【《基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評價分析案例》4200字】_第1頁
【《基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評價分析案例》4200字】_第2頁
【《基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評價分析案例》4200字】_第3頁
【《基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評價分析案例》4200字】_第4頁
【《基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評價分析案例》4200字】_第5頁
已閱讀5頁,還剩5頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認(rèn)領(lǐng)

文檔簡介

基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評價分析案例目錄TOC\o"1-3"\h\u17281基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評價分析案例 1186371.1BP神經(jīng)網(wǎng)絡(luò)構(gòu)建 1149941.1.1網(wǎng)絡(luò)結(jié)構(gòu)確定 128031.1.2網(wǎng)絡(luò)參數(shù)設(shè)計 2268031.2GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建 4253411.2.1遺傳算法 4309631.2.2GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建 4108171.3耕地質(zhì)量評價 6306421.3.1網(wǎng)絡(luò)訓(xùn)練 6313601.3.2評價結(jié)果分析 8BP神經(jīng)網(wǎng)絡(luò)構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)確定BP(BackPropagation,BP)神經(jīng)網(wǎng)絡(luò)是一種基于誤差逆向傳播的多層向前反饋的學(xué)習(xí)算法,其結(jié)構(gòu)包括輸入層、輸出層和隱含層(趙書軍等,2002),青銅峽市耕地質(zhì)量評價BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖8。圖SEQ圖\*ARABIC8BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖本文根據(jù)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特點,設(shè)置輸入層為青銅峽市耕地質(zhì)量評價的指標(biāo),即輸入層節(jié)點數(shù)為10個;同時由圖8可知,輸出層節(jié)點數(shù)為1個,即耕地質(zhì)量綜合得分。在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中,隱含層神經(jīng)元的數(shù)量與訓(xùn)練樣本的數(shù)量有直接關(guān)系,當(dāng)隱含層神經(jīng)元節(jié)點數(shù)不足時,樣本訓(xùn)練較快,甄別信息能力差,難以獲得訓(xùn)練樣本信息,無法完全體現(xiàn)樣本的本質(zhì),難以尋找樣本之間的規(guī)律,也很難檢查容錯性。反之當(dāng)神經(jīng)元節(jié)點數(shù)較多時,訓(xùn)練時間較長,機器容易記住樣本中沒有任何規(guī)律可循的因素,這導(dǎo)致了所謂的“過度匹配”問題,從而降低了泛化能力。目前,在用于確定隱藏層中神經(jīng)元數(shù)量的方法中,應(yīng)用較為廣泛的為試湊法,按照輸入層與輸出層的節(jié)點數(shù),初始化預(yù)設(shè)不同的隱含層節(jié)點數(shù),經(jīng)過多次的網(wǎng)絡(luò)訓(xùn)練試驗,選擇誤差最小時的對應(yīng)值,常用的經(jīng)驗公式(Nuryetal.,2017)如下:(5-1)(5-1)其中,公式(5-1)中,f—表示隱含層神經(jīng)元節(jié)點數(shù);x1—表示輸入層神經(jīng)元節(jié)點數(shù);x2—表示輸出層神經(jīng)元節(jié)點數(shù);c—表示1~10區(qū)間的常數(shù)。由上述公式,計算出隱含層神經(jīng)元節(jié)點數(shù)區(qū)間為[4,13],從最小值到最大值逐個驗證模型的均方誤差,最終得出誤差最小的層數(shù)為BP神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元節(jié)點數(shù)。