趙忠玲，王 笑

（1.山東科技大學(xué)財(cái)經(jīng)系，山東 濟(jì)南 250031；2.山東科技大學(xué)礦業(yè)與安全工程學(xué)院，山東 青島 266590）

為了科學(xué)準(zhǔn)確地預(yù)測(cè)食用菌價(jià)格走勢(shì)，采用神經(jīng)網(wǎng)絡(luò)這一先進(jìn)的計(jì)算機(jī)技術(shù)，對(duì)影響食用菌價(jià)格變動(dòng)的內(nèi)外因素進(jìn)行梳理，綜合食用菌市場(chǎng)規(guī)模、品種、栽培、管理、物流、技術(shù)等多方面因素進(jìn)行深入研究，采用數(shù)學(xué)模型描述進(jìn)行決策評(píng)價(jià)，建立了食用菌價(jià)格預(yù)測(cè)模型[1]，以滿足食用菌價(jià)格預(yù)測(cè)分析的需求。

1 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型理論基礎(chǔ)

隨著科技的不斷發(fā)展進(jìn)步，食用菌價(jià)格的波動(dòng)變化預(yù)測(cè)涉及了眾多復(fù)雜化、多元化的因素，在進(jìn)行價(jià)格預(yù)測(cè)時(shí)，許多需要預(yù)測(cè)的對(duì)象和方案都難以用精確的數(shù)學(xué)模型去描述，而傳統(tǒng)的預(yù)測(cè)方法也不能滿足對(duì)預(yù)測(cè)精度的要求。為了解決這一問題，采用了人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）技術(shù)來構(gòu)建預(yù)測(cè)模型[2]。

1.1 BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)模型的信息處理是通過神經(jīng)元來完成，其特點(diǎn)是多組信號(hào)進(jìn)行輸入，而只有一個(gè)輸出[3]，由于其非線性的信息處理方式，很容易將其設(shè)計(jì)成數(shù)學(xué)模型，用于輸入輸出信息的處理，如圖1所示。

從圖1中可以看出，神經(jīng)元主要由連接、求和及激活3個(gè)部分組成。其中，連接用連接權(quán)值表示連接強(qiáng)度，連接權(quán)W=(w1,w2,Λ,wi)，即突觸的連接權(quán)值，數(shù)值越大則表示連接權(quán)值越大，是各個(gè)神經(jīng)元連接的主要環(huán)節(jié)；求和是將輸入信號(hào)和連接權(quán)值聯(lián)系起來，最終求其加權(quán)之和；而激活函數(shù)是神經(jīng)元模型中最核心的單元，決定著神經(jīng)元模型的功能。輸入信號(hào)用X=(x1,x2,Λ,xi)來表示，即來自前級(jí)i個(gè)神經(jīng)元的軸突的信息，所有的輸入記為網(wǎng)絡(luò)輸入net=∑xiwi；在激活函數(shù)中的傳遞函數(shù) f(*)決定了神經(jīng)元的輸出方式，傳遞函數(shù)一般分為階躍型、線性型和S型等幾種類型。

1.2 模糊BP神經(jīng)網(wǎng)絡(luò)

模糊神經(jīng)網(wǎng)絡(luò)（fuzzy neural network，F(xiàn)NN） 就是將模糊系統(tǒng)與BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)連接，將BP神經(jīng)網(wǎng)絡(luò)的輸入信號(hào)X=(x1,x2,Λ,xi)，以一種模糊的輸入信號(hào)來代替，更容易表達(dá)一些定性信息。利用模糊系統(tǒng)的自適應(yīng)學(xué)習(xí)能力將模糊的定性信息進(jìn)行處理[4]，用定量的數(shù)學(xué)模型來表達(dá)定性信息，再通過BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法得到數(shù)學(xué)模型的最優(yōu)解。這兩個(gè)網(wǎng)絡(luò)的優(yōu)勢(shì)互補(bǔ)，提高了數(shù)學(xué)建模的實(shí)際效果，常被應(yīng)用于知識(shí)表達(dá)和定性分析等應(yīng)用領(lǐng)域的建模。模糊系統(tǒng)和BP神經(jīng)網(wǎng)絡(luò)有多種連接形式，本文采用串聯(lián)方式將模糊系統(tǒng)和BP神經(jīng)網(wǎng)絡(luò)連接來解決實(shí)際問題，串聯(lián)方式如圖2所示。

