目(cstc2013yykfB70002)

收稿日期：2015-04-27