紀(jì)思琪+吳芳

摘要：為了更好地對(duì)設(shè)施蔬菜病害進(jìn)行預(yù)警，分別使用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法構(gòu)建設(shè)施蔬菜病害靜態(tài)預(yù)警模型。為了測(cè)試兩種模型的可行性和適用性，以黃瓜黑星病為例，使用兩種神經(jīng)網(wǎng)絡(luò)模型進(jìn)行比較分析。結(jié)果發(fā)現(xiàn)，兩種模型均能夠較好、較精確地實(shí)現(xiàn)對(duì)黃瓜黑星病的預(yù)測(cè)。其中，BP神經(jīng)網(wǎng)絡(luò)模型時(shí)間開(kāi)銷(xiāo)更小，在實(shí)際運(yùn)用中更有效。

關(guān)鍵詞： 設(shè)施蔬菜病害； 預(yù)警； LVQ神經(jīng)網(wǎng)絡(luò)； BP神經(jīng)網(wǎng)絡(luò)； 黑星病

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）10-0189-03

Abstract： In order to make better in early warning of facilities vegetable diseases， two kinds of algorithms of LVQ neural network and BP neural network are used to construct static early-warning models of facilities vegetable diseases. In order to test the feasibility and applicability of two models， this paper takes cucumber scab for example and makes comparation of the two models. The result shows that two kinds of models are both able to better and accurately realize the forecasting of cucumber scab. It turns out that BP neural network model， which costs less time， is more effective in practice.

Key words： facilities vegetable diseases； early warning； LVQ neural network； BP neural network； cucumber scab

預(yù)警是一個(gè)軍事術(shù)語(yǔ)，指用來(lái)對(duì)付突然襲擊的防范措施，是組織的一種信息反饋機(jī)制，后來(lái)逐步引申到現(xiàn)代政治、經(jīng)濟(jì)、技術(shù)、醫(yī)療、災(zāi)變、生態(tài)、治安等自然和社會(huì)領(lǐng)域[1]。當(dāng)下，預(yù)警在重大氣象災(zāi)害方面起到重要作用。而創(chuàng)新地把預(yù)警應(yīng)用于設(shè)施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設(shè)施環(huán)境條件與病害的關(guān)聯(lián)關(guān)系，把以診治為主的設(shè)施蔬菜病害防控模式轉(zhuǎn)變?yōu)橐灶A(yù)防為主，降低了病害防控成本，減少了農(nóng)藥污染，大幅度地提高蔬菜產(chǎn)量和質(zhì)量，在農(nóng)業(yè)科技和食品安全方面發(fā)揮重要作用[2]。文中以棚室黃瓜為例，構(gòu)建黃瓜病害靜態(tài)預(yù)警模型。通過(guò)實(shí)時(shí)地對(duì)溫度，濕度，土壤酸堿度等自然條件的測(cè)量，對(duì)病蟲(chóng)害的發(fā)生進(jìn)行預(yù)測(cè)，再根據(jù)預(yù)測(cè)結(jié)果調(diào)整當(dāng)前環(huán)境，從而達(dá)到黃瓜病害預(yù)警的目的。運(yùn)用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法建立黃瓜黑星病靜態(tài)預(yù)警模型并比較兩種模型的優(yōu)劣。結(jié)果表明，在以黃瓜黑星病為例的蔬菜病害靜態(tài)預(yù)警實(shí)驗(yàn)中，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)算法所構(gòu)建的模型優(yōu)于LVQ神經(jīng)網(wǎng)絡(luò)，在實(shí)際的蔬菜病害靜態(tài)預(yù)警的應(yīng)用中更有參考價(jià)值。

1 模型的構(gòu)建及分析

以黃瓜黑星病為例，分別使用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法構(gòu)建黃瓜黑星病靜態(tài)預(yù)警模型，并從時(shí)間、空間復(fù)雜度和模型預(yù)測(cè)的確診率三個(gè)方面對(duì)兩種模型的適用性和可行性進(jìn)行比較分析。

