韓 霄，楊宇姝，馮 江，袁 琦

(東北農(nóng)業(yè)大學(xué) 電氣與信息學(xué)院，哈爾濱 150030)

?

基于優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)權(quán)值的大豆蟲(chóng)害診斷

韓 霄，楊宇姝，馮 江，袁 琦

(東北農(nóng)業(yè)大學(xué) 電氣與信息學(xué)院，哈爾濱 150030)

采用模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用于大豆蟲(chóng)害快速識(shí)別方法。首先選擇我國(guó)北方地區(qū)具有代表性的食心蟲(chóng)等7種蟲(chóng)害作為輸出，用數(shù)字化特征表示。依據(jù)危害方式、危害癥狀等8種性狀對(duì)182個(gè)大豆蟲(chóng)害樣品進(jìn)行診斷，選擇136個(gè)樣本作為訓(xùn)練集，選擇46個(gè)樣本作為預(yù)測(cè)集。首先使用AHP層次分析法對(duì)權(quán)值進(jìn)行調(diào)整；其次，依據(jù)最優(yōu)參數(shù)分別建立BP神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果表明：選擇模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行模型建立，共預(yù)測(cè)對(duì)44個(gè)樣本，判定識(shí)別率高達(dá)95%，證明了模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行大豆蟲(chóng)害判別是可行的。

大豆蟲(chóng)害；AHP層次分析法；模糊神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)

0 引言

大豆是我國(guó)重要的糧食作物和油料作物，在我國(guó)已有5 000年多的栽培歷史。大豆因其擁有豐富的不飽和脂肪酸、優(yōu)質(zhì)蛋白質(zhì)及維生素，被稱(chēng)為豆類(lèi)產(chǎn)品中營(yíng)養(yǎng)價(jià)值最高的品種。其蛋白質(zhì)的含量比豬肉高2倍，是雞蛋含量的2.5倍，還含有豐碩的鈣、磷、鎂、鉀等無(wú)機(jī)鹽，以及銅、鐵、鋅、碘、鉬等微量元素。我國(guó)大豆主產(chǎn)區(qū)位于東北，而在大豆作物種植過(guò)程中，病蟲(chóng)害是影響大豆產(chǎn)量及品質(zhì)的重要非自然因素。在多數(shù)地區(qū)每年因病蟲(chóng)害造成的直接經(jīng)濟(jì)損失可達(dá)10%左右，嚴(yán)重的可達(dá)30%以上，病蟲(chóng)害的存在嚴(yán)重制約了大豆的產(chǎn)量及品質(zhì)。

病蟲(chóng)害在種植過(guò)程中從產(chǎn)生誘因到產(chǎn)生環(huán)境，從發(fā)病時(shí)間到發(fā)病癥狀都具有多重不確定性，不同的病蟲(chóng)害對(duì)大豆作物的危害部分及損害方式也不盡相同。因此，如何對(duì)病蟲(chóng)害進(jìn)行準(zhǔn)確而快速的識(shí)別和診斷是一項(xiàng)重要的工作。通過(guò)對(duì)病蟲(chóng)害的正確判斷才可以進(jìn)行有針對(duì)性的防治，有效降低病蟲(chóng)害對(duì)產(chǎn)量與品質(zhì)的影響。

