神经网络的训练与仿真

第六章　基于BP神经网络的粮食安全评价模型的构建

第一节　评价模型的理论基础

一、粮食安全的理论基础与研究现状

粮食安全是关系国民经济发展、社会稳定和国家自立的全局性重大战略问题，国家粮食安全问题已经引起国内外研究者的高度关注，而区域粮食安全是国家整体粮食安全的重要组成部分，探讨我国区域粮食安全问题意义重大。我国幅员辽阔，不同区域农业资源分布和农业生产条件存在很大差异，其粮食安全也存在十分明显的区域差异。

（一）粮食安全的影响因素

1.从粮食流通角度探讨粮食安全

泰国学者T.C.Ti（2006）比较了亚洲各国政府在粮食流通管理上的具体措施，阐述了亚洲国家在粮食流通方面政府干预的必要性，并认为必要的政府干预是实现粮食安全的保证。澳大利亚Chainp（1998）与加拿大Prentice（2008）认为，改善粮食流通条件特别是改善粮食仓储、运输条件有助于降低粮食流通成本，提高粮食流通效率。他们的观点很有代表性。国外专家学者和相关机构提出的粮食安全概念、衡量办法和评价标准以及所阐述的发展粮食生产、改善粮食流通条件、加强政府的调控作用等观点和研究成果，对构建我国的粮食安全体系提供了一定的理论依据。

国内这方面的研究者主要有：帅传敏（2005）、邵立民（2007）、翁贞林（2008）、聂振邦（2008）、王雅鹏（2009）等。主要观点如下：粮食流通效率的提高与粮食流通各环节间无障碍衔接有着密切的关系。因此，应进一步完善粮食储、运和加工等流通基础设施建设，培养粮食市场主体多元化体系，积极推进现代化粮食流通产业的发展，密切粮食产区与销区粮食购销合作关系，保证销区粮食供应。

2.从粮食生产角度探讨粮食安全

主要研究者有：胡文海（2008）、王金霞（2008）、杨万江（2009）、田建民（2010）、王兆华（2011）等。他们从耕地资源、农业基础设施、农业科技水平、粮食生产政策等方面，分析了当前粮食生产中存在的主要问题，提出要保护粮食综合生产能力，整体提升粮食生产科技水平，健全农业社会化服务体系，建立粮食主产区利益补偿机制，以促进粮食增产，保障粮食安全。

3.从粮食政策调控视角讨论粮食安全

主要研究者有：朱红根（2007）、王雅鹏（2008）、聂凤英（2010）、吴志华（2010）、陆文聪（2011）等。其主要观点有：科学确立粮食安全库存水平的量化调控指标体系；调整国家粮食库存和储备粮的地区布局，重点向东部粮食主销区和贫困缺粮区倾斜；建立健全粮食市场监测预警体系，着力增强调控的科学性；加大对粮食生产的投入，加强资源保护和有效利用，改善基础设施；稳定粮田面积，实行最严格的耕地保护制度；注重国内各省份协调与责任分担机制，善用国内外两个市场实现我国粮食供求平衡；等等。

（二）粮食供求状况分析

目前国内外学术界对中国粮食供求历史变化趋势及其原因的研究主要是基于粮食生产、消费和贸易三个角度来探讨。国内外许多学者和研究机构建立了各种各样的预测模型对我国未来的粮食供求状况进行预测，并以此来确定它对国际粮食市场产生的潜在作用。对我国粮食生产、消费和贸易进行过预测的研究者主要包括FAPRI（the Food and Agricultural Policy Research Institute，即美国食品和农业政策研究所，1998）、Huang（1999a）、Huang（1999b，2003）、Wu（1997）、IFPRI（the International Food Policy Research Institute，即国际食品政策研究所）的Rosegrant et al.（1995）、WB（World Bank）的Mitchell et al.（1997）、USDA （United States Department of Agriculture，即美国农业部，1997）、OECF（the Overseas Economic Cooperation Fund，即海外经济合作基金会，1995）。由于专家们对粮食生产量和需求量预测结果存在较大差异，从而导致了预测的粮食净贸易量各不相同，这也反映出不同预测者对我国未来粮食供求所持的不同态度。Huang（2）持较乐观态度，认为未来我国粮食产需缺口较小；而OECF持相当悲观态度，Wu也认为未来我国粮食进口量较大。

