基于优化模糊神经网络权值的大豆虫害诊断

韩 霄，杨宇姝，冯 江，袁 琦

(东北农业大学 电气与信息学院，哈尔滨 150030)



基于优化模糊神经网络权值的大豆虫害诊断

韩 霄，杨宇姝，冯 江，袁 琦

(东北农业大学 电气与信息学院，哈尔滨 150030)

采用模糊神经网络应用于大豆虫害快速识别方法。首先选择我国北方地区具有代表性的食心虫等7种虫害作为输出，用数字化特征表示。依据危害方式、危害症状等8种性状对182个大豆虫害样品进行诊断，选择136个样本作为训练集，选择46个样本作为预测集。首先使用AHP层次分析法对权值进行调整；其次，依据最优参数分别建立BP神经网络和模糊神经网络模型。实验结果表明：选择模糊神经网络进行模型建立，共预测对44个样本，判定识别率高达95%，证明了模糊神经网络进行大豆虫害判别是可行的。

大豆虫害；AHP层次分析法；模糊神经网络；BP神经网络

0 引言

大豆是我国重要的粮食作物和油料作物，在我国已有5 000年多的栽培历史。大豆因其拥有丰富的不饱和脂肪酸、优质蛋白质及维生素，被称为豆类产品中营养价值最高的品种。其蛋白质的含量比猪肉高2倍，是鸡蛋含量的2.5倍，还含有丰硕的钙、磷、镁、钾等无机盐，以及铜、铁、锌、碘、钼等微量元素。我国大豆主产区位于东北，而在大豆作物种植过程中，病虫害是影响大豆产量及品质的重要非自然因素。在多数地区每年因病虫害造成的直接经济损失可达10%左右，严重的可达30%以上，病虫害的存在严重制约了大豆的产量及品质。

病虫害在种植过程中从产生诱因到产生环境，从发病时间到发病症状都具有多重不确定性，不同的病虫害对大豆作物的危害部分及损害方式也不尽相同。因此，如何对病虫害进行准确而快速的识别和诊断是一项重要的工作。通过对病虫害的正确判断才可以进行有针对性的防治，有效降低病虫害对产量与品质的影响。

近年来，已有部分专家学者进行了农作物病虫害专家诊断系统的研究，通过病虫害发生时发病症状及病原诱因等，辅以病虫害图像数据库并结合自身的经验及病虫害发病规律来判断，最终总结出进行判断的诊断要点且给出对该病症的防治技术及防治策略。但这种方法还是依托于经验推理，对信息描述的不完整性和模糊性往往会对判断结果产生较大干扰，方法的智能性也不够全面。为此，本文采用了人工神经网络，通过建立大豆病虫害信息模型及对不同症状信息的多重拟合达到准确预测病虫害的目的，建立集实用性、高效性和智能性于一体的大豆病虫害快速诊断模型，规避人为经验预测带来的不确定性。

1 大豆虫害的模糊神经网络模型构建

模糊神经网络是将神经网络和模糊系统结合起来，充分利用了两者的互补性，集自然语言与逻辑推理于一体，具有学习、识别、自适应和联想等功能。所建模型主要包括输入向量初始化、输入向量模糊化、神经网络和输出向量反模糊化4个部分[2]。

1.1 输入向量初始化设计

在应用模糊理论时，应把确定模糊集的隶属函数作为首要任务。隶属函数不仅可通过量化来实现对应的数学运算和处理，还可以反映模糊观点的特征。直觉法、最小模糊度法等，被普遍的用来确定函数的隶属度。笔者选用的是Saaty[3]提出的AHP层次分析法，可将定量与定性分析、客观计算与主观判断相结合，动态确定虫害样本间各症状的相对权重，通过一致性查验后，才可以作为模糊神经网络的输入数据[4]。