本文通過構(gòu)建訓(xùn)練模型,分別將4~13的整數(shù)帶入訓(xùn)練模型后,經(jīng)過多次試驗,計算不同節(jié)點數(shù)的均方誤差值,詳見表17。表SEQ表\*ARABIC17不同神經(jīng)元節(jié)點數(shù)訓(xùn)練結(jié)果表隱含層神經(jīng)元節(jié)點數(shù)45678910111213均方誤差(10-3)4.554.564.306.126.334.316.444.206.594.60由表17計算結(jié)果可知,在綜合考慮網(wǎng)絡(luò)訓(xùn)練擬合程度的情況下,當(dāng)隱含層神經(jīng)元節(jié)點數(shù)為11時,網(wǎng)絡(luò)損失函數(shù)最小,收斂效果較好。因此,本文中將設(shè)置11為隱含層節(jié)點數(shù),使網(wǎng)絡(luò)訓(xùn)練效果盡可能的達(dá)到良好的狀態(tài)。網(wǎng)絡(luò)參數(shù)設(shè)計根據(jù)第三章中建立的青銅峽市耕地質(zhì)量評價指標(biāo)及評價樣本可知,訓(xùn)練樣本較少,僅有5763個樣本及10個評價指標(biāo),因此本文采用比較簡單的梯度下降法作為本次網(wǎng)絡(luò)的訓(xùn)練算法,與之相對應(yīng)的訓(xùn)練函數(shù)選取traingd,同時需要對激活函數(shù)、學(xué)習(xí)速率和目標(biāo)誤差進行選取和確定。(1)激活函數(shù)在多層神經(jīng)網(wǎng)絡(luò)中,根據(jù)各層次神經(jīng)元節(jié)點的關(guān)系,能夠?qū)⑸窠?jīng)元的輸入映射到輸出的運行函數(shù)為激活函數(shù)。本文將采用容錯性較好的雙曲正切函數(shù)Tanh作為激活函數(shù),增加神經(jīng)網(wǎng)絡(luò)的非線性。(2)學(xué)習(xí)效率學(xué)習(xí)效率是指梯度項前面的系數(shù),學(xué)習(xí)速率的大小將影響網(wǎng)絡(luò)訓(xùn)練的速度及訓(xùn)練的最優(yōu)解,學(xué)習(xí)率太小,收斂過慢;如果學(xué)習(xí)率太大,引起均方誤差嚴(yán)重振蕩,迭代將太快,可能會越過最低點(肖進勝等,2017)。本研究中,首選將學(xué)習(xí)速率設(shè)置為0.01,然后觀察均方誤差的走向,如果均方誤差在減小,需對學(xué)習(xí)速率進行逐步地調(diào)大,如果均方誤差在增大,則需逐步減小學(xué)習(xí)速率。表18為訓(xùn)練1000次后,不同學(xué)習(xí)速率下的均方誤差計算結(jié)果。表SEQ表\*ARABIC18不同學(xué)習(xí)速率下的均方誤差計算結(jié)果表學(xué)習(xí)速率10.10.010.0010.0001均方誤差(10-3)5.6334.6134.1914.6216.174圖SEQ圖\*ARABIC9學(xué)習(xí)速率為1時,均方誤差隨訓(xùn)練次數(shù)增大的變化趨勢圖圖SEQ圖\*ARABIC10學(xué)習(xí)速率為0.01時,均方誤差隨訓(xùn)練次數(shù)增大的變化趨勢圖由上述不同學(xué)習(xí)速率下的網(wǎng)絡(luò)訓(xùn)練結(jié)果數(shù)據(jù)及均方誤差變化趨勢圖可知,當(dāng)學(xué)習(xí)速率為1時,均方誤差振蕩較幅度較大;當(dāng)學(xué)習(xí)速率為0.01時,均方誤差最小。因此,本研究設(shè)置0.01為學(xué)習(xí)速率。(3)目標(biāo)誤差本研究采用均方差函數(shù)為目標(biāo)誤差,主要用于評估模型的擬合程度,均方誤差越小,其適應(yīng)度越好。本次網(wǎng)絡(luò)訓(xùn)練中目標(biāo)誤差設(shè)置為10-3,最大訓(xùn)練次數(shù)為104。目標(biāo)誤差運算公式表達(dá)如下:式中,m為訓(xùn)練樣本數(shù),f(xi)為預(yù)測值,yi為實測值。GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建遺傳算法遺傳算法(GeneticAlgorithm,GA)是由美國的J.Holland教授1975年首先提出(馬永等,2007)。它是通過自發(fā)利用隨機化搜索的方法,自動獲取和優(yōu)化搜索空間,直接作用于結(jié)構(gòu)對象,及時甄別獲取的信息,對搜索半徑及方向自動調(diào)整,提高全局搜索的效率。本文研究中引入遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),主要是在BP網(wǎng)絡(luò)模型執(zhí)行之前,對耕地質(zhì)量評價指標(biāo)的初始化權(quán)值和閾值進行計算,利用隨機化搜索的方法,以達(dá)到對最優(yōu)參數(shù)的全局搜索過程。GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建本研究以青銅峽市耕地為研究對象,設(shè)計網(wǎng)絡(luò)執(zhí)行流程,確定個體編碼、最大迭代次數(shù)等參數(shù),構(gòu)建適用于青銅峽市耕地質(zhì)量評價的GA-BP神經(jīng)網(wǎng)絡(luò)模型,探索出符合實際,較為準(zhǔn)確、高效的方法,對青銅峽市耕地質(zhì)量評價進行綜合研究,具體GA-BP神經(jīng)網(wǎng)絡(luò)模型流程見圖11。圖SEQ圖\*ARABIC11GA-BP神經(jīng)網(wǎng)絡(luò)模型流程圖(1)實數(shù)編碼在GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建中,首先要解決的問題就是編碼問題。遺傳算法是通過改變個體編碼的基因,逐步優(yōu)化個體的適應(yīng)度,最終篩選出最優(yōu)個體,個體編碼通常采用實數(shù)編碼的方式,通過浮點數(shù)表示個體的每個基因值,以解決約束優(yōu)化的問題,滿足遺傳算法對精度和搜索空間的要求(魏加華等,2010)。根據(jù)上文中對神經(jīng)網(wǎng)絡(luò)各層節(jié)點數(shù)的設(shè)置可知,輸入層、隱含層和輸出層的神經(jīng)元個數(shù)分別為10、11、 1,則權(quán)值為10×11+11×1=121,閾值為11+1=12,即“染色體”長度為121+12=123。(2)適應(yīng)度函數(shù)適應(yīng)度函數(shù)是對每個個體的優(yōu)劣進行評估,當(dāng)個體的適應(yīng)性較高時,才有可能被遺傳到下一代,否則可能會被淘汰,最終確立的BP網(wǎng)絡(luò)初始權(quán)值和閾值是適應(yīng)度最高的個體(相甍甍等,2018)。本研究中耕地質(zhì)量評價質(zhì)量分為正數(shù),將采用BP神經(jīng)網(wǎng)絡(luò)的均方誤差作為作為網(wǎng)絡(luò)訓(xùn)練的適應(yīng)度函數(shù),均方誤差越小,其適應(yīng)度越好(杭艷紅等,2017),其公式如下。(5-2)(5-2)其中,公式(5-2)中,m為訓(xùn)練樣本數(shù),f(xi)為預(yù)測值,yi為實測值。(3)最大迭代次數(shù)在遺傳算法中,當(dāng)網(wǎng)絡(luò)運行到一定的進化代數(shù)時,個體適應(yīng)度的變化將趨于穩(wěn)定,當(dāng)前群體中的最佳個體作為最優(yōu)解輸出(杭艷紅等,2017)。本研究中,經(jīng)多次試驗,最終設(shè)置500為的最大迭代次數(shù)。(4)選擇操作在遺傳算法中,利用選擇操作對群體中的個體遵循“適者生存”的規(guī)則進行操作,通過初代的隨機變異和環(huán)境選擇,不斷循環(huán),選擇出最優(yōu)的基因遺傳到下一代,得到最適宜環(huán)境的基因(石明奎,2017)。本研究中采用常用的輪盤賭選擇方法,它是一種隨機抽樣的回放方法,個體的適應(yīng)度函數(shù)值的大小直接影響著個體被選擇的概率,計算公式如下。(5-3)(5-3)其中,公式(5-3)中,fi表示第i個個體的適應(yīng)度值。(5)交叉操作交叉操作是重組父類的兩個樣本部分結(jié)構(gòu),以生成一個新的個體,當(dāng)交叉概率過大時,將提高遺傳算法加大搜索半徑的能力,但已確立的高適應(yīng)度染色體的將被破壞;當(dāng)交叉概率較小時,遺傳算法的進化能力就會變?nèi)酰@取遺傳個體的能力不足,遺傳操作進入緩慢狀態(tài)(杭艷紅等,2017)。通過查閱大量文獻可知,交叉概率的取值范圍普遍在[0.25,1.0]區(qū)間內(nèi),本文研究選取0.7為交叉概率值。(6)變異操作本研究采用實數(shù)編碼方法,在變異過程中采用非均勻突變算子,獲得突變后的新基因值。參考了許多學(xué)者研究內(nèi)容中對變異概率設(shè)置的范圍,本文研究將取值0.01為變異概率的值。耕地質(zhì)量評價網(wǎng)絡(luò)訓(xùn)練(1)訓(xùn)練樣本確定本文根據(jù)選取的青銅市耕地質(zhì)量評價單元數(shù)量及其在空間上的分布情況,分別基于瞿靖鎮(zhèn)、小壩鎮(zhèn)、葉盛鎮(zhèn)等8個鄉(xiāng)鎮(zhèn)的耕地,隨機均勻抽取1400個樣本,包含1000個訓(xùn)練樣本和400個測試樣本。同時,根據(jù)樣本空間分布位置和各鄉(xiāng)鎮(zhèn)評價單元數(shù)量、面積的占比進行調(diào)整,以達(dá)到選取樣本的空間分布均勻性和代表性。本研究選取的青銅峽市耕地質(zhì)量評價模型網(wǎng)絡(luò)訓(xùn)練樣本空間分布圖見圖12。圖SEQ圖\*ARABIC12青銅峽市耕地評價網(wǎng)絡(luò)訓(xùn)練樣本空間分布圖由圖7可知,選取的青銅峽市耕地評價網(wǎng)絡(luò)訓(xùn)練樣本空間分布包含了8個鄉(xiāng)鎮(zhèn),訓(xùn)練樣本的耕地面積為9145.15公頃,占青銅峽市耕地總面積40453.13公頃的22.61%。