我国一些学者，如肖国安（2002）、陈永福（2005）、姜长云（2006）等也对我国粮食供求进行了预测。研究结果表明：首先，我国粮食供求总量趋于平衡。我国通过进口和库存调剂，供求总量基本保持平衡，并且在2005年，我国粮食可供量超过了年度需求量，扭转了2000年以来靠消化历史粮食结余库存来实现年度粮食供求平衡的局面。其次，供求存在区域性矛盾。呈现出以下特点：一是粮食主产区在粮食供给中的比重不断提高；二是销区粮食自给率下降，产需缺口不断扩大；三是我国西部产销平衡区粮食缺口也有所扩大；四是部分主产区由于农业产业结构调整也出现了供需缺口。总之，从我国国内粮食供求状况来看，我国粮食自给率自90年代以来，基本保持在95%以上。但是从区域分布上来看，我国粮食生产继续向优势区域集中，13个主产区粮食产大于需，余粮较多；7个主销区粮食产不足需，粮食自给率下降，缺口较大；11个产销平衡区粮食产需缺口有所扩大。

（三）粮食行业结构分析

粮食行业结构是指粮食行业各主要构成要素之间内在的、有机的联系，包括粮食行业业务结构、粮食行业组织结构、粮食产品结构和粮食系统人员结构四个方面（侯立军，2004）。粮食行业结构是粮食企业生产经营的基础和前提条件，是粮食商品流通运行和粮食安全的重要保证。合理的粮食行业结构格局、完善的粮食行业结构体系可以促进粮食企业经营管理的科学、规范，也有助于提高整个粮食流通的效率和效益，从而提高粮食安全程度（侯立军，2011）。

从粮食行业业务结构看，行业业务结构指的是粮食商品流通中购、销、存、运、加几大业务环节的协调程度，包括粮食流通基础设施建设、各流通环节的衔接和流通运作方式等。从行业内部结构看，由于资源配置不合理，粮食购、销、存、运、加几大业务环节之间缺乏有效的衔接和必要的协调，仓储瓶颈的制约和流通设施的不配套经常造成流通环节的局部脱节，影响了粮食流通效率。从行业组织结构看，反映计划经济要求的、按行政区划设置的我国粮食行业组织结构已与当今市场经济要求不相适应，近年来虽进行了一些调整，但仍与“精简、统一、高效”的组织结构模式要求和加入WTO对粮食行业组织管理的需要相差甚远。分布在省级的粮食机构中，粮食局、粮食集团、中储粮管理分公司“三驾马车”并存，职能上有较大的交叉，有些职能即使分开了也不够彻底，基层单位仍要分头请示、汇报，扯皮现象仍在一定程度上存在。从粮食产品结构看，我国已基本形成了集米、面、油、饲料加工、食品生产、粮机制造为一体的粮食工业产业群体，粮食工业科技成果得到了一定程度的推广应用，粮食加工从传统的成品粮生产向专用成品粮生产转变。目前我国粮食企业仍然是初级产品居多，高科技产品较少，新产品开发投入不够，结构性矛盾突出。粮食深加工、精加工和综合利用与发达国家相比存在较大差距。此外，我国粮食加工副产品的综合利用水平与发达国家的差距也很明显。从粮食系统人员结构看，由于粮食商品自身的生化特性强和储存、加工、装卸及粮食营销环节业务技术要求较高，从事粮食流通业务人员必须具有扎实的专业技术知识。由于过去长期内，粮食全行业技术水平低、劳动强度大，加上计划性和经营垄断等因素，粮食部门吸纳了大量人员，最高时达400多万，目前仍有300多万职工，使整个粮食行业背上了沉重的包袱，造成粮食经营成本高、效率低、经济效益差（侯立军，2002；2011）。

