（石河子市科技局，石河子市，832000）宗豐

人工神經(jīng)網(wǎng)絡(luò)與智能在農(nóng)業(yè)中的應(yīng)用

（石河子市科技局，石河子市，832000）宗豐

人工神經(jīng)網(wǎng)絡(luò)是人工智能領(lǐng)域中發(fā)展迅速的信息處理技術(shù)之一,在簡單介紹人工神經(jīng)網(wǎng)絡(luò)的發(fā)展和基本結(jié)構(gòu)的基礎(chǔ)上,對人工神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)中用于農(nóng)業(yè)技術(shù)管理、分類、預(yù)測等方面進(jìn)行了綜述。

人工神經(jīng)網(wǎng)絡(luò);農(nóng)業(yè);應(yīng)用綜述

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)是80年代以來人工智能領(lǐng)域中興起的研究熱點(diǎn)。它是模擬生物的神經(jīng)結(jié)構(gòu)系統(tǒng)而建立的非線形動(dòng)力學(xué)系統(tǒng),與傳統(tǒng)的計(jì)算方法相比,神經(jīng)網(wǎng)絡(luò)具有以下特點(diǎn)∶它不需要建立數(shù)學(xué)模型,經(jīng)過學(xué)習(xí)能夠建立樣本隱含的復(fù)雜關(guān)系;具有很強(qiáng)的適應(yīng)性和容錯(cuò)性;分布并行式的存儲方式;非編程、自組織、自適應(yīng)處理數(shù)據(jù)。因此神經(jīng)網(wǎng)絡(luò)特別適用于用常規(guī)計(jì)算方法難于表達(dá)的信息處理過程。

1940年Mc-Culloch等描述了后來被稱謂的MP模型。1958年Frank Rosenblatt定義了一個(gè)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),稱為感知器(Perceptron),用來進(jìn)行分類。1960年BernardWidrow等提出自適應(yīng)線形神經(jīng)元(Adaline),用于信號處理中的自適應(yīng)濾波、預(yù)測和模型識別。1982年美國生物物理學(xué)家Hopfield提出Hopfield模型[1],用于解決N-P問題,取得了很好的解答。加上早些時(shí)候在神經(jīng)網(wǎng)絡(luò)自適應(yīng)共振、自組織映照等方面的研究成果使人工神經(jīng)網(wǎng)絡(luò)的研究興起了熱潮。

1 人工神經(jīng)網(wǎng)絡(luò)簡介

所謂人工神經(jīng)網(wǎng)絡(luò),就是模仿生理神經(jīng)網(wǎng)絡(luò)的結(jié)和功能而設(shè)計(jì)的一種信息處理系統(tǒng)。確切地說，人工神經(jīng)網(wǎng)絡(luò)是由多個(gè)非常簡單的處理單元彼此按某種方式相互連接而形成的信息處理網(wǎng)絡(luò)。網(wǎng)絡(luò)的信息處理由神經(jīng)元之間的相互作用來實(shí)現(xiàn)；知識與信息的存儲表現(xiàn)為網(wǎng)絡(luò)元件互聯(lián)間分布式的物理聯(lián)系；網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練決定于各神經(jīng)元連接權(quán)系的動(dòng)態(tài)演化過程。用人工神經(jīng)網(wǎng)絡(luò)解決問題的過程要經(jīng)過兩個(gè)階段。

訓(xùn)練或?qū)W習(xí)階段。訓(xùn)練時(shí)，把要交給網(wǎng)絡(luò)的信息作為網(wǎng)絡(luò)的輸入和要求的輸出，使網(wǎng)絡(luò)按某種規(guī)則(稱訓(xùn)練算法)調(diào)節(jié)各處理單元間的連接權(quán)值,直到加上給定輸入，網(wǎng)絡(luò)就能產(chǎn)生給定輸出為止。這時(shí)，各連接權(quán)已調(diào)節(jié)好，網(wǎng)絡(luò)的訓(xùn)練完成了。

正常操作或稱回憶階段。就是對訓(xùn)練好的網(wǎng)絡(luò)輸入一個(gè)信號，它就可正確《農(nóng)業(yè)網(wǎng)絡(luò)信息》2008年第1期研究與開發(fā)回憶出相應(yīng)輸出，所以也稱回憶操作。這就像小孩認(rèn)人一樣。