1.1 樣本指標(biāo)的選取與數(shù)據(jù)收集

構(gòu)建基于LVQ神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)算法的黃瓜黑星病靜態(tài)預(yù)警模型，其基礎(chǔ)的工作是進(jìn)行黃瓜黑星病樣本指標(biāo)的選取和對(duì)所選取的樣本指標(biāo)進(jìn)行數(shù)據(jù)收集。這兩項(xiàng)工作為模型的構(gòu)建提供數(shù)據(jù)支持。

1.1.1 樣本指標(biāo)的選取

黃瓜是一種常見(jiàn)的蔬菜，甘甜爽口，清淡香脆，是城鎮(zhèn)居民常備的家常菜之一。黃瓜在生長(zhǎng)過(guò)程中容易發(fā)生各種病害而導(dǎo)致減產(chǎn)，如霜霉病、白粉病、黑星病等等。因此，在黃瓜的生長(zhǎng)過(guò)程中，可通過(guò)對(duì)當(dāng)前溫度，光照，土壤ph值等環(huán)境條件的測(cè)量，預(yù)測(cè)黃瓜得病的可能性而調(diào)整當(dāng)前環(huán)境。文中以黃瓜黑星病為例測(cè)試模型的性能。此病的病因?yàn)楣席忦柚︽呔?，病菌以菌絲體附著在病株殘?bào)w上，在田間、土壤、棚架中越冬，成為翌年侵染源，也可以分生孢子附在種子表面或以菌絲體潛伏在種皮內(nèi)越冬，成為近距離傳播的主要來(lái)源。病菌在棚室內(nèi)的潛育期一般3～10天。整個(gè)生育期均可侵染發(fā)病，幼瓜和成瓜均可發(fā)病。幼瓜受害，病斑處組織生長(zhǎng)受抑制，引起瓜條彎曲、畸形。該病菌在低溫高濕等一系列復(fù)合條件下容易發(fā)生和流行。一般在2月中下旬就開(kāi)始發(fā)病，到5月份以后氣溫高時(shí)病害依然發(fā)生[3-4]。文中選用容易感染此種病害的品種津研四號(hào)進(jìn)行試驗(yàn)[5-6]。經(jīng)查閱資料可知：黃瓜黑星病發(fā)病的因素有土壤ph值，空氣相對(duì)濕度，溫度，光照，黃瓜栽培品種等等。其中土壤ph值，空氣相對(duì)濕度，溫度這三個(gè)因素在黃瓜發(fā)病過(guò)程中起主要作用。致使黃瓜黑星病發(fā)病的各因素范圍如下：ph值：2.5-7 ； 空氣相對(duì)濕度：>=90；溫度：15℃-25℃。

1.1.2 數(shù)據(jù)收集

黃瓜黑星病的發(fā)病是一個(gè)過(guò)程，是多個(gè)發(fā)病因素相互交叉、共同作用的產(chǎn)物。根據(jù)黃瓜病害書(shū)籍資料，搜集所需的數(shù)據(jù)。共330組數(shù)據(jù)，290組數(shù)據(jù)作為訓(xùn)練集，40組數(shù)據(jù)作為測(cè)試集。290組訓(xùn)練集作為樣本數(shù)，每個(gè)樣本數(shù)中有三個(gè)輸入特征數(shù)據(jù)，即土壤ph，空氣相對(duì)濕度，溫度等三類(lèi)，所有樣本數(shù)共分為2個(gè)類(lèi)別，即正常與異常。分別用LVQ神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)兩種算法測(cè)試模型的可行性并對(duì)其進(jìn)行比較分析，為預(yù)測(cè)模型的選擇提供參考。

1.2 LVQ神經(jīng)網(wǎng)絡(luò)預(yù)警模型

構(gòu)建基于LVQ神經(jīng)網(wǎng)絡(luò)的黃瓜黑星病靜態(tài)預(yù)警模型，測(cè)試模型的可行性，并對(duì)模型進(jìn)行優(yōu)化，進(jìn)而比較優(yōu)化前、后的黃瓜黑星病預(yù)警模型，分析模型的適用性。

