基于人工神經(jīng)網(wǎng)絡(luò)林分材種出材率預(yù)測模型研究.pdf

1、林分出材率受到平均胸徑、平均樹高、立地質(zhì)量、年齡、保留密度、蓄積量等諸多因素的影響，材種出材率的變化具有非線性及非確定性特征。傳統(tǒng)的林分材種出材率預(yù)測采用統(tǒng)計分析的方法，需要大量樣木單元(大于100個樣本)為基礎(chǔ)，模型涉及的參數(shù)較多，許多參數(shù)缺乏成熟的測定方法。 人工神經(jīng)網(wǎng)絡(luò)(Artifical Neural Network，簡稱ANN)是基于實例的方法，不需要考慮數(shù)學(xué)模型的內(nèi)部結(jié)構(gòu)，不需要假設(shè)前提條件，不需要人為地確定因子權(quán)重

2、，作為一個黑箱綜合地映射研究對象的整體性。ANN具有大規(guī)模并行運算、自適應(yīng)、自學(xué)習(xí)、容錯性的能力，使它成為一個在傳統(tǒng)統(tǒng)計方法之外，十分引人注目的新方法，并廣泛的應(yīng)用于生物系統(tǒng)中非線性行為的預(yù)測建模。因此，運用人工神經(jīng)網(wǎng)絡(luò)對林分材種出材率進行預(yù)測具有獨特的優(yōu)勢，也為林分出材率的預(yù)測提供了新思路。 本文以Matalab7.0為計算平臺，應(yīng)用人工神經(jīng)網(wǎng)絡(luò)的方法分別建立了林分出材率的預(yù)測，林分總出材率和非規(guī)格出材率預(yù)測，徑級材種出材率預(yù)

3、測的三層前饋方向傳播(BP)神經(jīng)網(wǎng)絡(luò)模型。通過對伐區(qū)設(shè)計資料，及實際生產(chǎn)碼單數(shù)據(jù)進行學(xué)習(xí)，確定以平均胸徑、平均樹高、保留密度、蓄積量為輸入神經(jīng)-元，分析了影響B(tài)P網(wǎng)絡(luò)學(xué)習(xí)效率和預(yù)測精度的影響因素，主要從隱含層神經(jīng)元數(shù)量、訓(xùn)練數(shù)、隱含層激勵函數(shù)、學(xué)習(xí)樣本數(shù)量幾個方面對材種出材率預(yù)測BP網(wǎng)絡(luò)模型進行了優(yōu)化，確定了林分經(jīng)驗材種出材率預(yù)測人工神經(jīng)網(wǎng)絡(luò)模型。 運用改進的BP神經(jīng)網(wǎng)絡(luò)預(yù)測的結(jié)果為：林分總出材率的小班識別率為95.496，非規(guī)