近年來(lái)，已有部分專(zhuān)家學(xué)者進(jìn)行了農(nóng)作物病蟲(chóng)害專(zhuān)家診斷系統(tǒng)的研究，通過(guò)病蟲(chóng)害發(fā)生時(shí)發(fā)病癥狀及病原誘因等，輔以病蟲(chóng)害圖像數(shù)據(jù)庫(kù)并結(jié)合自身的經(jīng)驗(yàn)及病蟲(chóng)害發(fā)病規(guī)律來(lái)判斷，最終總結(jié)出進(jìn)行判斷的診斷要點(diǎn)且給出對(duì)該病癥的防治技術(shù)及防治策略。但這種方法還是依托于經(jīng)驗(yàn)推理，對(duì)信息描述的不完整性和模糊性往往會(huì)對(duì)判斷結(jié)果產(chǎn)生較大干擾，方法的智能性也不夠全面。為此，本文采用了人工神經(jīng)網(wǎng)絡(luò)，通過(guò)建立大豆病蟲(chóng)害信息模型及對(duì)不同癥狀信息的多重?cái)M合達(dá)到準(zhǔn)確預(yù)測(cè)病蟲(chóng)害的目的，建立集實(shí)用性、高效性和智能性于一體的大豆病蟲(chóng)害快速診斷模型，規(guī)避人為經(jīng)驗(yàn)預(yù)測(cè)帶來(lái)的不確定性。

1 大豆蟲(chóng)害的模糊神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

模糊神經(jīng)網(wǎng)絡(luò)是將神經(jīng)網(wǎng)絡(luò)和模糊系統(tǒng)結(jié)合起來(lái)，充分利用了兩者的互補(bǔ)性，集自然語(yǔ)言與邏輯推理于一體，具有學(xué)習(xí)、識(shí)別、自適應(yīng)和聯(lián)想等功能。所建模型主要包括輸入向量初始化、輸入向量模糊化、神經(jīng)網(wǎng)絡(luò)和輸出向量反模糊化4個(gè)部分[2]。

1.1 輸入向量初始化設(shè)計(jì)

在應(yīng)用模糊理論時(shí)，應(yīng)把確定模糊集的隸屬函數(shù)作為首要任務(wù)。隸屬函數(shù)不僅可通過(guò)量化來(lái)實(shí)現(xiàn)對(duì)應(yīng)的數(shù)學(xué)運(yùn)算和處理，還可以反映模糊觀(guān)點(diǎn)的特征。直覺(jué)法、最小模糊度法等，被普遍的用來(lái)確定函數(shù)的隸屬度。筆者選用的是Saaty[3]提出的AHP層次分析法，可將定量與定性分析、客觀(guān)計(jì)算與主觀(guān)判斷相結(jié)合，動(dòng)態(tài)確定蟲(chóng)害樣本間各癥狀的相對(duì)權(quán)重，通過(guò)一致性查驗(yàn)后，才可以作為模糊神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)[4]。

1.2 輸入向量模糊化設(shè)計(jì)

人腦中產(chǎn)生的概念上的模糊性來(lái)自于客觀(guān)世界的模糊性，人們聰明地利用自己所建立的模糊概念進(jìn)行推理、判斷和控制，完成那些計(jì)算機(jī)所不能完成的工作。在實(shí)際生活中，人們無(wú)法準(zhǔn)確地描述大豆蟲(chóng)害的特征，如對(duì)于成蟲(chóng)顏色的描述有褐色、黑褐色、灰褐色、黃褐色等[1]，不同人對(duì)于褐色的描述不盡相同。模糊問(wèn)題無(wú)法規(guī)避，如果不能合理地處理這種情況，將會(huì)影響到診斷的結(jié)果，所以必將對(duì)數(shù)據(jù)進(jìn)行定量的分析。

1.3 模糊神經(jīng)網(wǎng)絡(luò)診斷模型

模糊神經(jīng)網(wǎng)絡(luò)中的T-S模糊模型[2]被普遍的應(yīng)用。T-S模糊系統(tǒng)是一種自適應(yīng)能力很強(qiáng)的模糊系統(tǒng)，不但能主動(dòng)更新，還能不停地修正模糊子集的隸屬函數(shù)。該神經(jīng)網(wǎng)絡(luò)通常被劃分為4層，分別為輸入層、模糊化層、模糊規(guī)則計(jì)算層和輸出層[2]。具體結(jié)構(gòu)如下：

1)輸入層。輸入層與輸入向量連接，輸入向量為經(jīng)AHP層次分析法處理后的各癥狀間的相對(duì)權(quán)重值，節(jié)點(diǎn)數(shù)與輸入向量維數(shù)相同。

