基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評(píng)價(jià)分析案例目錄TOC\o"1-3"\h\u17281基于GA-BP神經(jīng)網(wǎng)絡(luò)模型的耕地質(zhì)量評(píng)價(jià)分析案例 1186371.1BP神經(jīng)網(wǎng)絡(luò)構(gòu)建 1149941.1.1網(wǎng)絡(luò)結(jié)構(gòu)確定 128031.1.2網(wǎng)絡(luò)參數(shù)設(shè)計(jì) 2268031.2GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建 4253411.2.1遺傳算法 4309631.2.2GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建 4108171.3耕地質(zhì)量評(píng)價(jià) 6306421.3.1網(wǎng)絡(luò)訓(xùn)練 6313601.3.2評(píng)價(jià)結(jié)果分析 8BP神經(jīng)網(wǎng)絡(luò)構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)確定BP（BackPropagation，BP）神經(jīng)網(wǎng)絡(luò)是一種基于誤差逆向傳播的多層向前反饋的學(xué)習(xí)算法，其結(jié)構(gòu)包括輸入層、輸出層和隱含層（趙書軍等，2002），青銅峽市耕地質(zhì)量評(píng)價(jià)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見(jiàn)圖8。圖SEQ圖\*ARABIC8BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖本文根據(jù)BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特點(diǎn)，設(shè)置輸入層為青銅峽市耕地質(zhì)量評(píng)價(jià)的指標(biāo)，即輸入層節(jié)點(diǎn)數(shù)為10個(gè)；同時(shí)由圖8可知，輸出層節(jié)點(diǎn)數(shù)為1個(gè)，即耕地質(zhì)量綜合得分。在BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，隱含層神經(jīng)元的數(shù)量與訓(xùn)練樣本的數(shù)量有直接關(guān)系，當(dāng)隱含層神經(jīng)元節(jié)點(diǎn)數(shù)不足時(shí)，樣本訓(xùn)練較快，甄別信息能力差，難以獲得訓(xùn)練樣本信息，無(wú)法完全體現(xiàn)樣本的本質(zhì)，難以尋找樣本之間的規(guī)律，也很難檢查容錯(cuò)性。反之當(dāng)神經(jīng)元節(jié)點(diǎn)數(shù)較多時(shí)，訓(xùn)練時(shí)間較長(zhǎng)，機(jī)器容易記住樣本中沒(méi)有任何規(guī)律可循的因素，這導(dǎo)致了所謂的“過(guò)度匹配”問(wèn)題，從而降低了泛化能力。目前，在用于確定隱藏層中神經(jīng)元數(shù)量的方法中，應(yīng)用較為廣泛的為試湊法，按照輸入層與輸出層的節(jié)點(diǎn)數(shù)，初始化預(yù)設(shè)不同的隱含層節(jié)點(diǎn)數(shù)，經(jīng)過(guò)多次的網(wǎng)絡(luò)訓(xùn)練試驗(yàn)，選擇誤差最小時(shí)的對(duì)應(yīng)值，常用的經(jīng)驗(yàn)公式（Nuryetal.，2017）如下：（5-1）（5-1）其中，公式（5-1）中，f—表示隱含層神經(jīng)元節(jié)點(diǎn)數(shù)；x1—表示輸入層神經(jīng)元節(jié)點(diǎn)數(shù)；x2—表示輸出層神經(jīng)元節(jié)點(diǎn)數(shù)；c—表示1~10區(qū)間的常數(shù)。由上述公式，計(jì)算出隱含層神經(jīng)元節(jié)點(diǎn)數(shù)區(qū)間為[4，13]，從最小值到最大值逐個(gè)驗(yàn)證模型的均方誤差，最終得出誤差最小的層數(shù)為BP神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元節(jié)點(diǎn)數(shù)。