2 基于神經(jīng)網(wǎng)絡(luò)的食用菌價(jià)格預(yù)測(cè)模型構(gòu)建

以香菇（Lentinual edodes）、平菇（Pleurotus ostreatus）、雙孢菇（Agaricusbisporus）、金針菇（Flammulina velutipes）、木耳（Auricularia auricula）等5種常見食用菌品種為例，運(yùn)用模糊BP神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)方法進(jìn)行未來市場(chǎng)價(jià)格預(yù)測(cè)，找出價(jià)格預(yù)測(cè)較高的品種，指導(dǎo)菇農(nóng)選擇有效品種進(jìn)行栽培。

2.1 模糊BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型

模糊BP神經(jīng)網(wǎng)絡(luò)決策模型訓(xùn)練需要足夠多的訓(xùn)練樣本，模型才能獲得足夠的信息，才能使模型快速收斂[5]。對(duì)影響食用菌價(jià)格的因素進(jìn)行判斷，主要涉及：市場(chǎng)規(guī)模x1、食用菌品種x2、栽培規(guī)模x3、技術(shù)能力x4、銷售網(wǎng)絡(luò)x5、人員素質(zhì)x6、物流運(yùn)輸x7等價(jià)格影響因素。根據(jù)食用菌往年價(jià)格波動(dòng)的情況給出的訓(xùn)練樣本數(shù)據(jù)，形成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集，并且通過專家打分的方式對(duì)上述7個(gè)影響因素進(jìn)行打分，并賦予相應(yīng)的權(quán)重系數(shù)。然后將權(quán)重與打分?jǐn)?shù)據(jù)相乘，從而得到了訓(xùn)練集的權(quán)重分值表，如表1所示。

表1 訓(xùn)練集權(quán)重分值Tab.1 Scores of the training set

2.2 訓(xùn)練集模糊化處理

訓(xùn)練集樣本按“很好、較好、中等、差、很差”5個(gè)模糊評(píng)價(jià)等級(jí)進(jìn)行處理，逐一對(duì)樣本進(jìn)行等級(jí)劃分。隨后進(jìn)行模糊化處理，即根據(jù)隸屬函數(shù)求出每一輸入的模糊變量值，從而完成對(duì)輸入量的模糊化處理。一般常用的隸屬函數(shù)有線性和非線性兩種，本研究中采用非線性的高斯函數(shù)（gauss member function） 模糊隸屬函數(shù)，如式（1） 所示：

式中：μi為隸屬函數(shù)的中心；σi為決定隸屬函數(shù)的寬度；xi為輸入的訓(xùn)練樣本值；e為數(shù)學(xué)中的一個(gè)無理數(shù)，其值為2.718 28...，是一個(gè)無限不循環(huán)小數(shù)。

2.3 模糊BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

第一步，確定模糊BP神經(jīng)網(wǎng)絡(luò)的中間層層數(shù)。BP網(wǎng)絡(luò)的中間層可以有一個(gè)或者多個(gè)，增加中間層數(shù)能提高誤差去精度、減少計(jì)算誤差，但會(huì)增加計(jì)算量減慢網(wǎng)絡(luò)速度，因此不能單純?cè)黾泳W(wǎng)絡(luò)中間層數(shù)，但可以通過調(diào)節(jié)中間層的神經(jīng)元節(jié)點(diǎn)數(shù)目來提高誤差的精度，結(jié)合節(jié)點(diǎn)數(shù)來共同確定中間層數(shù)是比較好的方法。

目前，對(duì)于中間層節(jié)點(diǎn)數(shù)目的問題還沒有統(tǒng)一解決方案，一般根據(jù)式（2）的經(jīng)驗(yàn)公式來確定。

式中：Ni為輸入節(jié)點(diǎn)數(shù)；N0為輸出層節(jié)點(diǎn)數(shù)；α為一個(gè)1～10的調(diào)節(jié)常整數(shù)。

