基于粒子群优化神经网络混合模型预测马尾松毛虫发生量

第36卷第11期东北林业大学学报V o.l36N o.11 2008年11月J OURNA L O F NORTHEA ST FORESTRY UN I VER SI TY N ov.2008基于粒子群优化神经网络混合模型预测马尾松毛虫发生量1)陈绘画崔相富杨胜利(浙江省仙居县林业局,仙居,317300)摘要针对BP网络具有局部精确搜索但易陷入局部极小、粒子群算法具有全局寻优的特点,将二者结合起来形成一种训练神经网络的新算法)))PS O-BP算法。

根据相关系数法、均生函数法及逐步回归法分别选取与马尾松毛虫有虫面积、虫口密度、有虫株率相关关系密切的气象因子和延拓均生函数序列作为样本的输入特征,分别建立马尾松毛虫有虫面积、虫口密度、有虫株率与气象因子和延拓均生函数序列的PS O-BP混合模型。

结果表明:建立的各PSO-BP混合模型,具有令人满意的拟合精度和预测精度。

当隐含层神经元个数为13个,预报因子数为6个时,3组预留有虫面积的平均预测误差为4.01%;虫口密度PS O-BP混合模型的隐层神经元个数为9个,预报因子数为4个时,预留样本的平均预测误差为3.32%;有虫株率PS O-BP混合模型的隐层神经元个数为9个,预报因子数为4个时,预留样本的平均预测误差为2.83%。

上述3个指标的预测准确率均为100%。

关键词马尾松毛虫;粒子群神经网络;发生量;预测预报;PSO-BP混合模型分类号T P183O ccurren ce Forecasti n g of Dendroli m us pun ct a t u s Based on the N eu ral Network M i xed M odel of Par ticle Swar mO p ti m i zation/Chen H uihua,CuiX iangfu,Y ang Sheng li(the F orestry Bureau o fX ian j u County,Z he jiang P rov i nce,X i an-j u317300,P.R.Ch i na)//Journal o fN o rt heast F orestry U niversity.-2008,36(11).-88~91PSO-BP al gor it h m,a ne w neural net work algo rit h m,was established by co mb i ni ng BP net w ork,which i s characterized by loca l accuracy search but easil y trappi ng i n l ocal m i nm i u m,w ith Parti cle Swar m Optm i izati on(PSO)w it h g l oba l optm i izati on.A ccord i ng t o re l ated coefficien,t m ean-generati ng function and step w i se reg ressi on methods,meteoro l og i cal factors correspondingto area o f i nfested wood,populati on densit y and the attacki ng rate o f D endroli m us punctat us W a l ker,and conti nuati on-mean-gen-erati ng f uncti on sequence w ere selected as t he character of m i po rted samples to establi sh t he PS O-BP m i xed mode.l R es u ltssho wed that t he established PS O-BP m ixed models had sati sfactory fi tti ng accuracy and f orecasting prec i si on.Under t he cond itiono f t he hi dden neurons i n nu mber13and f orecasting fact o rs i n nu mber6,t he average forecasti ng error o f3g roups of reserved are-a of i nfested wood was4.01%.In contras,t if h i dden neurons i n nu mber9and f orecasti ng factors i n nu mber4under t he PS O-BP m i xedm odel of popu l ati on densit y and t he attacki ng rate,the average f orecasti ng error o f reserved sa mples w ere3.32%and2.83%,respecti ve l y.The forecasti ng accuracy of the above t hree i ndexes w ere100%.K ey word s D endro li mus punctat us;P arti c le s w ar m neura l net wo rk;O ccurrence quantit y;P red i ction;PS O-BPm ixed model林业有害生物预测预报是预防林业有害生物发生的极其重要的组成部分,是开展科学防灾救灾的基础。

加强对林业有害生物发生趋势和危害程度的研究,在其未大发生前及时采取措施,可使林业有害生物对森林资源危害及生态环境破坏造成的损失减少到最低限度,同时还能使林业有害生物的综合管理工作收到事半功倍之效。

马尾松毛虫(D endro li mus punctat us W a l ker)是我国南方马尾松林(P inus m assoniana)的历史性大害虫。

马尾松毛虫的发生及其种群数量变化,具有周期性暴发的特点,除受到其自身的遗传特性影响外,还受气候、林相、植被、食料和天敌5类因子的影响[1],但林相、植被、食料和天敌4类因子是定性变量,很难量化,更难以预测其变化。