总之，粮食行业结构优化也是政府有关部门和粮食企业着力推动的战略性任务，尤其在目前国际粮食市场形势严峻、粮源竞争日趋激烈的情况下，搞好粮食行业结构的优化有助于及时掌握商品粮源，提升粮食物流的运行效率，降低粮食物流成本，稳定商品粮食价格，加快粮食生产者资金回笼速度，促进粮食加工增值。

二、国内外粮食安全评价研究与方法

（一）国外粮食安全评价研究与方法

国外一些机构和学者针对不同的研究目的和研究区域提出过不同的粮食安全评价指标和方法。联合国粮农组织（FAO）1974年通过了一项约定，提出了粮食安全系数（库存消费比）为17%。在17%以上为安全，低于17%为不安全，低于14%为粮食紧急状态。尽管这一系数有较大局限性，但目前已经成为公认的世界粮食安全的主要标志。之后，FAO又提出了粮食安全三个基本标准：国家粮食的自给率必须努力达到95%以上；人均粮食应达到400公斤；粮食库存消费比应该达到18%。世界粮食安全委员会（CFS）认为，虽然FAO的粮食安全系数仍不失为一项重要数量指标，但已不能全面反映人类的粮食消费、居民营养与健康的实际状况。世界粮食安全委员会构建了包括营养不足人口比例、膳食热量供应、预期寿命、儿童死亡率和人口体重不足率等在内的粮食安全评价综合指标体系。自从粮食安全的概念产生以来，国内外学者对粮食安全的评价进行了广泛的研究。

国外一些学者如Maxwell和Frankerberger（1992）从微观层次上对粮食安全状况评价进行了研究，认为粮食安全的度量可以通过家庭食物消费和能量摄入、家庭收入及贫困程度、营养及病理状况、应付粮食不安全采取的对策手段及运用频率四类指标来实现。Rose和Oliverira（1997）认为粮食安全状况可以通过考察特定人群在出现粮食不足时他们采取的对策行为方式及其频率来衡量粮食不安全的程度。Smith（2000）等人认为，通过衡量不同年龄阶段的儿童发育状况，例如身高、胖瘦、体重状况等可以间接地反映该家庭营养状况，或者说粮食安全状况。此外，一些学者主张通过对农户进行问卷调查法来评价粮食安全状况（Nord et al.，2004；Pinstrup，2009；Owusu et al.，2011）

（二）我国粮食安全评价研究与方法

因中国的特殊国情，包括FAO和世界银行在内的众多国际研究机构和专家学者先后对中国的粮食生产和粮食安全进行了专题探讨与分析。最具代表性的是，Brown（1994）分析了影响中国粮食生产的主要因素，以“谁来养活中国”为题，表达了对中国未来粮食自给能力的担忧。

国内学者对我国粮食安全评价方面也有广泛研究，主要研究者有：马九杰（2001）、刘晓梅（2004）、高帆（2005）、龙方和苏李（2007）、宁守海（2008）、李向荣（2008）、刘笑然（2010）、邵立民（2011）等。他们的主要观点是：粮食安全既是经济问题，同时又是政治问题。从目前我国粮食安全的状况来看，应该更多地从经济学角度来分析和考虑我国的粮食安全问题。从经济学角度考虑，要求实现粮食安全成本与收益的均衡，即要求以合理的粮食安全成本谋求粮食安全收益的最大化；或者说，在粮食安全的前提下，粮食生产资源的配置利用达到帕累托最优。至于粮食安全预警，能够用来判断粮食市场的变化趋势，实现先兆预警，进而为及时采取应对措施提供有力保障。国家粮食安全预警机制涉及多个维度，需要设计综合性粮食安全预警系统和指标体系。

（三）粮食安全评价研究展望

上述研究成果对国家及区域粮食安全问题进行了多视角、多层面研究，积累了许多有价值的研究结论，为本项目的开发奠定了坚实的基础，但是还有一些重要问题值得我们进一步思考和探讨。