1.2 输入向量模糊化设计

人脑中产生的概念上的模糊性来自于客观世界的模糊性，人们聪明地利用自己所建立的模糊概念进行推理、判断和控制，完成那些计算机所不能完成的工作。在实际生活中，人们无法准确地描述大豆虫害的特征，如对于成虫颜色的描述有褐色、黑褐色、灰褐色、黄褐色等[1]，不同人对于褐色的描述不尽相同。模糊问题无法规避，如果不能合理地处理这种情况，将会影响到诊断的结果，所以必将对数据进行定量的分析。

1.3 模糊神经网络诊断模型

模糊神经网络中的T-S模糊模型[2]被普遍的应用。T-S模糊系统是一种自适应能力很强的模糊系统，不但能主动更新，还能不停地修正模糊子集的隶属函数。该神经网络通常被划分为4层，分别为输入层、模糊化层、模糊规则计算层和输出层[2]。具体结构如下：

1)输入层。输入层与输入向量连接，输入向量为经AHP层次分析法处理后的各症状间的相对权重值，节点数与输入向量维数相同。

2)模糊化层。模糊化层采取的是经隶属度函数对输入值进行模糊化获得的模糊隶属度值。高斯函数通常作为隶属度函数被普遍使用。

3)模糊规则计算层。模糊规则计算层的ω值采取模糊连乘公式计算获得。

4)输出层。输出层也为反模糊化模块。本文训练数据的输出向量采用的是数字化编码方式[1]。即大豆7种常见虫害用数字编码1，2，3，4，5，6，7表示。输出层采取式(1)计算模糊神经网络的输出。则有

(1)

本例中的MatLab代码带入式(2)，则有

yn(k)=addyw/addw

(2)

其中，addyw为模糊规则计算结果；addw为所得权值总和。输出值为患该种虫害的隶属度，最后按照输出层输出的虫害隶属度来进行if语句判断。若是输出结果小于等于1.5，则输出1；如果输出结果大于1.5且小于2.5，则输出结果为2；以此类推，直至输出7个数字结果，从而可确定大豆患了何种虫害。

2 知识的实现

不同的症状对于大豆虫害的诊断重要性程度不同，有些特征比较明显的则被称为主要症状，而那些不太明显的则被称为次要症状，因此确定症状之间的重要性隶属度函数是至关重要的。本文采用的是AHP层次分析法[5]，按照1～9的标度方法。建立层次结构模型(见图1)，C1～C8为给出的大豆食心虫症状表，如表1所示。

图1 大豆食心虫虫害层次结构图Fig.1 Soybean pod borer insect pest hierarchy chart表1 大豆食心虫虫害层次结构表Table 1 Soybean pod borer insect pest hierachy table

序号特征序号症状C1危害方式S1,S2,S3刺吸,咬食,蛀食C2危害部位S4…S13根,果实…茎C3危害症状S14…S28分枝结荚少…根腐烂C4成虫颜色S29…S36淡黄色…C5卵的颜色S37…S42初为白后由黄变红…黄白色至黄褐色

续表1

根据AHP层次分析法，举例对大豆食心虫虫害的8种虫害特征以及54个虫害症状进行了层次分析，并画出了层次结构图，如图1所示[4]。其中，8种特征分量下又分别分为3种至15种不等的症状分量，图中限于篇幅仅以一个症状分量表示。

由图1中的虫害层次结构图得出表1的层次结构表，并由该表分别建立层次分析矩阵。第1个层次分析矩阵为由8个特征分量建立的8×8矩阵；第2个矩阵为症状S1到S3的3×3症状矩阵，以此类推。

最后，根据以下步骤，构造相对权重矩阵。首先依据专家经验给出症状间的相对重要程度，举例对该样本的危害症状的非零15个症状构建判断矩阵M，则有

M中元素代表横坐标症状相对于纵坐标症状导致大豆食心虫虫害的可能性。在构建完矩阵后需计算各症状导致大豆食心虫虫害的相对权重，则有

W=(0.0707 0.0683 0.0434 0.0327 0.0235

0.0313 0.0668 0.2978 0.0254 0.0675

0.0455 0.1118 0.0389 0.0536 0.0227)