1.2.1 LVQ神經(jīng)網(wǎng)絡(luò)思想

LVQ神經(jīng)網(wǎng)絡(luò)[7-8]（Learning Vector Quantization）是在有“導(dǎo)師”狀態(tài)下對(duì)競(jìng)爭(zhēng)層進(jìn)行訓(xùn)練的一種學(xué)習(xí)算法，屬于前向有監(jiān)督神經(jīng)網(wǎng)絡(luò)類(lèi)型，在模式識(shí)別和優(yōu)化領(lǐng)域有著廣泛的應(yīng)用。LVQ神經(jīng)網(wǎng)絡(luò)由三層組成，即輸入層、隱含層和輸出層，網(wǎng)絡(luò)在輸入層與隱含層間為完全連接，而在隱含層與輸出層間為部分連接，每個(gè)輸出層神經(jīng)元與隱含層神經(jīng)元的不同組相連接。隱含層和輸出層神經(jīng)元之間的連接權(quán)值固定為1。在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，這些權(quán)值被修改。隱含層神經(jīng)元和輸出神經(jīng)元都具有二進(jìn)制輸出值。當(dāng)某個(gè)輸入模式被送至網(wǎng)絡(luò)時(shí)，參考矢量最接近輸入模式的隱含神經(jīng)元因獲得激發(fā)而贏得競(jìng)爭(zhēng)，因而允許它產(chǎn)生一個(gè)“1”，而其他隱含層神經(jīng)元都被迫產(chǎn)生“0”。與包含獲勝神經(jīng)元的隱含層神經(jīng)元組相連接的輸出神經(jīng)元也發(fā)出“1”，而其他輸出神經(jīng)元均發(fā)出“0” 。網(wǎng)絡(luò)結(jié)構(gòu)如圖1：

1.2.2 網(wǎng)絡(luò)創(chuàng)建及測(cè)試

在Matlab R2012b的平臺(tái)上進(jìn)行預(yù)測(cè)。建立一個(gè)3層的向量量化神經(jīng)網(wǎng)絡(luò)函數(shù)，隱含層神經(jīng)元首次嘗試設(shè)置為15個(gè)，學(xué)習(xí)速率設(shè)置為默認(rèn)值0.01，權(quán)值學(xué)習(xí)函數(shù)也設(shè)置為默認(rèn)函數(shù)：net=newlvq（minmax（P_train），15，[rate_B rate_M]，0.01，‘learnlv1）。

利用LVQ神經(jīng)網(wǎng)絡(luò)算法開(kāi)始模型訓(xùn)練，訓(xùn)練結(jié)束后將會(huì)生成相應(yīng)的神經(jīng)網(wǎng)絡(luò)，再通過(guò)相關(guān)驗(yàn)證數(shù)據(jù)的輸入將計(jì)算出的預(yù)測(cè)值與期望輸出進(jìn)行比較分析，得出相關(guān)的結(jié)論。40組數(shù)據(jù)作為測(cè)試集進(jìn)行10次預(yù)測(cè)，測(cè)試結(jié)果如表1：

經(jīng)計(jì)算，當(dāng)隱含層神經(jīng)元為15個(gè)時(shí)，正常、異常黃瓜的平均確診率分別為91.508%、91.05%，平均確診率高達(dá)90%，此設(shè)定準(zhǔn)確率較高。經(jīng)過(guò)多次運(yùn)行，運(yùn)行時(shí)間數(shù)量級(jí)皆為1級(jí)。表明LVQ神經(jīng)網(wǎng)絡(luò)用于模式識(shí)別是有效的，在黃瓜黑星病的預(yù)警中具有很大的參考價(jià)值和指導(dǎo)意義。

