基于BP神经网络的土壤适宜性评价

[摘 要]采用BP神经网络的原理，建立神经网络的预测模型，给出相应的算法。并通过土壤适用性验证，得出合理的评价和预测结果。

[关键词]神经网络；模型； 预测；评价

中图分类号：S158 文献标识码：A 文章编号：1009-914X（2015）33-0121-01

1 BP神经网络预测模型

1.1 BP神经网络基本理论

人工神经网络是基于模仿生物大脑的结构和功能而构成的一种信息处理系统。该网络由许多神经元组成，每个神经元可以有多个输入，但只有一个输出，各神经元之间不同的连接方式构成了不同的神经网络模型。

BP网络的学习过程包括：正向传播和反向传播。当正向传播时，输入信息从输入层经隐单元处理后传向输出层，每一层神经元的状态只影响下一层的神经元的状态，既BP神经网络预测方法中的无后效性特点.如果在输出层得不到希望的输出，则转入反向传播，将误差信号沿原来的神经元连接通路返回。返回过程中，逐一修改各层神经元连接的权值。这种过程不断迭代，最后使得信号误差达到允许的误差范围之内。

1.2 BP神经网络预测模型建立

BP网络具体算法的步骤为：

（1）输入P个样本，m种预测方法的预测值作为输入向量XK1，（k=1，2，3，…，P；i=1，2，3，… m）。各个历史数据真实值为神经网络的输出TK，对每个输入样本进行下面（3）到（5）的迭代。

式中：s为预先给定精度；额为第k个样本误差。

对某一训练样本使用上述算法，通过误差反传调整各层网络单元的权系数，输入所有训练样本，重复以上步骤，使输出误差限制在规定的范围内，此时权系数则不再改变。通过计算机迭代运算，达到误差允许范围为止，对于所有学习样本，均按上列算法计算，最后固定权值系数及阀值，学习训练过程结束，模型已建立。

2 应用

2.1 土壤适宜性评价指标体系

采用BP神经网络模型用于土壤适宜性评价，必须建立合理的综合评价指标体系，根据指标体系，才能得到训练网络的样本数据。本文确定土壤养分含量（土壤有机质含量、速效N、P、K含量）、地面坡度、土层厚度和土壤砾石含量为评价因子，上述4个方面共计7种影响因子建立指标体系。

2.2 土壤适宜性评价神经网络预测模型

图1是本文建立的土壤适宜性评价神经网络预测模型。模型共3层，神经网络结构为7-6-1，输入层为7个神经元，分别对应相应的评价因子，隐蔽层有6个神经元，传递函数为s型传递函数；输出层有一个神经元，对应土壤适宜性等级。

将7个影响参数作为神经网络学习模型输入，结果：R？=0.99997；RMSE=0.01。

2.3 土壤适宜性评价神经网络的具体实现

土壤适宜性评价模型实现时，采用C++算法语言编程。

选取240数据作为样本，其中228个数据供神经网络学习训练，12个数据用作验证及预测，其验证与预测结果见表1：

从表中可知，利用神经网络得到的输出值与知识库及项目区土壤适宜性评价等级基本一致，说明神经网络综合评价是有效的。

3 结论

（1）当网络的结构和训练数据确定后，误差函数主要受激励函数的影响。

（2）在BP神经网络预测方法中，输入与输出之间高度非线性的映射特点，使它更适应非线性预测。

（3）在BP神经网络预测方法中，对权值的非严格性特点，有效地保存了各种预测方法所提供的有用信息，提高了预测的精度。

（4）BP神经网络预测方法中的无后效性特点，减少了组合预测结果对真实值的偏离，并且提高网络整体的收敛性。

（5）BP神经网络以神经元之间连接权值的形式存储数据，再以其自适应能力，给出客观的评价结果，从而克服了专家在评价过程中的主观因素.

（6）在实际工作中，BP神经网络模型可选取适当多的样本参数进行学习训练，随着样本数量的逐步增多，结果将会更为精确。

（7）BP神经网络预测方法在土壤适宜性评价的运用，表明了它在预测方面的适用性，并为进一步在其他领域的预测提供了方法。

参考文献

[1] 刘晓冰，邢宝山等.等土壤质量及其评价指标[J].农业系统科学与综合研究，2002，18（2）：109-110.

[2] 陈云先.应用神经网络专家系统预测浅层地下水水质[J].淮南职业技术学院学报2005[2]92-95.

[3] 鲍一丹，吴燕萍等.BP神经网络最优组合预测方法及其应用[J].农机化研究，2005（3）162-164.

[4] 李卫东.基于神经网络算法的工程技术人员综合评价方法的应用研究[J].太原科技大学学报2005，26（2）.