然后，进行一致性检验。经检验，一致性比率为0.0586<0.1，一致性检验合格。最后，将通过验证的计算成果作为模糊神经网络预测模型的输入向量。

3 大豆虫害模型建立

对大豆虫害样本进行分类，在182个样本中选择136个作为训练集，46个作为预测集，分别建立基于BP神经网络和模糊神经网络的非线性模型，通过对不同参数的探讨找出最优建模参数，最终选取出具有最佳判别结果的模型。

3.1 BP神经网络AHP建模

目前，在人工神经网络的实际应用中，使用最多的是BP神经网络，又名误差反传神经网络[6]。BP神经网络是一种基于反向调节而进行拟合求解方法。对于大豆虫害诊断可以看作是症状输入到虫害种类输出的非线性映射问题。将样本的输入输出通过负梯度下降算法，利用迭代运算求解权值而转化为一个非线性的优化方法。但是，BP神经网络在运算中容易陷入局部最小值，因此对种种影响因素的选择至关重要。

3.1.1 参数的确定及结果

对非线性问题，输入层和隐含层较多采用非线性传输函数，输出层则采用线性传输函数Purelin，以保持输出的范围[7]。而其他几种参数经反复训练最终确定传递函数为tansig，训练函数为trainlm，训练目标为0.000 1，训练次数为200次，隐含层节点数为9。当动量因子选取0.9、学习速率选取0.1时，得出输出成果，如图2所示。

从图2中可以看出：预测准确率达到了90%，在进行预测的46个样本中，预测对了42个。食心虫病的7号样本、大豆根潜蝇病的20号样本、东北大黑鳃金龟病的34和38号样本预测错误，具有较好的预测效果。

3.2 模糊神经网络模型建立

神经网络虽对环境的变化有较强的自适应学习能力，但从系统的建模角度来看，它采用的是黑箱型学习模式。因此，学习完成后，神经网络所获得的输入/输出关系表达出来无法被人们轻易的接受，也即是它所表达的信息都是隐含的，若是要理解它，几乎是不可能的。相反，模糊系统建立在被人们容易接受的表达方式上，但缺点是学习能力较差，如何自动生成和调整隶属度函数和模糊规则是一个难题。在现场，通常是通过手动的方式，依赖于专家，也很费时间[8]。

因此，如何将二者结合，既汇集了两者的优点，也能有效地互补各自的缺陷，使预测结果更加精确，是至今最为引人关注的课题之一。该网络结构图如图3所示。

图2 虫害BP预测结果图Fig.2 Pest forecasting BP results chart

图3 模糊神经网络结构图Fig.3 Fuzzy neural network structure diagram

3.2.1 相关参数汇集

依据于模糊系统建立模糊神经网络，网络中各节点及参数均有一定的物理寄义。其中，主要有两个问题需要解决[8]：一是确定模糊规则，本文的模糊规则计算采纳的是模糊联乘公式；二是优化参数，包含隶属度函数的宽度、权值和中心，隶属度函数采取的是高斯函数。本文输入层、输出层节点数分别为54和1，隐含层节点数为20，训练次数为500。由于本文输入数据对网络输出的影响是同等的，所以初始值P是同样的，模糊隶属度函数中心c和宽度b随机获得[2]。

3.2.2 模糊神经网络AHP建模

对模糊神经网络构建前向模糊神经网络模型，当用AHP层次分析法对大豆虫害影响因素的54个特征分量进行权值调整作为输入后，经过训练，从图4中可以看出：样本4和样本34有较大误差，样本20有少许误差，但整体预测结果较好。

经模糊神经网络预测后得出输出向量，输出向量经if语句判断后，结果如表2所示。从表2中可看出：4号蚜虫和34号东北大黑鳃金龟数据存在误差，但整体预测效果还是比较理想的。

图4 大豆虫害模糊神经网络训练图及预测图Fig.4 Training chart and forecasting chart of soybean pest fuzzy表2 虫害训练函数的选择Table 2 Selection of pest training function