从行业整体和主要构成要素之间内在联系的角度深入探讨国家及区域粮食安全问题，是未来粮食安全研究的一个重要方向。粮食行业结构是粮食行业各主要构成要素之间内在的、有机的联系，它包括粮食行业业务结构、粮食行业组织结构、粮食产品结构和粮食系统人员结构四个方面（侯立军，2002；2004）。粮食流通量大、点多、面广的特点和粮食商品自身的生化特性，要求必须具有与之相适应的粮食行业结构，以促进粮食流通与生产和消费的顺利对接，实现粮食流通的通畅运行。粮食行业结构优化与否并不仅仅涉及粮食流通自身的问题，它与粮食生产的发展和粮食消费的保障之间也存在很强的相关。未来研究有必要将粮食行业结构优化、粮食供求均衡与粮食安全相结合，设计国家及区域粮食安全的评价指标，探讨我国粮食行业结构优化对国家及区域粮食安全的影响机理，分析粮食安全的影响因素，确立优化我国粮食行业结构的思路和策略。

三、基于BP神经网络的区域粮食安全评价优势

当前对我国区域粮食安全的评价方法还有待进一步改进。主要表现为：粮食安全影响因素既涉及粮食生产、消费，也涉及流通环节的各个方面，涉及的指标众多，以往的评价模型多以综合评价为主（如刘凌，2007；陈婷等，2009），只是从综合角度为评价对象进行排序；传统的权重设计中人为影响因素较大，且带有很大的模糊性。而人工神经网络是在对人脑神经研究的基础上，建立的一种智能信息处理网络模型，能够克服传统综合评价的缺点（张秀艳等，2001；刘艳，2008）。因此未来研究有必要在科学设计粮食安全评价指标的基础上，尝试运用人工神经网络技术对我国区域粮食安全进行智能评价。

（一）人工神经网络原理

人工神经网络（Artificial Neural Network，简称ANN）是在对人脑神经研究的基础上，模仿人脑神经网络的结构和行为，建立的一种智能信息处理网络模型。实际上是一种具有自我适应、自我组织和自我学习能力的计算机程序。

人工神经网络是一种运算模型，由大量的节点（或称神经元）之间相互连接构成。每个节点都是一个独立的处理单元，它通过连接接收信息，对信息进行处理，又将处理的结果由连接输出。神经网络用权重表示神经元节点间的连接强度。神经元节点的输出是输入加权和与阈值的差的函数，这个函数关系称为作用函数。人工神经网络的连接方式有多种类型，其中应用最广的是多层无反馈前向网络，信息由输入层进入，通过中间层（隐层）和输出层的处理后，主输出层输出。实际应用中根据需要可以设置多个隐层。BP网络就是一种多层前向无反馈神经元网络，采用非线性作用函数，可以实现从输入到输出的多元映射。

BP神经网络是利用BP算法进行学习的无反馈前向网络。BP（Back-Propagation）算法即误差反向传播算法，它是一个有导师的神经元网络学习算法，它的算法思想是：取一对学习模式，将输入模式经网络输入层、隐层、输出层逐层处理之后，得到一个输出模式，计算网络输出模式和期望输出模式的误差，将误差由输出层、隐层、输入层的反向顺序传送，按照减小误差的方向逐层修正各层连接权重。重复上述过程，直到每一对学习模式及网络的输出误差都达到要求。

（二）BP神经网络与传统测评方式的区别

因为要考虑多种因素及其分指标，且这些分指标互相联系，相互影响，构成了不同权重的综合评价指标体系。以往的评价模型多以综合评价为主（如层次分析法、模糊评价等），只是从综合角度为被评人进行排序。传统的权重设计也带有很大的模糊性，权重确定中人为影响因素较大，评价中存在着不同程度的信息失真；随着时间、空间的推移，各指标对应问题的影响程度也可能发生变化，确定的初始权重不一定符合实际情况；传统方法运算往往过于繁杂，无法进行大规模的评价，即使花费大量的人力精力，运算结果也往往难以令人满意。

现代人工智能领域内的BP神经网络（Back-Propagation Network），即多层前馈式人工神经网络，是应用最为广泛的神经网络算法。人工神经网络是在对人脑神经研究的基础上，模仿人脑神经网络的结构和行为，建立的一种智能信息处理网络模型，实际上是一种具有自我适应、自我组织和自我学习能力的计算机程序。人工神经网络具有很强的处理大规模复杂非线性动力学系统的能力，这种理论在预测研究中得到了比较普遍的应用，取得了比较满意的模拟结果。

