论文基于BP神经网络算法的粮食最低收购价定价预测，该文是关于神经网络相关毕业论文开题报告范文和神经网络和BP神经网络算法和收购价方面毕业论文模板范文.
摘 要：基于BP神经网络进行粮食最低收购定价预测分析.由于没有2016年的相关数据,而要预测2017年的指标数据,单纯的计量经济模型已经无法解决.神经网络是一个智能算法,综合考虑多个影响因素,得到了想要的预测结果.用两种方式进行预测,一方面用时间序列的趋势项作为神经网络的输入,另一方面用上一年度的指标数据以及种植面积数据作为输入,最后输出2017年的最低收购价数据,最后得到小麦和稻谷的最低收购价预测区间分别为[119.515,125.972]和[143.007,153.677].
关键词：BP神经网络；粮食；预测区间
建立粮食最低收购价的合理定价模型,评价定价的合理性,并对2017年的粮食最低收购价进行合理的预测.由于无法得到2016年的相关数据,根据粮食种植面积的回归模型进行预测,显得工作量有些大.为了得到更为合理的定价预测,采用神经网络进行预测.
笔者选取6 个指标作为影响小麦和稻谷种植面积的指标.为了加快程序运行的速度,消除指标量纲的差异,对原始指标数据做归一化处理,此归一化原理同[7]MATLAB里的mapminmax函数的作用是一致的,为了把归一化数据范围限定为[-1,1]区间,给出如下归一化表达式：
对于所研究问题的参数和范围,本文作如下几点假设和限定:
(1)所有数据和通过网络查询到的相关数据均有效,且可以清晰反映指标所代表的经济学含义.(2)在建模时,认为粮食市场主要有两大品种,因为国家的最低收购价政策主要针对小麦和稻谷,因此只对这两个市场建模.(3)只考虑单个市场的影响,即忽略小麦与稻谷的影响关系.(4)假设在预测的时间区间内无政策影响或其他不可预见的事件发生,并忽略其他因素的影响,比较一个变量的变化时,假定其他变量都是不变的.
本文中数据主要来源于中国统计年鉴、中华粮网、wind数据库以及网络资源.获得的相关指标数据不全,有缺失值,这不可避免会产生统计误差,因此要首先对数据进行预处理.
对于缺失的数据,用两种方法去补数据,确保数据的完整性.其一,寻找临近年度的数据取其平均值代替；其二,根据前后年度政策等因素的变化,确定数据的变化规律,根据平均增长率换算得到缺失数据.最后经过不断地筛选整合,得到了相关指标2005-2015年的全国数据,初步筛选数据如表1所示.
1.BP神经网络的粮食最低收购价预测定价建模
在本文BP神经网络预测建模中,我们借助于Python软件进行具体操作：
通过历年数据建立神经网络模型,将2005－2014年的6个因子（S_fs_dg, S_yxgg,Nydl,P_city,P_dst,Dif_cx）作为输入训练集,将2006-2015的收购（SG_dg）作为目标训练数据,两者之间就构成了一个映射关系.将2005－2015年的数据（S_fs_dg,S_yxgg,Nydl,P_city,P_dst,Dif_cx）作为测试都作为测试数据,通过神经网络模拟会得到2005－2015年对下一年的收购的预测值的集合.
首先对输入训练数据和目标训练数据进行归一化处理,通过Python中keras神经网络模块建立神经网络模型, 设置10个隐含层,输入参数为6,1个输出,用relu函数作为激活函数,能够大幅提供准确度,采用均方差误差的格式做预测值的校验,梯度设置为36（通过不断尝试,36时数据拟合程度最好）,将训练集导入神经网络模型,学习1000次（10000次的话容易过拟合）,将测试数据进行归一化,导入神经网络做预测,得到的值为2006－2016的稻谷收购价的预测值,循环10次操作取平均值,将这些预测值进行反归一化,并保存到表格中方便后续的处理.再为了得到2017年的预测结果,因为2016年数据（S_fs_dg,S_yxgg,Nydl,P_city,P_dst,Dif_cx）并没有统计,依旧使用神经网络对这6个参数值分别进行2016年的预测,不同的是输入为年份,变成了1个参数,输出变成是一个值（相应参数的2016年值）.进行神经网络训练预测,得到6个值为2016年相关参数的值,再进行神经网络训练,经过不断调试参数[8],得到结果如下：
2.预测结果分析
根据上表进行分析,2005年到2015年的预测值与真实值之间的差异较小,说明预测效果很好,这也保证了2016年稻谷最低收购价的预测的精确性.根据公布的数据得到2016年稻谷的最低收购价数据为142,预测的值跟其差别不大.2017年单次神经网络预测值为149.9.