序号原始值BP预测值FNN预测值序号原始值BP预测值FNN预测值序号原始值BP预测值FNN预测值110.99701211.01141311.01291410.99147511.00761622.00992723.00022821.91142922.266621022.246921121.989721233.097531333.026831433.043331532.992231633.061331733.079931844.025341944.011642042.870042143.954642244.001142343.955142444.004442554.995152654.977052754.975552854.986852955.002653055.015953166.010463265.976963464.812043566.034463665.957963766.038763866.726363977.029974076.977574176.989474277.014574377.023574477.016874576.984173366.053464676.97547

训练输出结果采用数字化编码方式，1、2、3、4、5、6、7分别代表7种虫害，从表2中可以看出：经训练后，46个预测样本有44个预测正确，预测准确率达到了95%。

经过预测，给出BP和模糊神经网络预测集原始值和最终两种神经网络模型的预测值结果，如表2所示。经过比较两种神经网络模型的预测准确率，最终笔者选择用AHP层次分析法对输入向量进行处理，并选用模糊神经网络模型来诊断大豆的虫害。

4 结论

利用神经网络来进行大豆虫害的识别和诊断，对虫害的训练结果进行数字归纳和分类，通过建立非线性模型的方式来进行虫害快速诊断，对182个大豆虫害样品进行神经网络模型建立，选择136个作为训练集，46个做为预测集。实验结果表明：采用BP神经网络对未知虫害样品判别率达90%，模糊神经网络判定识别率为95%。该方法的引进可有效解决常规病虫害检测专家系统中主观判断不一致等问题，减少人为判定推理而引起的判别错误，为今后开发具有自动判定病虫害专家系统提供一种行之有效的新方法和新思路。

[1] 李广治，柴毅，郭茂耘.基于模糊BP神经网络的网络化病害诊断系统[J].重庆大学学报，2007，10(30): 55-56.

[2] 史峰，王小川，郁磊，等.MATLAB神经网络30个案例分析[M].北京:航空航天大学出版社，2010：65-72.

[3] Saaty T L.The analysis hierarchy process: planning，priority setting，resource allocation[M]. New york:McGraw Hill,1980.

[4] 王小霞，李书琴.基于模糊神经网络的农业病害诊断通用平台构建[J].西北农林科技大学学报，2009，37(6)：166-172.

[5] 段力刚，段丽凌.基于AHP层次分析法和群决策法的人口素质测评研究[J].数学的实践与认识，2011，41(23):247-256.

[6] 傅荟璇，赵红.MATLAB神经网络应用设计[M].北京：机械工业出版社，2010：83-96.

[7] 孔庆明.神经网络在食用油质量近红外光谱分析中的应用研究[D].哈尔滨：哈尔滨商业大学，2012：29-32.

[8] 田景文，高美娟.人工神经网络算法研究及应用[M].北京：北京理工大学出版社，2006：132-162.

Soybean Pest Diagnosis Based on Optimized Weights of Fuzzy Neural Network

Han Xiao, Yang Yushu，Feng Jiang，Yuan Qi

(College of Electrical and Information, Northeast Agricultural University, Harbin 150030,China)

To distinguish soybean pest rapidly by using fuzzy neural network.First of all,choosing the representative 7 kinds of insects as output such as soybean pod borer and so on. Using digital features to express.According to 8 kinds of characteristics, such as damage mode and damage symptom, 182 soybean pest samples were diagnosed, 136 samples were selected as training set, and 46 samples were used as prediction set.Firstly, using the AHP analytic hierarchy process to adjust the weights;Secondly, the BP neural network and Fuzzy neural network model are established respectively according to the optimal parameters.The experimental results show that the method of selecting the analytic hierarchy process and Fuzzy neural network for modeling, a total of 44 samples, the identification rate is 95%, it is proved that this method is feasible.

soybean pest; AHP analytic hierarchy process; fuzzy neural network; BP neural network

2016-03-07

黑龙江省自然科学基金项目(F201401)

韩 霄(1991-)，女，哈尔滨人，硕士研究生，(E-mail)hanxiao674@163.com。

杨宇姝(1973-)，女，哈尔滨人，副教授，硕士生导师，(E-mail)ysyang731203@sina.com。

S431.12;S431.9

A

1003-188X(2017)03-0247-06