（三）BP神经网络在粮食安全评价方面的优越性

作为一种“数据”驱动式的“黑箱”建模，BP神经网络方法在粮食安全评价中具有较强的优越性：第一，粮食安全评价在中国还处于起步期，粮食安全评价指标项目的信息获取不完全且没有一个绝对权威的标准，而神经网络的自联想、自适应特性及内部参数可调机能，使评估系统更具智能性；第二，某些粮食安全指标项目因素具有发展性和模糊性，神经网络的后天学习能力使系统可以随环境的变化不断学习调整，应用神经网络会使评价系统更具适应性；第三，粮食安全评价的过程比较复杂，神经网络可以再现评价的经验和知识，保证评价结果的可用性。

第二节　评价模型的算法、数据处理与仿真

一、概述

本章通过设计区域粮食安全评价指标体系，对国内若干省、市或自治区进行测评，进而构建基于BP神经网络的粮食安全评价模型，以此实现对我国各个地区粮食安全的智能评价，并在此基础上进一步完善我国区域粮食安全评价指标体系。

1.模型构建

借助MATLAB6.5神经网络工具箱进行三层BP神经网络建模（如图6-1所示），构建基于BP神经网络的粮食安全评价模型。

图6-1　基于BP神经网络的区域粮食安全评价模型

2.指标体系

本章从粮油加工能力、粮食储藏能力与粮食流通能力等方面设计符合我国国情的区域粮食安全评价指标体系。其中，粮油加工能力相关指标包括稻谷加工年生产能力、小麦加工年生产能力、大豆加工年生产能力、大米产量、小麦粉产量、食用植物油产量；粮食储藏能力相关指标包括：散粮中转设施接收能力、散粮中转设施发放能力、粮库占地面积、有效仓容、油罐罐容、粮库从业人员；粮食流通能力相关指标包括：流通设施之铁路专用线有效长度、流通设施之专用码头总吨位、粮食流通基础设施建设项目总投资、粮食流通基础设施建设项目年度完成投资。本研究神经网络模型由这16项指标构成。

表6-1　基于BP神经网络的粮食安全评价指标

3.研究样本

我们随机选取安徽、甘肃、广东三个地区为本研究的测试样本。学习样本拟从粮食主产区选择12个地区，从产销平衡区选择10个地区，并从主销区选择6个地区，最终以该28个区域的2011年度的统计数据为学习样本，构建基于BP神经网络的粮食安全评价模型。输入层数据为粮食安全指标数据，输入单元的功能是接受外部的输入模式，并传送给所有与之相连的中间层的各个单元；输出层根据粮食主产区、产销平衡区与主销区三个区域，确定粮食安全的评价等级。

二、区域粮食安全评价指标的初始数据

粮油加工能力相关指标数据如表6-2所示，粮食储藏能力相关指标数据如表6-3所示，粮食流通能力相关指标数据如表6-4所示，所有数据来源于国家粮食局2011年统计资料。

表6-2　粮油加工能力相关指标初始数值

续表6-2

表6-3　粮食储藏能力相关指标初始数值

续表6-3

表6-4　粮食流通能力相关指标初始数值

续表6-4

续表6-4

三、区域粮食安全评价指标数据的预处理

为体现区域公平，我们对各区域粮食安全评价指标数据进行预处理，即用初始数值除以该地区的人口数量。表6-5为2010全国人口普查各地区的人口总数。表6-6、表6-7、表6-8为各地区粮食安全评价指标数据的预处理结果，即指标初始数据与人口总数比。

表6-5　2010年各地区人口总数（百万）

表6-6　粮油加工能力相关指标数据的预处理结果

续表6-6

表6-7　粮食储藏能力相关指标数据的预处理结果

续表6-7

表6-8　粮食流通能力相关指标数据的预处理结果

续表6-8

四、BP神经网络的思路与算法

1.数据的标准化处理

数据的预处理是将各种数据和非数据资料转化为正向数据指标，根据指标性质的不同，采用不同的转化方法。本研究的评价指标数据均为定量数据，没有逆向指标，我们对所有指标的预处理数据进行标准化处理。处理方式为：Fj＝（xjxjmin）/（xjmax-xjmin）。我们假设经过预处理的数据为n×m维矩阵，n为样本数；m为评价指标数，也即人工神经网络的m个输入。