本文通過(guò)構(gòu)建訓(xùn)練模型，分別將4~13的整數(shù)帶入訓(xùn)練模型后，經(jīng)過(guò)多次試驗(yàn)，計(jì)算不同節(jié)點(diǎn)數(shù)的均方誤差值，詳見(jiàn)表17。表SEQ表\*ARABIC17不同神經(jīng)元節(jié)點(diǎn)數(shù)訓(xùn)練結(jié)果表隱含層神經(jīng)元節(jié)點(diǎn)數(shù)45678910111213均方誤差（10-3）4.554.564.306.126.334.316.444.206.594.60由表17計(jì)算結(jié)果可知，在綜合考慮網(wǎng)絡(luò)訓(xùn)練擬合程度的情況下，當(dāng)隱含層神經(jīng)元節(jié)點(diǎn)數(shù)為11時(shí)，網(wǎng)絡(luò)損失函數(shù)最小，收斂效果較好。因此，本文中將設(shè)置11為隱含層節(jié)點(diǎn)數(shù)，使網(wǎng)絡(luò)訓(xùn)練效果盡可能的達(dá)到良好的狀態(tài)。網(wǎng)絡(luò)參數(shù)設(shè)計(jì)根據(jù)第三章中建立的青銅峽市耕地質(zhì)量評(píng)價(jià)指標(biāo)及評(píng)價(jià)樣本可知，訓(xùn)練樣本較少，僅有5763個(gè)樣本及10個(gè)評(píng)價(jià)指標(biāo)，因此本文采用比較簡(jiǎn)單的梯度下降法作為本次網(wǎng)絡(luò)的訓(xùn)練算法，與之相對(duì)應(yīng)的訓(xùn)練函數(shù)選取traingd，同時(shí)需要對(duì)激活函數(shù)、學(xué)習(xí)速率和目標(biāo)誤差進(jìn)行選取和確定。（1）激活函數(shù)在多層神經(jīng)網(wǎng)絡(luò)中，根據(jù)各層次神經(jīng)元節(jié)點(diǎn)的關(guān)系，能夠?qū)⑸窠?jīng)元的輸入映射到輸出的運(yùn)行函數(shù)為激活函數(shù)。本文將采用容錯(cuò)性較好的雙曲正切函數(shù)Tanh作為激活函數(shù)，增加神經(jīng)網(wǎng)絡(luò)的非線性。（2）學(xué)習(xí)效率學(xué)習(xí)效率是指梯度項(xiàng)前面的系數(shù)，學(xué)習(xí)速率的大小將影響網(wǎng)絡(luò)訓(xùn)練的速度及訓(xùn)練的最優(yōu)解，學(xué)習(xí)率太小，收斂過(guò)慢；如果學(xué)習(xí)率太大，引起均方誤差嚴(yán)重振蕩，迭代將太快，可能會(huì)越過(guò)最低點(diǎn)（肖進(jìn)勝等，2017）。本研究中，首選將學(xué)習(xí)速率設(shè)置為0.01，然后觀察均方誤差的走向，如果均方誤差在減小，需對(duì)學(xué)習(xí)速率進(jìn)行逐步地調(diào)大，如果均方誤差在增大，則需逐步減小學(xué)習(xí)速率。表18為訓(xùn)練1000次后，不同學(xué)習(xí)速率下的均方誤差計(jì)算結(jié)果。表SEQ表\*ARABIC18不同學(xué)習(xí)速率下的均方誤差計(jì)算結(jié)果表學(xué)習(xí)速率10.10.010.0010.0001均方誤差（10-3）5.6334.6134.1914.6216.174圖SEQ圖\*ARABIC9學(xué)習(xí)速率為1時(shí)，均方誤差隨訓(xùn)練次數(shù)增大的變化趨勢(shì)圖圖SEQ圖\*ARABIC10學(xué)習(xí)速率為0.01時(shí)，均方誤差隨訓(xùn)練次數(shù)增大的變化趨勢(shì)圖由上述不同學(xué)習(xí)速率下的網(wǎng)絡(luò)訓(xùn)練結(jié)果數(shù)據(jù)及均方誤差變化趨勢(shì)圖可知，當(dāng)學(xué)習(xí)速率為1時(shí)，均方誤差振蕩較幅度較大；當(dāng)學(xué)習(xí)速率為0.01時(shí)，均方誤差最小。因此，本研究設(shè)置0.01為學(xué)習(xí)速率。（3）目標(biāo)誤差本研究采用均方差函數(shù)為目標(biāo)誤差，主要用于評(píng)估模型的擬合程度，均方誤差越小，其適應(yīng)度越好。