中間節(jié)點(diǎn)數(shù)的多少對(duì)模糊BP神經(jīng)網(wǎng)絡(luò)的性能有很大的影響，根據(jù)式（2）的經(jīng)驗(yàn)值，結(jié)合中間層節(jié)點(diǎn)數(shù)目可變的辦法來解決問題。首先，按照經(jīng)驗(yàn)值最小值來作為中間層節(jié)點(diǎn)數(shù)，等待神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)一段時(shí)間后，看實(shí)際計(jì)算結(jié)果，如果計(jì)算困難就在經(jīng)濟(jì)值范圍內(nèi)再增加節(jié)點(diǎn)，直到網(wǎng)絡(luò)收縮效果良好以后停止[6]。

采用該方法先以10為初始的中間層節(jié)點(diǎn)數(shù)目進(jìn)行訓(xùn)練，將市場(chǎng)規(guī)模x1、食用菌品種x2、栽培規(guī)模x3、技術(shù)能力x4、銷售網(wǎng)絡(luò)x5、人員素質(zhì)x6、物流運(yùn)輸x7等7個(gè)價(jià)格影響因素作為第一層節(jié)點(diǎn)輸入[7]；按5個(gè)等級(jí)對(duì)影響因素進(jìn)行評(píng)分，從而得到模糊化的5個(gè)等級(jí)，這就是神經(jīng)網(wǎng)絡(luò)第二層輸出的內(nèi)容。然后逐漸增加中間層節(jié)點(diǎn)數(shù)，多次試驗(yàn)后最終獲得的中間層節(jié)點(diǎn)數(shù)目為25，確定模糊BP神經(jīng)網(wǎng)絡(luò)的中間層層數(shù)后，就可以進(jìn)行模糊BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)等級(jí)結(jié)果的輸出。輸出層也和等級(jí)劃分一樣有5個(gè)節(jié)點(diǎn)，分 別 為 ： （1， 0， 0， 0， 0） 表 示 很 好 、（0，1，0，0，0） 表示較好、（0，0，1，0，0） 表示 中 等 、 （0， 0， 0， 1， 0） 表 示 差 、（0，0，0，0，1） 表示很差。

第二步，確定傳遞函數(shù)、訓(xùn)練函數(shù)和訓(xùn)練誤差等神經(jīng)網(wǎng)絡(luò)的參數(shù)。輸出層、隱含層選擇S型函數(shù)、網(wǎng)絡(luò)訓(xùn)練傳遞函數(shù)選用traingdx函數(shù)，整個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差為10-6。

第三步，預(yù)測(cè)結(jié)果輸出。根據(jù)以上參數(shù)就可以對(duì)已經(jīng)建立的模糊BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行結(jié)果輸出，進(jìn)行食用菌價(jià)格預(yù)測(cè)，預(yù)測(cè)結(jié)果如表2所示。

從表2可以看出，模糊神經(jīng)網(wǎng)絡(luò)的輸出值大小代表了食用菌栽培品種價(jià)格預(yù)測(cè)的結(jié)果。平菇“很好”等級(jí)預(yù)測(cè)值為0.996 8，說明預(yù)測(cè)未來平菇的價(jià)格會(huì)很好，栽培平菇的效益也會(huì)更高，是栽培食用菌的首選品種；而雙孢菇的“較好”等級(jí)預(yù)測(cè)值為0.991 9，說明雙孢菇未來的也會(huì)有較好的市場(chǎng)價(jià)格，也可以列入食用菌栽培品種的備選方案，而對(duì)于香菇來說，其“很差”等級(jí)輸出值高達(dá)0.998 5，價(jià)格預(yù)測(cè)十分差，應(yīng)避免栽培這一品種的食用菌。

表2 食用菌價(jià)格預(yù)測(cè)結(jié)果Tab.2 Price forecast results of edible fungi

3 結(jié)論

基于模糊神經(jīng)網(wǎng)絡(luò)對(duì)食用菌價(jià)格建立了預(yù)測(cè)模型，對(duì)5種常見的食用菌栽培方案未來價(jià)格趨勢(shì)進(jìn)行了科學(xué)預(yù)測(cè)，運(yùn)用模糊神經(jīng)網(wǎng)絡(luò)方法進(jìn)行評(píng)價(jià)具有客觀、準(zhǔn)確的特點(diǎn)，能夠有效避免盲目栽培食用菌品種所帶來的市場(chǎng)價(jià)格波動(dòng)，有效促進(jìn)食用菌產(chǎn)業(yè)的健康發(fā)展。