2)模糊化層。模糊化層采取的是經(jīng)隸屬度函數(shù)對(duì)輸入值進(jìn)行模糊化獲得的模糊隸屬度值。高斯函數(shù)通常作為隸屬度函數(shù)被普遍使用。

3)模糊規(guī)則計(jì)算層。模糊規(guī)則計(jì)算層的ω值采取模糊連乘公式計(jì)算獲得。

4)輸出層。輸出層也為反模糊化模塊。本文訓(xùn)練數(shù)據(jù)的輸出向量采用的是數(shù)字化編碼方式[1]。即大豆7種常見(jiàn)蟲(chóng)害用數(shù)字編碼1，2，3，4，5，6，7表示。輸出層采取式(1)計(jì)算模糊神經(jīng)網(wǎng)絡(luò)的輸出。則有

(1)

本例中的MatLab代碼帶入式(2)，則有

yn(k)=addyw/addw

(2)

其中，addyw為模糊規(guī)則計(jì)算結(jié)果；addw為所得權(quán)值總和。輸出值為患該種蟲(chóng)害的隸屬度，最后按照輸出層輸出的蟲(chóng)害隸屬度來(lái)進(jìn)行if語(yǔ)句判斷。若是輸出結(jié)果小于等于1.5，則輸出1；如果輸出結(jié)果大于1.5且小于2.5，則輸出結(jié)果為2；以此類(lèi)推，直至輸出7個(gè)數(shù)字結(jié)果，從而可確定大豆患了何種蟲(chóng)害。

2 知識(shí)的實(shí)現(xiàn)

不同的癥狀對(duì)于大豆蟲(chóng)害的診斷重要性程度不同，有些特征比較明顯的則被稱(chēng)為主要癥狀，而那些不太明顯的則被稱(chēng)為次要癥狀，因此確定癥狀之間的重要性隸屬度函數(shù)是至關(guān)重要的。本文采用的是AHP層次分析法[5]，按照1～9的標(biāo)度方法。建立層次結(jié)構(gòu)模型(見(jiàn)圖1)，C1～C8為給出的大豆食心蟲(chóng)癥狀表，如表1所示。

圖1 大豆食心蟲(chóng)蟲(chóng)害層次結(jié)構(gòu)圖Fig.1 Soybean pod borer insect pest hierarchy chart表1 大豆食心蟲(chóng)蟲(chóng)害層次結(jié)構(gòu)表Table 1 Soybean pod borer insect pest hierachy table

序號(hào)特征序號(hào)癥狀C1危害方式S1,S2,S3刺吸,咬食,蛀食C2危害部位S4…S13根,果實(shí)…莖C3危害癥狀S14…S28分枝結(jié)莢少…根腐爛C4成蟲(chóng)顏色S29…S36淡黃色…C5卵的顏色S37…S42初為白后由黃變紅…黃白色至黃褐色

續(xù)表1

根據(jù)AHP層次分析法，舉例對(duì)大豆食心蟲(chóng)蟲(chóng)害的8種蟲(chóng)害特征以及54個(gè)蟲(chóng)害癥狀進(jìn)行了層次分析，并畫(huà)出了層次結(jié)構(gòu)圖，如圖1所示[4]。其中，8種特征分量下又分別分為3種至15種不等的癥狀分量，圖中限于篇幅僅以一個(gè)癥狀分量表示。

由圖1中的蟲(chóng)害層次結(jié)構(gòu)圖得出表1的層次結(jié)構(gòu)表，并由該表分別建立層次分析矩陣。第1個(gè)層次分析矩陣為由8個(gè)特征分量建立的8×8矩陣；第2個(gè)矩陣為癥狀S1到S3的3×3癥狀矩陣，以此類(lèi)推。