前人根据气象因子与马尾松毛虫发生量的相互关系,利用逐步回归分析[2]、判别分析[3]、模糊聚类分析[4]、马尔可夫链分析[5]、区划分析[6]、灰色系统分析[7]等多种方法对其有虫面积进行预测预报;董振辉等还开发出有虫面积预测的专用测报软件[8]。

但马尾松毛虫的危害不仅与气象因子密切相关,也与其自身的种群动1)仙居县科技局5仙居县林业主要有害生物数值预报的研究6部分内容(200628)。

第一作者简介:陈绘画,男,1968年9月生,浙江省仙居县林业局,高级工程师。

收稿日期:2007年11月2日。

责任编辑:程红。

态变化规律密切相关,并且是非线性关系。

近10多年来迅速发展起来的人工神经网络(ANN)模型[9-11],由于具有自适应学习和记忆联想能力,使得它为解决复杂的非线性问题提供了有用的工具,其预测能力大大优于多元回归分析和判别分析,因而人们又利用BP算法的原理和方法,建立马尾松毛虫发生量的BP模型,预测其发生情况[12-15]。

上述各研究或根据马尾松毛虫的危害情况与气象因子的关系建立相应的模型进行预测预报,或根据时间序列原理建立马尾松毛虫危害情况的模型进行预测预报,没有同时考虑气象因子和马尾松毛虫前几代危害情况对当前危害情况的影响。

另外BP算法是基于梯度的方法,也存在一些缺点[16],主要是易陷入局部极小、学习速度慢、网络训练失败的可能性较大和引起振荡效应等。

粒子群优化算法(Pa rtic l e Sw ar m O pti m i zati on,PSO)源于对鸟群捕食行为的研究,系统初始化为一组随机解,粒子在解空间追随最优的粒子进行搜索,通过迭代搜寻最优值[17],所以用它来完成前期的搜索能较好的克服BP算法的缺点。

本研究利用浙江省仙居县1983)1990年的各代马尾松毛虫虫情调查资料,将PSO算法、BP算法结合起来,形成一种新的训练算法)))PS O-BP算法,来研究马尾松毛虫的有虫面积、虫口密度、有虫株率与其自身的变化规律及气象因子之间的关系,分别建立马尾松毛虫有虫面积、虫口密度、有虫株率的PS O-BP混合模型,对PSO-BP混合模型在林业有害生物预测预报中的应用进行积极的探索。

1 材料与方法1.1 材料来源马尾松毛虫资料来自浙江省仙居县森林病虫防治站,气象资料来自浙江省仙居县气象局。

该县于1982年发现有马尾松毛虫危害,自1983年起,每年均在4月(出蛰)、7月(第1代)和9月(第2代)调查各代虫情的危害情况。

将1983)1989年的各代虫情调查结果进行建模,1990年的3代虫情调查结果用作回报检验。

1.2 预报因子的选择1.2.1 均生函数方法用于建模的有虫面积、虫口密度、有虫株率数据根据调查时间的先后顺序,按下式分别进行标准差规格化处理。

P n =(P -P m )/P t ,(1)式中:P 、P n 分别为规格化前、后的数据,P m 、P t 分别为原始数据P 的平均值和标准差。

对规格化后的有虫面积、虫口密度、有虫株率序列作一阶、二阶差分运算,再利用式(2)。

x l (i)=1n l En l -lj =0x (i +jl),(2)对原序列、一阶差分序列和二阶差分序列作均值生成函数计算[18]144-146,式中i =1,2,,,l ,1[l [M,且n l =I NT ( N /l),M 一般可以视样本数的大小取I NT ( N /2)或I NT ( N /3),其中I NT 表示取整。

对原序列和一阶、二阶差分均生函数序列作周期性延拓计算。

f l (t)= x l [t -l I NT (t -1l)],(3)式中:t =1,2,,,N ;l =1,2,,,M 。

这样使各均生函数序列定义域扩展到整个需要的同一时间轴上。

然后再对有虫面积、虫口密度、有虫株率的延拓均生函数序列与相应的规格化后的有虫面积、虫口密度、有虫株率原序列作相关分析,凡与有虫面积、虫口密度、有虫株率相关系数大于R 0.95的即选入。

1.2.2 气象因子的选择将1983)1989年的各代马尾松毛虫的有虫面积、虫口密度、有虫株率作为因变量。