1.2.3 隱含層神經(jīng)元個(gè)數(shù)優(yōu)化

在LVQ神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上，為了得到可靠穩(wěn)定的模型，提高正確率，可使用帶有交叉驗(yàn)證功能的LVQ神經(jīng)網(wǎng)絡(luò)程序進(jìn)行預(yù)測(cè)。此功能可確定最佳的隱含層神經(jīng)元個(gè)數(shù)。常見(jiàn)的交叉驗(yàn)證形式之一為K-fold cross-validation。K次交叉驗(yàn)證，初始采樣分割成K個(gè)子樣本，一個(gè)單獨(dú)的子樣本被保留作為驗(yàn)證模型的數(shù)據(jù)，其他K-1個(gè)樣本用來(lái)訓(xùn)練。交叉驗(yàn)證重復(fù)K次，每個(gè)子樣本驗(yàn)證一次，平均K次的結(jié)果或者使用其他結(jié)合方式，最終得到一個(gè)單一估測(cè)。這個(gè)方法的優(yōu)勢(shì)在于，同時(shí)重復(fù)運(yùn)用隨機(jī)產(chǎn)生的子樣本進(jìn)行訓(xùn)練和驗(yàn)證，每次的結(jié)果驗(yàn)證一次。在此采用常用的5折交叉驗(yàn)證法進(jìn)行訓(xùn)練。

每一次網(wǎng)絡(luò)的訓(xùn)練都會(huì)產(chǎn)生不同的最佳隱含層神經(jīng)元個(gè)數(shù)，這是由于每次訓(xùn)練集和測(cè)試集是由計(jì)算機(jī)隨機(jī)產(chǎn)生，且每次訓(xùn)練過(guò)程都不相同造成的。經(jīng)過(guò)多次實(shí)驗(yàn)，發(fā)現(xiàn)隱含層神經(jīng)元個(gè)數(shù)在11～20范圍內(nèi)較為適宜。運(yùn)行一次帶有交叉驗(yàn)證功能的LVQ算法程序需要的時(shí)間數(shù)量級(jí)是3級(jí)。運(yùn)行時(shí)間較長(zhǎng)，但在確診率上沒(méi)有明顯的改善。因此，帶有交叉驗(yàn)證功能的LVQ神經(jīng)網(wǎng)絡(luò)模型在確定無(wú)交叉驗(yàn)證功能的LVQ神經(jīng)網(wǎng)絡(luò)模型隱含層神經(jīng)元個(gè)數(shù)范圍方面起重要的借鑒作用，但由于其所需預(yù)測(cè)時(shí)間較長(zhǎng)，不適用于實(shí)際預(yù)測(cè)的應(yīng)用。

1.3 BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型

構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)的黃瓜黑星病靜態(tài)預(yù)警模型，調(diào)整網(wǎng)絡(luò)參數(shù)進(jìn)行仿真訓(xùn)練，并分析模型的適用性。

1.3.1 BP神經(jīng)網(wǎng)絡(luò)思想

BP神經(jīng)網(wǎng)絡(luò)[8-10] （Back Propagation）是一種采用誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是信息正向傳播，誤差反向傳播。在傳遞過(guò)程中，輸入信號(hào)經(jīng)過(guò)輸入層、隱含層的逐層處理，直至輸出層，若在輸出層得不到期望值，則反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整權(quán)值和閾值，使BP神經(jīng)網(wǎng)絡(luò)的輸出不斷逼近預(yù)測(cè)輸出值。網(wǎng)絡(luò)結(jié)構(gòu)如圖2：

1.3.2 網(wǎng)絡(luò)創(chuàng)建及測(cè)試

同樣在matlab R2012b的平臺(tái)上進(jìn)行預(yù)測(cè)。在該三層網(wǎng)絡(luò)中，第一層傳遞函數(shù)默認(rèn)為‘tansig， 第二層傳遞函數(shù)設(shè)置為‘purelin，訓(xùn)練函數(shù)設(shè)置為‘trainlm'，隱含層神經(jīng)元個(gè)數(shù)設(shè)置為10個(gè)，輸出層神經(jīng)元為1個(gè)。創(chuàng)建該網(wǎng)絡(luò)，進(jìn)行訓(xùn)練，仿真并測(cè)試返回結(jié)果。相關(guān)程序?yàn)椋?/p>