最后，根據(jù)以下步驟，構(gòu)造相對(duì)權(quán)重矩陣。首先依據(jù)專(zhuān)家經(jīng)驗(yàn)給出癥狀間的相對(duì)重要程度，舉例對(duì)該樣本的危害癥狀的非零15個(gè)癥狀構(gòu)建判斷矩陣M，則有

M中元素代表橫坐標(biāo)癥狀相對(duì)于縱坐標(biāo)癥狀導(dǎo)致大豆食心蟲(chóng)蟲(chóng)害的可能性。在構(gòu)建完矩陣后需計(jì)算各癥狀導(dǎo)致大豆食心蟲(chóng)蟲(chóng)害的相對(duì)權(quán)重，則有

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，進(jìn)行一致性檢驗(yàn)。經(jīng)檢驗(yàn)，一致性比率為0.0586<0.1，一致性檢驗(yàn)合格。最后，將通過(guò)驗(yàn)證的計(jì)算成果作為模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入向量。

3 大豆蟲(chóng)害模型建立

對(duì)大豆蟲(chóng)害樣本進(jìn)行分類(lèi)，在182個(gè)樣本中選擇136個(gè)作為訓(xùn)練集，46個(gè)作為預(yù)測(cè)集，分別建立基于BP神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)的非線(xiàn)性模型，通過(guò)對(duì)不同參數(shù)的探討找出最優(yōu)建模參數(shù)，最終選取出具有最佳判別結(jié)果的模型。

3.1 BP神經(jīng)網(wǎng)絡(luò)AHP建模

目前，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，使用最多的是BP神經(jīng)網(wǎng)絡(luò)，又名誤差反傳神經(jīng)網(wǎng)絡(luò)[6]。BP神經(jīng)網(wǎng)絡(luò)是一種基于反向調(diào)節(jié)而進(jìn)行擬合求解方法。對(duì)于大豆蟲(chóng)害診斷可以看作是癥狀輸入到蟲(chóng)害種類(lèi)輸出的非線(xiàn)性映射問(wèn)題。將樣本的輸入輸出通過(guò)負(fù)梯度下降算法，利用迭代運(yùn)算求解權(quán)值而轉(zhuǎn)化為一個(gè)非線(xiàn)性的優(yōu)化方法。但是，BP神經(jīng)網(wǎng)絡(luò)在運(yùn)算中容易陷入局部最小值，因此對(duì)種種影響因素的選擇至關(guān)重要。

3.1.1 參數(shù)的確定及結(jié)果

對(duì)非線(xiàn)性問(wèn)題，輸入層和隱含層較多采用非線(xiàn)性傳輸函數(shù)，輸出層則采用線(xiàn)性傳輸函數(shù)Purelin，以保持輸出的范圍[7]。而其他幾種參數(shù)經(jīng)反復(fù)訓(xùn)練最終確定傳遞函數(shù)為tansig，訓(xùn)練函數(shù)為trainlm，訓(xùn)練目標(biāo)為0.000 1，訓(xùn)練次數(shù)為200次，隱含層節(jié)點(diǎn)數(shù)為9。當(dāng)動(dòng)量因子選取0.9、學(xué)習(xí)速率選取0.1時(shí)，得出輸出成果，如圖2所示。

從圖2中可以看出：預(yù)測(cè)準(zhǔn)確率達(dá)到了90%，在進(jìn)行預(yù)測(cè)的46個(gè)樣本中，預(yù)測(cè)對(duì)了42個(gè)。食心蟲(chóng)病的7號(hào)樣本、大豆根潛蠅病的20號(hào)樣本、東北大黑鰓金龜病的34和38號(hào)樣本預(yù)測(cè)錯(cuò)誤，具有較好的預(yù)測(cè)效果。