本次網(wǎng)絡(luò)訓(xùn)練中目標(biāo)誤差設(shè)置為10-3，最大訓(xùn)練次數(shù)為104。目標(biāo)誤差運(yùn)算公式表達(dá)如下：式中，m為訓(xùn)練樣本數(shù)，f（xi）為預(yù)測(cè)值，yi為實(shí)測(cè)值。GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建遺傳算法遺傳算法（GeneticAlgorithm，GA）是由美國(guó)的J.Holland教授1975年首先提出（馬永等，2007）。它是通過(guò)自發(fā)利用隨機(jī)化搜索的方法，自動(dòng)獲取和優(yōu)化搜索空間，直接作用于結(jié)構(gòu)對(duì)象，及時(shí)甄別獲取的信息，對(duì)搜索半徑及方向自動(dòng)調(diào)整，提高全局搜索的效率。本文研究中引入遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，主要是在BP網(wǎng)絡(luò)模型執(zhí)行之前，對(duì)耕地質(zhì)量評(píng)價(jià)指標(biāo)的初始化權(quán)值和閾值進(jìn)行計(jì)算，利用隨機(jī)化搜索的方法，以達(dá)到對(duì)最優(yōu)參數(shù)的全局搜索過(guò)程。GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建本研究以青銅峽市耕地為研究對(duì)象，設(shè)計(jì)網(wǎng)絡(luò)執(zhí)行流程，確定個(gè)體編碼、最大迭代次數(shù)等參數(shù)，構(gòu)建適用于青銅峽市耕地質(zhì)量評(píng)價(jià)的GA-BP神經(jīng)網(wǎng)絡(luò)模型，探索出符合實(shí)際，較為準(zhǔn)確、高效的方法，對(duì)青銅峽市耕地質(zhì)量評(píng)價(jià)進(jìn)行綜合研究，具體GA-BP神經(jīng)網(wǎng)絡(luò)模型流程見(jiàn)圖11。圖SEQ圖\*ARABIC11GA-BP神經(jīng)網(wǎng)絡(luò)模型流程圖（1）實(shí)數(shù)編碼在GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建中，首先要解決的問(wèn)題就是編碼問(wèn)題。遺傳算法是通過(guò)改變個(gè)體編碼的基因，逐步優(yōu)化個(gè)體的適應(yīng)度，最終篩選出最優(yōu)個(gè)體，個(gè)體編碼通常采用實(shí)數(shù)編碼的方式，通過(guò)浮點(diǎn)數(shù)表示個(gè)體的每個(gè)基因值，以解決約束優(yōu)化的問(wèn)題，滿足遺傳算法對(duì)精度和搜索空間的要求（魏加華等，2010）。根據(jù)上文中對(duì)神經(jīng)網(wǎng)絡(luò)各層節(jié)點(diǎn)數(shù)的設(shè)置可知，輸入層、隱含層和輸出層的神經(jīng)元個(gè)數(shù)分別為10、11、 1，則權(quán)值為10×11+11×1=121，閾值為11+1=12，即“染色體”長(zhǎng)度為121+12=123。（2）適應(yīng)度函數(shù)適應(yīng)度函數(shù)是對(duì)每個(gè)個(gè)體的優(yōu)劣進(jìn)行評(píng)估，當(dāng)個(gè)體的適應(yīng)性較高時(shí)，才有可能被遺傳到下一代，否則可能會(huì)被淘汰，最終確立的BP網(wǎng)絡(luò)初始權(quán)值和閾值是適應(yīng)度最高的個(gè)體（相甍甍等，2018）。本研究中耕地質(zhì)量評(píng)價(jià)質(zhì)量分為正數(shù)，將采用BP神經(jīng)網(wǎng)絡(luò)的均方誤差作為作為網(wǎng)絡(luò)訓(xùn)練的適應(yīng)度函數(shù)，均方誤差越小，其適應(yīng)度越好（杭艷紅等，2017），其公式如下。（5-2）（5-2）其中，公式（5-2）中，m為訓(xùn)練樣本數(shù)，f（xi）為預(yù)測(cè)值，yi為實(shí)測(cè)值。