目前已有數(shù)十種不同的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，其中后傳遞神經(jīng)網(wǎng)絡(luò)是一種最常用的指導(dǎo)下學(xué)習(xí)結(jié)構(gòu)，它由層狀組織的處理單元組成，有輸入層、中間層和輸出層。輸入層和輸出層的處理單元數(shù)根據(jù)輸入變量與輸出變量數(shù)來決定。中間層象一個(gè)黑箱，其層數(shù)及處理單元數(shù)只能依問題的要求來定。由于后傳遞網(wǎng)絡(luò)程序比較簡單易學(xué)，便于掌握，可用于處理一般分類、預(yù)測、過程控制、圖像識別等問題，在農(nóng)業(yè)信息科學(xué)中應(yīng)用的比較多。

2 神經(jīng)網(wǎng)絡(luò)在農(nóng)業(yè)中的應(yīng)用

2.1 在農(nóng)業(yè)生產(chǎn)技術(shù)管理與持續(xù)農(nóng)業(yè)中的應(yīng)用

對精確農(nóng)業(yè)應(yīng)用信息技術(shù)系統(tǒng)進(jìn)行農(nóng)業(yè)技術(shù)管理,該系統(tǒng)包括計(jì)算機(jī)視覺系統(tǒng)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、全球定位系統(tǒng)(GPS)、地理信息系統(tǒng)(GIS)、決策支持系統(tǒng)(DSS)、模糊控制,已取得較好的效果。計(jì)算機(jī)視覺系統(tǒng)用于獲取裸地、作物、雜草特征,人工神經(jīng)網(wǎng)絡(luò)用于鑒別雜草與作物、裸地與作物,GPS用于精確定位土地單元,GIS用于確定土壤類型、緯度、復(fù)種信息,模糊控制用于自動(dòng)調(diào)節(jié)農(nóng)藥的散布,DSS用于農(nóng)藥擴(kuò)散的決策,協(xié)調(diào)農(nóng)藥需求與水污染耐受程度之間的關(guān)系。同時(shí)神經(jīng)網(wǎng)絡(luò)也用于無土栽培中水培液的養(yǎng)分、水分、pH值的優(yōu)化控制以及溫室內(nèi)CO2濃度的最優(yōu)控制。Elizondo等輸入每天氣溫、光周期、播后天數(shù)或開花天數(shù)來預(yù)測大豆開花和生理成熟期。Major D J.等對幾種方法進(jìn)行比較后認(rèn)為神經(jīng)網(wǎng)絡(luò)在將日期、氣溫、降雨量作為網(wǎng)絡(luò)的輸入后能很好地預(yù)測小麥播種期。

2.2 在蔬菜、果實(shí)和生產(chǎn)預(yù)測中的應(yīng)用

利用神經(jīng)網(wǎng)絡(luò)預(yù)測在不同環(huán)境溫度和濕度下的表皮應(yīng)力,從而用來控制環(huán)境變量來降低番茄表皮造成的損失。Bochereau等建立了神經(jīng)網(wǎng)絡(luò)模型,利用蘋果汁的近紅譜折射系數(shù)(RI)與人們對蘋果味覺質(zhì)量的相關(guān)關(guān)系來預(yù)測蘋果的味覺質(zhì)量。Midmore P對英國山羊肉的生產(chǎn)與銷售預(yù)測時(shí),利用神經(jīng)網(wǎng)絡(luò)的BP算法與經(jīng)濟(jì)學(xué)中的線形計(jì)量經(jīng)濟(jì)學(xué)相比預(yù)測能力要好。Sembokuya Y等在分析蔬菜、水果需求結(jié)構(gòu)的基礎(chǔ)上利用神經(jīng)網(wǎng)絡(luò)來預(yù)測它們的市場銷售狀況。采用BP神經(jīng)網(wǎng)絡(luò)對茶葉年產(chǎn)量的變化規(guī)律進(jìn)行預(yù)測,并將預(yù)測結(jié)果與采用灰色系統(tǒng)方法預(yù)測的結(jié)果進(jìn)行比較分析,表明神經(jīng)網(wǎng)絡(luò)方法優(yōu)于灰色系統(tǒng)方法。

