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

《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（44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）

%Generateamatrix-onlyMATLABfunctionforneuralnetworkcode

%generationwithMATLABCodertools.

genFunction（net,'myNeuralNetworkFunction','MatrixOnly','yes'）;

y=myNeuralNetworkFunction（x）;

end

if（false）

%GenerateaSimulinkdiagramforsimulationordeploymentwith.

%SimulinkCodertools.

gensim（net）;

end

4.2网络训练过程

网络训练为：

4.3训练结果

训练结果为：

训练样本、验证样本、测试样本的R值分别为0.875337、-1和1。

误差直方图为：

训练样本、验证样本、测试样本、所有数据回归图为：

验证样本和测试样本R值均为1。

5.第二代发生量建模试验

5.1程序代码

程序代码（SimpleScript）为：

%SolveanInput-OutputFittingproblemwithaNeuralNetwork

%ScriptgeneratedbyNeuralFittingapp

%CreatedWedOct2820:

04:

18CST2015

%

%Thisscriptassumesthesevariablesaredefined:

%

%s2x-inputdata.

%s2y-targetdata.

x=s2x';

t=s2y';

%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

%CreatedWedOct2820:

04:

31CST2015

%

%Thisscriptassumesthesevariablesaredefined:

%

%s2x-inputdata.

%s2y-targetdata.

x=s2x';

t=s2y';

%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）

%Generateamatrix-onlyMATLABfunctionforneuralnetworkcode

%generationwithMATLABCodertools.

genFunction（net,'myNeuralNetworkFunction','MatrixOnly','yes'）;

y=myNeuralNetworkFunction（x）;

end

if（false）

%GenerateaSimulinkdiagramforsimulationordeploymentwith.

%SimulinkCodertools.

gensim（net）;

end

5.2网络训练过程

网络训练为：

5.3训练结果

训练结果为：

训练样本、验证样本、测试样本的R值分别为0.942388、0.999999和1。

误差直方图为：

训练样本、验证样本、测试样本、所有数据回归图为：

验证样本和测试样本R值均为1，训练样本R=0.94239，所有数据R=