同理,发现小麦最低收购价的预测效果一般,根据2016年公布的数据,小麦最低收购价为118,而预测值为120.1,差别与稻谷近乎一样.2017年单次神经网络预测值为121.6.
为了更清晰的表现出预测的效果,我们用Python作出预测值和真实值的时间变化趋势图以及残差变化图,查看拟合效果.结果如图1所示.
针对题目的要求,用BP神经网络算法对2017年的粮食最低收购价的合理范围进行预测,用与前面一样的方法.对这些数据进行神经网络训练,持续这样,在神经网络里运行10次,得到了2017年的十个预测值,取预测值的最大值和最小值作为预测区间.结果如表4所示.
为此,确定小麦最低收购价的预测区间为[119.515,125.972],稻谷收购价的预测区间为[143.007,153.677].
3.结论与建议
本文针对粮食最低收购价问题进行深入分析,在查阅大量文献和相关数据的基础上,研究建立了基于神经网络的粮食最低收购价定价预测模型.最后根据建模结果与分析,对调整粮食种植决策提出了合理化政策建议.基于BP神经网络算法,结合可靠的学习数据以及神经网络训练关键参数的选取手段,本文尝试多种方法,变换多种思路预测粮食最低收购价,不断地更换输入层,扩大训练次数,从而得到比较精确的预测数据.
结合本文所建模型,从模型的数学意义和经济学角度对调整粮食种植优化决策给出了较为合理的预测.此外,由于本文所有建立的模型都是在模型的假设前提下进行的,没有考虑其他粮食品种的影响,也没有考虑自相关因素等客观原因,所以本文所完成的工作还存在一些不足.
上文汇总,本文是适合神经网络和BP神经网络算法和收购价论文写作的大学硕士及关于神经网络本科毕业论文，相关神经网络开题报告范文和学术职称论文参考文献.
参考文献：
1、 基于遗传算法的优化BP神经网络算法 王军涛（北华航天工业学院,河北廊坊065000）WANG Juntao（NorthChina Institute ofAerospaceEngineering,Langfang065000,China.
2、 基于模糊神经网络和粒子群优化算法的机器人路径规划 摘要有评估标准规定,机器人的最优路径规划就是当其在具有障碍物的环境中移动时,能够自动寻找到从初始状态到目标状态的一条无碰撞路径 在本次研究中,首先利用网格法建立了周围环境的数学模型,随后提出一种模糊神.
3、 神经网络在计算机网络安全评价中的应用 周宇摘要随着计算机技术的快速发展,信息能够在短时间内在全世界范围内流动 信息的实时共享使得计算机技术更有价值,同时也充分发挥了信息快速传递的优势 计算机网络给人类社会带来的影响具有两面性；一方面,计算.
4、 卷积神经网络的方程组求解 摘要通过迭代求解方程组的解,提出了一种基于卷积神经网络求解线性方程组的病态方程组的方法,由于条件数过大,影响求解的精度,将求解方程组的过程转换为神经网络学习的过程 通过神经网络学习同目标数据形成一种映.
5、 离散混沌系统的神经网络阶逆系统控制 摘要提出用神经网络α阶逆系统方法控制一类未知模型的离散混沌系统,针对离散混沌系统的特殊性,调整了神经网络建模的输入输出结构,并以Logistic系统为假想未知系统进行实际控制,仿真结果说明.
6、 基于matlab实现人工神经网络在股票评级中的应用 1 引言 近年,我国股市跌宕起伏,远有2008年次贷危机,近有由于场外配资清理、场内融资和分级基金去杠杆形成连锁反应造成的2015年的股灾,国家推出的“熔断机制”……应对措施.