人工神经网络与智能在农业中的应用

2015-04-08石河子市科技局石河子市832000宗丰

石河子科技 2015年6期

关键词：处理单元人工神经网络神经网络

（石河子市科技局，石河子市，832000）宗丰

人工神经网络与智能在农业中的应用

（石河子市科技局，石河子市，832000）宗丰

人工神经网络是人工智能领域中发展迅速的信息处理技术之一,在简单介绍人工神经网络的发展和基本结构的基础上,对人工神经网络在农业中用于农业技术管理、分类、预测等方面进行了综述。

人工神经网络;农业;应用综述

人工神经网络(Artificial Neural Network,ANN)是80年代以来人工智能领域中兴起的研究热点。它是模拟生物的神经结构系统而建立的非线形动力学系统,与传统的计算方法相比,神经网络具有以下特点∶它不需要建立数学模型,经过学习能够建立样本隐含的复杂关系;具有很强的适应性和容错性;分布并行式的存储方式;非编程、自组织、自适应处理数据。因此神经网络特别适用于用常规计算方法难于表达的信息处理过程。

1940年Mc-Culloch等描述了后来被称谓的MP模型。1958年Frank Rosenblatt定义了一个神经网络结构,称为感知器(Perceptron),用来进行分类。1960年BernardWidrow等提出自适应线形神经元(Adaline),用于信号处理中的自适应滤波、预测和模型识别。1982年美国生物物理学家Hopfield提出Hopfield模型[1],用于解决N-P问题,取得了很好的解答。加上早些时候在神经网络自适应共振、自组织映照等方面的研究成果使人工神经网络的研究兴起了热潮。

1 人工神经网络简介

所谓人工神经网络,就是模仿生理神经网络的结和功能而设计的一种信息处理系统。确切地说，人工神经网络是由多个非常简单的处理单元彼此按某种方式相互连接而形成的信息处理网络。网络的信息处理由神经元之间的相互作用来实现；知识与信息的存储表现为网络元件互联间分布式的物理联系；网络的学习和训练决定于各神经元连接权系的动态演化过程。用人工神经网络解决问题的过程要经过两个阶段。

训练或学习阶段。训练时，把要交给网络的信息作为网络的输入和要求的输出，使网络按某种规则(称训练算法)调节各处理单元间的连接权值,直到加上给定输入，网络就能产生给定输出为止。这时，各连接权已调节好，网络的训练完成了。

正常操作或称回忆阶段。就是对训练好的网络输入一个信号，它就可正确《农业网络信息》2008年第1期研究与开发回忆出相应输出，所以也称回忆操作。这就像小孩认人一样。

目前已有数十种不同的神经网络的结构，其中后传递神经网络是一种最常用的指导下学习结构，它由层状组织的处理单元组成，有输入层、中间层和输出层。输入层和输出层的处理单元数根据输入变量与输出变量数来决定。中间层象一个黑箱，其层数及处理单元数只能依问题的要求来定。由于后传递网络程序比较简单易学，便于掌握，可用于处理一般分类、预测、过程控制、图像识别等问题，在农业信息科学中应用的比较多。

2 神经网络在农业中的应用

2.1 在农业生产技术管理与持续农业中的应用

对精确农业应用信息技术系统进行农业技术管理,该系统包括计算机视觉系统、人工神经网络(ANN)、全球定位系统(GPS)、地理信息系统(GIS)、决策支持系统(DSS)、模糊控制,已取得较好的效果。计算机视觉系统用于获取裸地、作物、杂草特征,人工神经网络用于鉴别杂草与作物、裸地与作物,GPS用于精确定位土地单元,GIS用于确定土壤类型、纬度、复种信息,模糊控制用于自动调节农药的散布,DSS用于农药扩散的决策,协调农药需求与水污染耐受程度之间的关系。同时神经网络也用于无土栽培中水培液的养分、水分、pH值的优化控制以及温室内CO2浓度的最优控制。Elizondo等输入每天气温、光周期、播后天数或开花天数来预测大豆开花和生理成熟期。Major D J.等对几种方法进行比较后认为神经网络在将日期、气温、降雨量作为网络的输入后能很好地预测小麦播种期。

2.2 在蔬菜、果实和生产预测中的应用

利用神经网络预测在不同环境温度和湿度下的表皮应力,从而用来控制环境变量来降低番茄表皮造成的损失。Bochereau等建立了神经网络模型,利用苹果汁的近红谱折射系数(RI)与人们对苹果味觉质量的相关关系来预测苹果的味觉质量。Midmore P对英国山羊肉的生产与销售预测时,利用神经网络的BP算法与经济学中的线形计量经济学相比预测能力要好。Sembokuya Y等在分析蔬菜、水果需求结构的基础上利用神经网络来预测它们的市场销售状况。采用BP神经网络对茶叶年产量的变化规律进行预测,并将预测结果与采用灰色系统方法预测的结果进行比较分析,表明神经网络方法优于灰色系统方法。

2.3 蔬菜、果实、谷物等的分级和鉴定

利用计算机图象所采集的胡萝卜顶部的外形特征输入神经网络,来区分弯曲、变形或破损的胡萝卜,取得良好的效果,比Baye分类机的分类误差减少1.2%～9.9%。采用同样的方法利用番茄色彩的亮度、强度、pH值作为输入值,将番茄的成熟度分为未熟、半熟、全熟、过熟四个类别。Yang Q等将光学照射苹果表面所得到的表面曲率特征(曲率、曲线平均长度)与苹果的外部形态特征(表面积、亮度等)作为神经网络的输入,从而区分苹果表面伤痕与正常的凹凸,取得很好的效果。Molto E.等通过计算机获取的图象特征,利用两个神经网络来进行分类,一个将甘薯胚芽的表面积、长度和对称度作为输入,另一个将甘薯胚芽的边缘与两极和中心的协调度作为输入,从而进行分类,并与基于线形的差别分析(LDA)方法进行比较,证明神经网络方法更优越。利用类似的方法对盆栽植物进行分类。利用小麦的近红外线散射反射光谱对小麦的不同反应，Chen Y R等利用神经网络进行分类,将硬粒小麦分为春性小麦和冬性小麦,分类准确率达96.8%～97.0%。此外神经网络还用于糙米品质分级和辣椒形状分级。

2.4 在其它方面的应用

文新辉等分析了影响昆虫种群密度的主要因素,提出了广义时间序列模型,利用人工神经网络预测棉田害虫烟蓟马。同时,神经网络的BP算法也被应用于稻的病虫害发生情况的预测预报。蔡煜东等运用T.Kononen自组织人工神经网络模型系统观察甜橙新梢萌芽(始花)的时期及有关天气资料,建立了柑桔溃疡病始见期预测的计算机智能专家系统,准确率较高。

HepnerG.F.等曾经用神经网络的BP算法对卫星遥感获取的数据进行土地覆盖分类,蔡煜东等建立了遥感土地覆盖类型识别的自组织神经树模型,对土地覆盖类型进行识别,效果较好;并运用三维T. Kohonen自组织人工神经网络,对黑龙江省松花江地区的土壤类型进行分析和分类。同时神经网络还被用于自然资源规划和管理以及落叶阔叶林产量的预测。