其中,瞿靖鎮(zhèn)選取了322個樣本,面積為2042.05公頃;大壩鎮(zhèn)選取了232個樣本,面積為1921.24公頃;紹崗鎮(zhèn)選取了183個樣本,面積為1546.75公頃;葉盛鎮(zhèn)選取了164個樣本,面積為1022.07公頃;小壩鎮(zhèn)選取了122個樣本,面積為824.59公頃;陳袁灘鎮(zhèn)選取了132個樣本,面積為715.53公頃;峽口鎮(zhèn)選取了107個樣本,面積為667.68公頃;青銅峽鎮(zhèn)選取了138個樣本,面積為405.24公頃。(2)網(wǎng)絡(luò)訓(xùn)練本研究基于Windows10操作系統(tǒng)環(huán)境,以PyCharm為開發(fā)平臺,采用Python語言,結(jié)合NumPy程序庫,搭建人工智能算法TensorFlow框架,利用上文中所建立的GA-BP神經(jīng)網(wǎng)絡(luò)模型及相關(guān)參數(shù),編譯相關(guān)的程序,將1000個訓(xùn)練樣本和400個測試樣本進行網(wǎng)絡(luò)訓(xùn)練及模型測試。經(jīng)過試驗后,400個測試樣本的預(yù)測質(zhì)量分值結(jié)果見表19。表SEQ表\*ARABIC19測試樣本預(yù)測質(zhì)量分值結(jié)果見表序號評價單元編碼縣(區(qū))鄉(xiāng)鎮(zhèn)預(yù)測質(zhì)量分值16403814122青銅峽市紹崗鎮(zhèn)0.62469226403814123青銅峽市紹崗鎮(zhèn)0.78145036403814127青銅峽市紹崗鎮(zhèn)0.80618046403814128青銅峽市紹崗鎮(zhèn)0.80602356403814129青銅峽市紹崗鎮(zhèn)0.79605866403814139青銅峽市紹崗鎮(zhèn)0.82366276403814142青銅峽市紹崗鎮(zhèn)0.81107986403814143青銅峽市紹崗鎮(zhèn)0.81249496403814151青銅峽市紹崗鎮(zhèn)0.709473106403814154青銅峽市紹崗鎮(zhèn)0.737097…………3916403815731青銅峽市青銅峽鎮(zhèn)0.6875303926403815737青銅峽市青銅峽鎮(zhèn)0.6182903936403815741青銅峽市青銅峽鎮(zhèn)0.6441363946403815742青銅峽市青銅峽鎮(zhèn)0.6273733956403815745青銅峽市青銅峽鎮(zhèn)0.4896713966403815748青銅峽市青銅峽鎮(zhèn)0.5532653976403815752青銅峽市青銅峽鎮(zhèn)0.6625963986403815758青銅峽市青銅峽鎮(zhèn)0.8496203996403815759青銅峽市青銅峽鎮(zhèn)0.8401334006403815760青銅峽市青銅峽鎮(zhèn)0.858858評價結(jié)果分析根據(jù)上述訓(xùn)練完成的GA-BP神經(jīng)網(wǎng)絡(luò)模型,將青銅峽市5763個耕地質(zhì)量評價單元輸入模型進行計算,得到每個評價單元的預(yù)測質(zhì)量分,詳見表20。同時,運用ArcMap10.2平臺形成青銅峽市耕地質(zhì)量空間分布圖,詳見圖13。表SEQ表\*ARABIC20基于GA-BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練得出的評價單元質(zhì)量分評價單元編碼縣(區(qū))鄉(xiāng)鎮(zhèn)評價單元分值6403811青銅峽市葉盛鎮(zhèn)0.8019826403812青銅峽市葉盛鎮(zhèn)0.8522266403813青銅峽市葉盛鎮(zhèn)0.8471626403814青銅峽市葉盛鎮(zhèn)0.8482536403815青銅峽市葉盛鎮(zhèn)0.8451756403816青銅峽市葉盛鎮(zhèn)0.8634226403817青銅峽市葉盛鎮(zhèn)0.7998556403818青銅峽市葉盛鎮(zhèn)0.8428646403819青銅峽市葉盛鎮(zhèn)0.8486464038110青銅峽市葉盛鎮(zhèn)0.8405666403812471青銅峽市峽口鎮(zhèn)0.8334596403812472青銅峽市峽口鎮(zhèn)0.7049436403812473青銅峽市峽口鎮(zhèn)0.7025636403812474青銅峽市峽口鎮(zhèn)0.6954296403812475青銅峽市峽口鎮(zhèn)0.690221……6403814520青銅峽市紹崗鎮(zhèn)0.8156796403814521青銅峽市紹崗鎮(zhèn)0.6938676403814522青銅峽市紹崗鎮(zhèn)0.8025936403815044青銅峽市陳袁灘鎮(zhèn)0.7783486403815045青銅峽市陳袁灘鎮(zhèn)0.815

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論