net=newff（minmax（P_train），[10 1]，{‘tansig，‘purelin}，‘trainlm）

net.trainParam.epochs=1000；

net.trainParam.show=10；

net.trainParam.lr=0.1；

net.trainParam.goal=0.1；

net=train（net，P_train，Tc_train）；

T_sim=sim（net，P_test）；

for i=1：length（T_sim）

if T_sim（i）<= 1.5

T_sim（i）=1；

else

T_sim（i）=2；

end

end

對(duì)于多層前饋網(wǎng)絡(luò)來(lái)說(shuō)，隱層節(jié)點(diǎn)數(shù)的確定是成敗的關(guān)鍵。若數(shù)量太少，則網(wǎng)絡(luò)所能獲取的用以解決問(wèn)題的信息太少；若數(shù)量太多，不僅增加訓(xùn)練時(shí)間，更重要的是隱層節(jié)點(diǎn)過(guò)多還可能出現(xiàn)所謂“過(guò)渡吻合”問(wèn)題，即測(cè)試誤差增大導(dǎo)致泛化能力下降，因此合理選擇隱層節(jié)點(diǎn)數(shù)非常重要。關(guān)于隱層數(shù)及其節(jié)點(diǎn)數(shù)的選擇比較復(fù)雜，一般原則是：在能正確反映輸入輸出關(guān)系的基礎(chǔ)上，應(yīng)選用較少的隱層節(jié)點(diǎn)數(shù)，以使網(wǎng)絡(luò)結(jié)構(gòu)盡量簡(jiǎn)單。隱含層神經(jīng)元個(gè)數(shù)選擇是一個(gè)較為復(fù)雜的問(wèn)題，往往需要設(shè)計(jì)者多次試驗(yàn)來(lái)決定，因而不存在一個(gè)理想的解析式來(lái)表示。確定隱含層神經(jīng)元個(gè)數(shù)方法可參考公式[n2=log2n1]和[n2=2×n1+1]（是輸入層神經(jīng)元數(shù)，是隱含層神經(jīng)元數(shù)）[11]。對(duì)黃瓜黑星病預(yù)測(cè)實(shí)驗(yàn)而言，=3，則網(wǎng)絡(luò)訓(xùn)練需要從隱含層神經(jīng)元個(gè)數(shù)為=1訓(xùn)練到個(gè)數(shù)為=7。理論上最佳隱含層神經(jīng)元個(gè)數(shù)在1～7個(gè)左右，但仍需要多次測(cè)試來(lái)確定。適當(dāng)增加隱含層神經(jīng)元個(gè)數(shù)可以減少訓(xùn)練誤差。經(jīng)驗(yàn)證，當(dāng)隱含層神經(jīng)元個(gè)數(shù)設(shè)為7時(shí)，進(jìn)行10次預(yù)測(cè)，模型測(cè)試確診率較高。如此既保證正確率，又能較節(jié)省時(shí)間。預(yù)測(cè)結(jié)果如表2：

如表2，經(jīng)計(jì)算，在10次預(yù)測(cè)中，正常黃瓜平均確診率為91.511%，異常黃瓜平均確診率為94.542%。運(yùn)行時(shí)間數(shù)量級(jí)為0級(jí)，速度更快。經(jīng)多次運(yùn)行、測(cè)試總結(jié)可得，BP神經(jīng)網(wǎng)絡(luò)模型在準(zhǔn)確率上不次于LVQ神經(jīng)網(wǎng)絡(luò)模型，在時(shí)間上也遠(yuǎn)快于LVQ神經(jīng)網(wǎng)絡(luò)模型。由此看出，BP神經(jīng)網(wǎng)絡(luò)算法在黃瓜黑星病的預(yù)測(cè)過(guò)程中，效果更好，參考價(jià)值更高。