2.3 蔬菜、果實(shí)、谷物等的分級和鑒定

利用計(jì)算機(jī)圖象所采集的胡蘿卜頂部的外形特征輸入神經(jīng)網(wǎng)絡(luò),來區(qū)分彎曲、變形或破損的胡蘿卜,取得良好的效果,比Baye分類機(jī)的分類誤差減少1.2%～9.9%。采用同樣的方法利用番茄色彩的亮度、強(qiáng)度、pH值作為輸入值,將番茄的成熟度分為未熟、半熟、全熟、過熟四個(gè)類別。Yang Q等將光學(xué)照射蘋果表面所得到的表面曲率特征(曲率、曲線平均長度)與蘋果的外部形態(tài)特征(表面積、亮度等)作為神經(jīng)網(wǎng)絡(luò)的輸入,從而區(qū)分蘋果表面?zhèn)叟c正常的凹凸,取得很好的效果。Molto E.等通過計(jì)算機(jī)獲取的圖象特征,利用兩個(gè)神經(jīng)網(wǎng)絡(luò)來進(jìn)行分類,一個(gè)將甘薯胚芽的表面積、長度和對稱度作為輸入,另一個(gè)將甘薯胚芽的邊緣與兩極和中心的協(xié)調(diào)度作為輸入,從而進(jìn)行分類,并與基于線形的差別分析(LDA)方法進(jìn)行比較,證明神經(jīng)網(wǎng)絡(luò)方法更優(yōu)越。利用類似的方法對盆栽植物進(jìn)行分類。利用小麥的近紅外線散射反射光譜對小麥的不同反應(yīng)，Chen Y R等利用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類,將硬粒小麥分為春性小麥和冬性小麥,分類準(zhǔn)確率達(dá)96.8%～97.0%。此外神經(jīng)網(wǎng)絡(luò)還用于糙米品質(zhì)分級和辣椒形狀分級。

2.4 在其它方面的應(yīng)用

文新輝等分析了影響昆蟲種群密度的主要因素,提出了廣義時(shí)間序列模型,利用人工神經(jīng)網(wǎng)絡(luò)預(yù)測棉田害蟲煙薊馬。同時(shí),神經(jīng)網(wǎng)絡(luò)的BP算法也被應(yīng)用于稻的病蟲害發(fā)生情況的預(yù)測預(yù)報(bào)。蔡煜東等運(yùn)用T.Kononen自組織人工神經(jīng)網(wǎng)絡(luò)模型系統(tǒng)觀察甜橙新梢萌芽(始花)的時(shí)期及有關(guān)天氣資料,建立了柑桔潰瘍病始見期預(yù)測的計(jì)算機(jī)智能專家系統(tǒng),準(zhǔn)確率較高。

HepnerG.F.等曾經(jīng)用神經(jīng)網(wǎng)絡(luò)的BP算法對衛(wèi)星遙感獲取的數(shù)據(jù)進(jìn)行土地覆蓋分類,蔡煜東等建立了遙感土地覆蓋類型識別的自組織神經(jīng)樹模型,對土地覆蓋類型進(jìn)行識別,效果較好;并運(yùn)用三維T. Kohonen自組織人工神經(jīng)網(wǎng)絡(luò),對黑龍江省松花江地區(qū)的土壤類型進(jìn)行分析和分類。同時(shí)神經(jīng)網(wǎng)絡(luò)還被用于自然資源規(guī)劃和管理以及落葉闊葉林產(chǎn)量的預(yù)測。

3 結(jié)束語

隨著神經(jīng)網(wǎng)絡(luò)硬件和軟件的不斷發(fā)展,各種算法的不斷出現(xiàn),神經(jīng)網(wǎng)絡(luò)正不斷地與傳統(tǒng)的分析方法結(jié)合起來,如計(jì)算機(jī)圖像分析、回歸分析、模糊數(shù)學(xué)、灰色系統(tǒng)、遺傳算法、專家系統(tǒng)等,建立了模糊神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)等等。

S11

B

1008-0899（2015）12-0025-02