（3）最大迭代次數(shù)在遺傳算法中，當(dāng)網(wǎng)絡(luò)運(yùn)行到一定的進(jìn)化代數(shù)時(shí)，個(gè)體適應(yīng)度的變化將趨于穩(wěn)定，當(dāng)前群體中的最佳個(gè)體作為最優(yōu)解輸出（杭艷紅等，2017）。本研究中，經(jīng)多次試驗(yàn)，最終設(shè)置500為的最大迭代次數(shù)。（4）選擇操作在遺傳算法中，利用選擇操作對(duì)群體中的個(gè)體遵循“適者生存”的規(guī)則進(jìn)行操作，通過(guò)初代的隨機(jī)變異和環(huán)境選擇，不斷循環(huán)，選擇出最優(yōu)的基因遺傳到下一代，得到最適宜環(huán)境的基因（石明奎，2017）。本研究中采用常用的輪盤賭選擇方法，它是一種隨機(jī)抽樣的回放方法，個(gè)體的適應(yīng)度函數(shù)值的大小直接影響著個(gè)體被選擇的概率，計(jì)算公式如下。（5-3）（5-3）其中，公式（5-3）中，fi表示第i個(gè)個(gè)體的適應(yīng)度值。（5）交叉操作交叉操作是重組父類的兩個(gè)樣本部分結(jié)構(gòu)，以生成一個(gè)新的個(gè)體，當(dāng)交叉概率過(guò)大時(shí)，將提高遺傳算法加大搜索半徑的能力，但已確立的高適應(yīng)度染色體的將被破壞；當(dāng)交叉概率較小時(shí)，遺傳算法的進(jìn)化能力就會(huì)變?nèi)酰@取遺傳個(gè)體的能力不足，遺傳操作進(jìn)入緩慢狀態(tài)（杭艷紅等，2017）。通過(guò)查閱大量文獻(xiàn)可知，交叉概率的取值范圍普遍在[0.25，1.0]區(qū)間內(nèi)，本文研究選取0.7為交叉概率值。（6）變異操作本研究采用實(shí)數(shù)編碼方法，在變異過(guò)程中采用非均勻突變算子，獲得突變后的新基因值。參考了許多學(xué)者研究?jī)?nèi)容中對(duì)變異概率設(shè)置的范圍，本文研究將取值0.01為變異概率的值。耕地質(zhì)量評(píng)價(jià)網(wǎng)絡(luò)訓(xùn)練（1）訓(xùn)練樣本確定本文根據(jù)選取的青銅市耕地質(zhì)量評(píng)價(jià)單元數(shù)量及其在空間上的分布情況，分別基于瞿靖鎮(zhèn)、小壩鎮(zhèn)、葉盛鎮(zhèn)等8個(gè)鄉(xiāng)鎮(zhèn)的耕地，隨機(jī)均勻抽取1400個(gè)樣本，包含1000個(gè)訓(xùn)練樣本和400個(gè)測(cè)試樣本。同時(shí)，根據(jù)樣本空間分布位置和各鄉(xiāng)鎮(zhèn)評(píng)價(jià)單元數(shù)量、面積的占比進(jìn)行調(diào)整，以達(dá)到選取樣本的空間分布均勻性和代表性。本研究選取的青銅峽市耕地質(zhì)量評(píng)價(jià)模型網(wǎng)絡(luò)訓(xùn)練樣本空間分布圖見(jiàn)圖12。圖SEQ圖\*ARABIC12青銅峽市耕地評(píng)價(jià)網(wǎng)絡(luò)訓(xùn)練樣本空間分布圖由圖7可知，選取的青銅峽市耕地評(píng)價(jià)網(wǎng)絡(luò)訓(xùn)練樣本空間分布包含了8個(gè)鄉(xiāng)鎮(zhèn)，訓(xùn)練樣本的耕地面積為9145.15公頃，占青銅峽市耕地總面積40453.13公頃的22.61%。其中，瞿靖鎮(zhèn)選取了322個(gè)樣本，面積為2042.05公頃；大壩鎮(zhèn)選取了232個(gè)樣本，面積為1921.24公頃；紹崗鎮(zhèn)選取了183個(gè)樣本，面積為1546.75公頃；葉盛鎮(zhèn)選取了164個(gè)樣本，面積為1022.07公頃；小壩鎮(zhèn)選取了122個(gè)樣本，面積為824.59公頃；陳袁灘鎮(zhèn)選取了132個(gè)樣本，面積為715.53公頃；峽口鎮(zhèn)選取了107個(gè)樣本，面積為667.68公頃；青銅峽鎮(zhèn)選取了138個(gè)樣本，面積為405.24公頃。（2）網(wǎng)絡(luò)訓(xùn)練本研究基于Windows10操作系統(tǒng)環(huán)境，以PyCharm為開(kāi)發(fā)平臺(tái)，采用Python語(yǔ)言，結(jié)合NumPy程序庫(kù)，搭建人工智能算法TensorFlow框架，利用上文中所建立的GA-BP神經(jīng)網(wǎng)絡(luò)模型及相關(guān)參數(shù)，編譯相關(guān)的程序，將1000個(gè)訓(xùn)練樣本和400個(gè)測(cè)試樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練及模型測(cè)試。