1.4 兩種模型比較分析

算法，是預(yù)測(cè)黃瓜黑星病的核心。在評(píng)價(jià)哪種算法更適用于黑星病的預(yù)警時(shí)，應(yīng)兼顧時(shí)間、空復(fù)雜度和確診率。這兩種模型空間復(fù)雜度基本相同。相比空間需求，實(shí)際操作中，我們更關(guān)注程序運(yùn)行的時(shí)間和確診率。兩種神經(jīng)網(wǎng)絡(luò)算法在訓(xùn)練預(yù)測(cè)過(guò)程中各有利弊，但預(yù)測(cè)結(jié)果的準(zhǔn)確性都高達(dá)90%左右。因此，時(shí)間開(kāi)銷(xiāo)便成了兩種模型適用性的最重要因素。分別運(yùn)行兩種模型20次，得到程序運(yùn)行的時(shí)間開(kāi)銷(xiāo)折線圖如圖3。由圖3可知，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)可快速得到預(yù)測(cè)結(jié)果，在實(shí)際運(yùn)用過(guò)程中實(shí)時(shí)性更突出。

2 總結(jié)

本文研究發(fā)現(xiàn)兩種模型均可用于黃瓜黑星病的預(yù)警，模型預(yù)測(cè)的準(zhǔn)確率相差無(wú)幾高達(dá)90%左右。這進(jìn)一步表明了數(shù)據(jù)的準(zhǔn)確性、指標(biāo)建立的合理性和模型建立的可行性。也證明把預(yù)警應(yīng)用于設(shè)施蔬菜病害方面，利用數(shù)據(jù)挖掘方法，探尋設(shè)施環(huán)境條件與病害的關(guān)聯(lián)關(guān)系這一構(gòu)想的合理性和可操作性。

若結(jié)合結(jié)果的準(zhǔn)確率和時(shí)間開(kāi)銷(xiāo)，BP神經(jīng)網(wǎng)絡(luò)模型在實(shí)際的黃瓜黑星病及其他病害的預(yù)測(cè)過(guò)程中比LVQ神經(jīng)網(wǎng)絡(luò)模型更勝一籌，具有更高的時(shí)效性。

參考文獻(xiàn)：

[1] 霍松濤.旅游目的地旅游預(yù)警系統(tǒng)研究[D].開(kāi)封：河南大學(xué)，2006.

[2] 邵峰晶，于忠清.數(shù)據(jù)挖掘原理與算法[M].北京：電子工業(yè)出版社，2003.

[3] 王生榮，楊升炯.黃瓜黑星病菌生物學(xué)特性及流行規(guī)律研究[J].甘肅科學(xué)學(xué)報(bào)，1999，11（3）：83-86.

[4] 易齊，王蔚，王傳英，等.黃瓜黑星病及其蔓延為害現(xiàn)狀[J].植物保護(hù)，1987，13（6）：40-41.

[5] 許勇，朱其杰.黃瓜黑星病抗病性離體子葉接種鑒定方法[J].北京農(nóng)業(yè)大學(xué)學(xué)報(bào)，1994（1）：31-34.

[6] 朱建蘭，陳秀蓉.黃瓜品種對(duì)黑星病的抗性鑒定結(jié)果[J].甘肅農(nóng)業(yè)科技，1998（7）：32-33.

[7] 段明秀，何迎生.基于LVQ神經(jīng)網(wǎng)絡(luò)的手寫(xiě)字母識(shí)別[J].吉首大學(xué)學(xué)報(bào)，2010，31（2）：41-43.

[8] 史忠植.神經(jīng)網(wǎng)絡(luò)[M].北京： 高等教育出版社，2009.

[9] 王文劍.BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化[J].計(jì)算機(jī)工程與設(shè)計(jì)，2000，21（6）：8-10.

[10] 袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M].北京： 清華大學(xué)出版社，1999.

[11] 沈花玉，王兆霞，高成耀，等.BP神經(jīng)網(wǎng)絡(luò)隱含層單元數(shù)的確定[J].天津理工大學(xué)學(xué)報(bào)，2008，24（5）：13-15.