2.BP神经网络评价模型的学习过程

BP神经网络的学习过程采用误差反向传播算法，它是一个有导师的神经元网络学习算法，它的算法思想是：取一对学习模式，将输入模式经网络输入层、隐层、输出层逐层处理之后，得到一个输出模式，计算网络输出模式和期望输出模式的误差，将误差由输出层、隐层、输入层的反向顺序传送，按照减小误差的方向逐层修正各层连接权重，当误差小于事先确定值时，整个学习过程就会结束。具体算法如下：

（1）模式的顺传播

输入向量Ak＝（a1，a2…am）：输入层的输入为各粮食安全评价指标的测评结果，输入单元的功能是接受外部的输入模式，并传送给所有与之相连的中间层的各个单元。

计算隐含层输入量Sk＝（s1，s2，…，sp）：隐含层输入值为输入加权和与阈值的差的函数

其中，ai为输入值，wij为输入层与隐含层之间的连接权值，i＝1，2，…，m为输入单元的序号，j＝1，2，…，p为隐含层单元的序号，θj为隐含层神经元的阈值。

计算隐含层输出量Bk＝（b1，b2，…，bp）：隐含层单元的功能是对所有的输入值加权求和后，通过S型非线性作用函数产生一组输出值，然后再将它们传送给所有与之相连的输出层的各个单元。隐含层输出值取S（Sigmoid）型函数

计算输出层输入量Lk＝（l1，l2，…，lq）：输出层输入值是隐含层输出加权和与阈值的差的函数

其中，vjt为隐含层与输出层之间的连接权值，t＝1，2，…，q为输出单元的序号，γt为输出层神经元的阈值。再计算输出层输出量Ck＝（c1，c2，…，cq）：输出层输出值取S型函数

（2）模式的逆传播

预先设定输出向量Yk＝（y1，y2，…，yq），q为输出单元的个数。计算输出层的校正误差

再计算输出层和隐含层之间连接权值修正量

其中α为学习因子。再计算输出层和隐含层之间阈值修正量

然后计算隐含层的校正误差

再计算隐含层和输入层之间连接权值修正量

其中β为动量因子。再计算隐含层和输入层之间阀值修正量

（3）训练与收敛

通过计算第k个样本误差

再计算总误差

其中k＝1，2，…，n为训练样本的序号。

当总误差E≤ε（ε为事先确定值）时，整个训练结束，否则重复上述过程，不断对权值和阈值进行修正，循环计算多次后，网络的实际输出逐渐向各自所对应的希望输出逼近，这也是网络全局误差趋向极小值的过程。经过反复迭代，当误差小于允许值，即网络适应了要求的映射时，网络的训练过程即告结束。

3.BP神经网络评价模型测试

使用学习样本对BP神经网络训练完毕后，用另外的测试样本对训练好的网络进行检验，如果结果实际输出与期望输出数据基本相符，则说明该网络系统可以完成对实际的粮食安全评价指标进行智能评估了。

五、BP神经网络的训练与仿真

1.样本选择与数据

我们随机选取安徽、甘肃、广东三个地区为本研究的测试样本。学习样本拟从粮食主产区选择12个地区，从产销平衡区选择10个地区，并从主销区选择6个地区，最终以该28个区域的2011年度的统计数据为学习样本，构建基于BP神经网络的粮食安全评价模型。模型中共有16项指标，即X1—X16。为了便于研究，首先需要对这16项指标数据做标准化处理，处理方式如下：

其中，Fj是目标值为xj的标准化值，xjmax为第j个指标的最大值，xjmin为第j个指标的最小值，j是评价指标的数目。标准化后的训练样本指标数据如表6-9、表6-10如示，标准化后的测试样本如表6-11、表6-12所示。

