基于神经网络的马尾松毛虫精细化预报Matlab建模试验.docx
《基于神经网络的马尾松毛虫精细化预报Matlab建模试验.docx》由会员分享，可在线阅读，更多相关《基于神经网络的马尾松毛虫精细化预报Matlab建模试验.docx（46页珍藏版）》请在冰豆网上搜索。
基于神经网络的马尾松毛虫精细化预报Matlab建模试验
基于神经网络的马尾松毛虫精细化预报Matlab建模试验
张国庆
（安徽省潜山县林业局）
1.数据来源
马尾松毛虫发生量、发生期数据来源于潜山县监测数据，气象数据来源于国家气候中心。
2.数据预处理
为了体现马尾松毛虫发生发展时间上的完整性，在数据处理时，将越冬代数据与上一年第二代数据合并，这样，就在时间上保持了一个马尾松毛虫世代的完整性，更便于建模和预测。
（1）气象数据处理
根据《松毛虫综合管理》、《中国松毛虫》等学术资料以及近年来有关马尾松毛虫监测预报学术论文，初步选择与松毛虫发生量、发生期有一定相关性气象因子，包括卵期极低气温，卵期平均气温，卵期积温（日度），卵期降雨量，第1、2龄极低气温，第1、2龄平均气温，第1、2龄积温（日度），第12龄降雨量，幼虫期极低气温，幼虫期平均气温，幼虫期积温（日度），幼虫期降雨量，世代极低气温，世代平均气温，世代积温（日度），世代降雨量共16个变量。
将来自于国家气候中心的气象原始数据，按年度分世代转换成上述16个变量数据系列。
（2）发生量数据处理
为了在建模时分析发生强度，在对潜山县1983～2014年原始监测数据预处理时，按照“轻”、“中”、“重”3个强度等级，分类按世代逐年汇总。
（3）发生期数据处理
首先对潜山县1983～2014年原始发生期监测数据按世代逐年汇总，然后日期数据转换成日历天，使之数量化，以便于建模分析。
3.因子变量选择
通过相关性分析和建模试验比较，第一代发生量因子变量选择第1、2龄极低气温，卵期极低气温，上一代防治效果，上一代防治面积；第二代发生量因子变量选择第1、2龄极低气温，卵期极低气温，上一代防治效果，上一代防治面积，第1、2龄降雨量，卵期降雨量；第一代幼虫高峰期因子变量选择第1、2龄平均气温，第1、2龄积温（日度），第1、2龄极低气温，卵期极低气温；第二代幼虫高峰期因子变量选择成虫始见期，卵期平均气温，卵期积温（日度），第1、2龄极低气温。
将第一代发生量变量命名为s1y，因变量命名为s1x；第二代发生量变量命名为s2y，因变量命名为s2x；第一代幼虫高峰期变量命名为t1y，因变量命名为t1x；第二代幼虫高峰期变量命名为t2y，因变量命名为t2x。
4.第一代发生量建模试验
4.1程序代码
程序代码（SimpleScript）为：
%SolveanInput-OutputFittingproblemwithaNeuralNetwork
%ScriptgeneratedbyNeuralFittingapp
%CreatedWedOct2819:
28:
48CST2015
%
%Thisscriptassumesthesevariablesaredefined:
%
%s1x-inputdata.
%s1y-targetdata.
x=s1x';
t=s1y';
%ChooseaTrainingFunction
%Foralistofalltrainingfunctionstype:
helpnntrain
%'trainlm'isusuallyfastest.
%'trainbr'takeslongerbutmaybebetterforchallengingproblems.
%'trainscg'useslessmemory.NFTOOLfallsbacktothisinlowmemorysituations.
trainFcn='trainlm';%Levenberg-Marquardt
%CreateaFittingNetwork
hiddenLayerSize=10;
net=fitnet（hiddenLayerSize,trainFcn）;
%SetupDivisionofDataforTraining,Validation,Testing
net.divideParam.trainRatio=90/100;
net.divideParam.valRatio=5/100;
net.divideParam.testRatio=5/100;
%TraintheNetwork
[net,tr]=train（net,x,t）;
%TesttheNetwork
y=net（x）;
e=gsubtract（t,y）;
performance=perform（net,t,y）
%ViewtheNetwork
view（net）
%Plots
%Uncommenttheselinestoenablevariousplots.
%figure,plotperform（tr）
%figure,plottrainstate（tr）
%figure,plotfit（net,x,t）
%figure,plotregression（t,y）
%figure,ploterrhist（e）
程序代码（AdvancedScript）为：
%SolveanInput-OutputFittingproblemwithaNeuralNetwork
%ScriptgeneratedbyNeuralFittingapp
%CreatedWedOct2819:
29:
03CST2015
%
%Thisscriptassumesthesevariablesaredefined:
%
%s1x-inputdata.
%s1y-targetdata.
x=s1x';
t=s1y';
%ChooseaTrainingFunction
%Foralistofalltrainingfunctionstype:
helpnntrain
%'trainlm'isusuallyfastest.
%'trainbr'takeslongerbutmaybebetterforchallengingproblems.
%'trainscg'useslessmemory.NFTOOLfallsbacktothisinlowmemorysituations.
trainFcn='trainlm';%Levenberg-Marquardt
%CreateaFittingNetwork
hiddenLayerSize=10;
net=fitnet（hiddenLayerSize,trainFcn）;
%ChooseInputandOutputPre/Post-ProcessingFunctions
%Foralistofallprocessingfunctionstype:
helpnnprocess
net.input.processFcns={'removeconstantrows','mapminmax'};
net.output.processFcns={'removeconstantrows','mapminmax'};
%SetupDivisionofDataforTraining,Validation,Testing
%Foralistofalldatadivisionfunctionstype:
helpnndivide
net.divideFcn='dividerand';%Dividedatarandomly
net.divideMode='sample';%Divideupeverysample
net.divideParam.trainRatio=90/100;
net.divideParam.valRatio=5/100;
net.divideParam.testRatio=5/100;
%ChooseaPerformanceFunction
%Foralistofallperformancefunctionstype:
helpnnperformance
net.performFcn='mse';%Meansquarederror
%ChoosePlotFunctions
%Foralistofallplotfunctionstype:
helpnnplot
net.plotFcns={'plotperform','plottrainstate','ploterrhist',...
'plotregression','plotfit'};
%TraintheNetwork
[net,tr]=train（net,x,t）;
%TesttheNetwork
y=net（x）;
e=gsubtract（t,y）;
performance=perform（net,t,y）
%RecalculateTraining,ValidationandTestPerformance
trainTargets=t.*tr.trainMask{1};
valTargets=t.*tr.valMask{1};
testTargets=t.*tr.testMask{1};
trainPerformance=perform（net,trainTargets,y）
valPerformance=perform（net,valTargets,y）
testPerformance=perform（net,testTargets,y）
%ViewtheNetwork
view（net）
%Plots
%Uncommenttheselinestoenablevariousplots.
%figure,plotperform（tr）
%figure,plottrainstate（tr）
%figure,plotfit（net,x,t）
%figure,plotregression（t,y）
%figure,ploterrhist（e）
%Deployment
%Changethe（false）valuesto（true）toenablethefollowingcodeblocks.
if（false）
%GenerateMATLABfunctionforneuralnetworkforapplicationdeployment
%inMATLABscriptsorwithMATLABCompilerandBuildertools,orsimply
%toexaminethecalculationsyourtrainedneuralnetworkperforms.
genFunction（net,'myNeuralNetworkFunction'）;
y=myNeuralNetworkFunction（x）;
end
if（false）
%Gene
升级会员 