經(jīng)過(guò)試驗(yàn)后，400個(gè)測(cè)試樣本的預(yù)測(cè)質(zhì)量分值結(jié)果見(jiàn)表19。表SEQ表\*ARABIC19測(cè)試樣本預(yù)測(cè)質(zhì)量分值結(jié)果見(jiàn)表序號(hào)評(píng)價(jià)單元編碼縣（區(qū)）鄉(xiāng)鎮(zhèn)預(yù)測(cè)質(zhì)量分值16403814122青銅峽市紹崗鎮(zhèn)0.62469226403814123青銅峽市紹崗鎮(zhèn)0.78145036403814127青銅峽市紹崗鎮(zhèn)0.80618046403814128青銅峽市紹崗鎮(zhèn)0.80602356403814129青銅峽市紹崗鎮(zhèn)0.79605866403814139青銅峽市紹崗鎮(zhèn)0.82366276403814142青銅峽市紹崗鎮(zhèn)0.81107986403814143青銅峽市紹崗鎮(zhèn)0.81249496403814151青銅峽市紹崗鎮(zhèn)0.709473106403814154青銅峽市紹崗鎮(zhèn)0.737097…………3916403815731青銅峽市青銅峽鎮(zhèn)0.6875303926403815737青銅峽市青銅峽鎮(zhèn)0.6182903936403815741青銅峽市青銅峽鎮(zhèn)0.6441363946403815742青銅峽市青銅峽鎮(zhèn)0.6273733956403815745青銅峽市青銅峽鎮(zhèn)0.4896713966403815748青銅峽市青銅峽鎮(zhèn)0.5532653976403815752青銅峽市青銅峽鎮(zhèn)0.6625963986403815758青銅峽市青銅峽鎮(zhèn)0.8496203996403815759青銅峽市青銅峽鎮(zhèn)0.8401334006403815760青銅峽市青銅峽鎮(zhèn)0.858858評(píng)價(jià)結(jié)果分析根據(jù)上述訓(xùn)練完成的GA-BP神經(jīng)網(wǎng)絡(luò)模型，將青銅峽市5763個(gè)耕地質(zhì)量評(píng)價(jià)單元輸入模型進(jìn)行計(jì)算，得到每個(gè)評(píng)價(jià)單元的預(yù)測(cè)質(zhì)量分，詳見(jiàn)表20。同時(shí)，運(yùn)用ArcMap10.2平臺(tái)形成青銅峽市耕地質(zhì)量空間分布圖，詳見(jiàn)圖13。表SEQ表\*ARABIC20基于GA-BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練得出的評(píng)價(jià)單元質(zhì)量分評(píng)價(jià)單元編碼縣（區(qū)）鄉(xiāng)鎮(zhèn)評(píng)價(jià)單元分值6403811青銅峽市葉盛鎮(zhèn)0.8019826403812青銅峽市葉盛鎮(zhèn)0.8522266403813青銅峽市葉盛鎮(zhèn)0.8471626403814青銅峽市葉盛鎮(zhèn)0.8482536403815青銅峽市葉盛鎮(zhèn)0.8451756403816青銅峽市葉盛鎮(zhèn)0.8634226403817青銅峽市葉盛鎮(zhèn)0.7998556403818青銅峽市葉盛鎮(zhèn)0.8428646403819青銅峽市葉盛鎮(zhèn)0.8486464038110青銅峽市葉盛鎮(zhèn)0.8405666403812471青銅峽市峽口鎮(zhèn)0.8334596403812472青銅峽市峽口鎮(zhèn)0.7049436403812473青銅峽市峽口鎮(zhèn)0.7025636403812474青銅峽市峽口鎮(zhèn)0.6954296403812475青銅峽市峽口鎮(zhèn)0.690221……6403814520青銅峽市紹崗鎮(zhèn)0.8156796403814521青銅峽市紹崗鎮(zhèn)0.6938676403814522青銅峽市紹崗鎮(zhèn)0.8025936403815044青銅峽市陳袁灘鎮(zhèn)0.7783486403815045青銅峽市陳袁灘鎮(zhèn)0.815