表6-9　训练样本标准化值（F1～F9）

续表6-9

表6-10　训练样本标准化值（F1 0～F16）

续表6-10

表6-11　测试样本标准化值（F1～F9）

表6-12　测试样本标准化值（F1 0～F16）

2.网络模型的训练

Kosmogorov定理证明，在合理的结构和恰当的权值条件下，3层BP网络可以逼近任意的连续函数。所以，我们可以选取结构相对简单的3层BP网络。由于前面取了16个指标，所以输入层的神经元个数为16，输入层输入为标准化后的数据。输出层的输出为预先设定值，针对粮食主产区、产销平衡区与主销区，作者给出综合评价结论集Y＝｛安全程度高，安全程度一般，安全程度差｝，输出层神经元个数为3，当前端输入为粮食主产区样本数据时，输出为：（100），输入为产销平衡区样本数据时，输出为：（010），输入为粮食主销区样本数据时，输出为：（001）。隐含层神经元根据公式Pm＝槡Pn＋r＋L（其中，Pm、Pn、r分别为隐含层、输入层、输出层的神经元数目，L为1—10之间的一个整数）取值，根据经验公式：从学习时间及次数与达到全局总误差的综合效果看，10个隐含层神经元比较合适。网络结构如图6-2所示。

图6-2　粮食安全评价的拓扑结构

在对样本的训练实验中，我们在31组样本对中选择28组作为训练集，另3组作为测试集，以考查系统的泛化能力。为了避免典型BP神经网络存在学习收敛速度较慢，优化过程中容易陷入局部极小这两大缺陷，我们在MATLAB6.5神经网络工具箱中，针对trainbpx函数采用动量法和学习率自适应调整两种策略，以提高学习速度和增加算法的可靠性。其中动量法降低了网络对于误差曲面局部细节的敏感性，可以有效地抑制网络陷于局部极小；而自适应调整学习率有利于缩短学习时间。取系统误差0.000 1，网络经初始化，利用函数trainrp对网络进行107次训练后，网络误差平方和mse达到了误差目标的要求，训练误差随训练次数变化的情况如图6-3所示。

图6-3　网络训练误差变化曲线

人工神经网络模型对粮食安全的预报值与实测值的比较见表6-13所示，实际输出与期望值十分接近。可以看出神经网络评价结果与专家评价结果基本相符，误差在可接受的范围，对给定的训练样本学习已满足要求。

表6-13　BP神经网络模型训练输出

续表6-13

3.网络模型的检验

BP神经网络训练完毕后，用另3个已知样本对训练好的网络进行检验，结果如表6-14所示，实际输出与期望输出数据基本相符，说明BP神经网络系统可以完成对实际的粮食安全指标进行评估。

表6-14　BP神经网络模型检测输出

六、结论

将BP神经网络应用于粮食安全测评是一次非常有意义的探索与尝试。本文提出的粮食安全测评模型，运用了BP神经网络评价的方法，与其他综合评价方法相比，具有以下优点：第一，从评价的结果来看，神经网络评价方法在最大程度上缩小了人为因素的影响，避免了传统方法人为计取权重过程中的不确定性，达到对评价对象的自动评价。从对28个样本进行评价的结果显示，该模型测定的粮食安全等级，同实际情况相符，表明了模型的有效性。第二，研究设计的不同，粮食安全测评指标可能会有所不同；随着环境的变化，粮食安全的评价指标也需要相应地变更。实例验证显示，本书建立的智能评价模型具有较强的自学习、自适应能力，可以根据评价的需要随时对模型进行重新训练和调整，而且整个评价过程非常容易编程实现并在计算机上进行运算分析，因而具有较高的合理性和适用性。

但值得指出的是：第一，BP神经网络这种评估方法本身也有它的局限性，如网络中隐含层节点个数的确定问题，学习训练过程中容易陷入局部最优的问题，一定程度上影响了评价结果的准确性。第二，学习样本（各地区）的数量和质量在很大程度上影响着神经网络模型的学习性能，用可信度低的学习样本训练出来的网络模型去评估测试样本，评价结果会产生系统误差。

尽管将神经网络应用于对粮食安全的评价还处于探索阶段，但是本研究提出的基于BP神经网络的粮食安全测评模型，操作简便，具有较好的人机界面，为我国区域粮食安全测评提供了一条值得探索的途径。