3.2 模糊神經(jīng)網(wǎng)絡(luò)模型建立

神經(jīng)網(wǎng)絡(luò)雖對(duì)環(huán)境的變化有較強(qiáng)的自適應(yīng)學(xué)習(xí)能力，但從系統(tǒng)的建模角度來(lái)看，它采用的是黑箱型學(xué)習(xí)模式。因此，學(xué)習(xí)完成后，神經(jīng)網(wǎng)絡(luò)所獲得的輸入/輸出關(guān)系表達(dá)出來(lái)無(wú)法被人們輕易的接受，也即是它所表達(dá)的信息都是隱含的，若是要理解它，幾乎是不可能的。相反，模糊系統(tǒng)建立在被人們?nèi)菀捉邮艿谋磉_(dá)方式上，但缺點(diǎn)是學(xué)習(xí)能力較差，如何自動(dòng)生成和調(diào)整隸屬度函數(shù)和模糊規(guī)則是一個(gè)難題。在現(xiàn)場(chǎng)，通常是通過(guò)手動(dòng)的方式，依賴(lài)于專(zhuān)家，也很費(fèi)時(shí)間[8]。

因此，如何將二者結(jié)合，既匯集了兩者的優(yōu)點(diǎn)，也能有效地互補(bǔ)各自的缺陷，使預(yù)測(cè)結(jié)果更加精確，是至今最為引人關(guān)注的課題之一。該網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

圖2 蟲(chóng)害BP預(yù)測(cè)結(jié)果圖Fig.2 Pest forecasting BP results chart

圖3 模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Fuzzy neural network structure diagram

3.2.1 相關(guān)參數(shù)匯集

依據(jù)于模糊系統(tǒng)建立模糊神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)中各節(jié)點(diǎn)及參數(shù)均有一定的物理寄義。其中，主要有兩個(gè)問(wèn)題需要解決[8]：一是確定模糊規(guī)則，本文的模糊規(guī)則計(jì)算采納的是模糊聯(lián)乘公式；二是優(yōu)化參數(shù)，包含隸屬度函數(shù)的寬度、權(quán)值和中心，隸屬度函數(shù)采取的是高斯函數(shù)。本文輸入層、輸出層節(jié)點(diǎn)數(shù)分別為54和1，隱含層節(jié)點(diǎn)數(shù)為20，訓(xùn)練次數(shù)為500。由于本文輸入數(shù)據(jù)對(duì)網(wǎng)絡(luò)輸出的影響是同等的，所以初始值P是同樣的，模糊隸屬度函數(shù)中心c和寬度b隨機(jī)獲得[2]。

3.2.2 模糊神經(jīng)網(wǎng)絡(luò)AHP建模

對(duì)模糊神經(jīng)網(wǎng)絡(luò)構(gòu)建前向模糊神經(jīng)網(wǎng)絡(luò)模型，當(dāng)用AHP層次分析法對(duì)大豆蟲(chóng)害影響因素的54個(gè)特征分量進(jìn)行權(quán)值調(diào)整作為輸入后，經(jīng)過(guò)訓(xùn)練，從圖4中可以看出：樣本4和樣本34有較大誤差，樣本20有少許誤差，但整體預(yù)測(cè)結(jié)果較好。

經(jīng)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)后得出輸出向量，輸出向量經(jīng)if語(yǔ)句判斷后，結(jié)果如表2所示。從表2中可看出：4號(hào)蚜蟲(chóng)和34號(hào)東北大黑鰓金龜數(shù)據(jù)存在誤差，但整體預(yù)測(cè)效果還是比較理想的。

圖4 大豆蟲(chóng)害模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練圖及預(yù)測(cè)圖Fig.4 Training chart and forecasting chart of soybean pest fuzzy表2 蟲(chóng)害訓(xùn)練函數(shù)的選擇Table 2 Selection of pest training function

序號(hào)原始值BP預(yù)測(cè)值FNN預(yù)測(cè)值序號(hào)原始值BP預(yù)測(cè)值FNN預(yù)測(cè)值序號(hào)原始值BP預(yù)測(cè)值FNN預(yù)測(cè)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

訓(xùn)練輸出結(jié)果采用數(shù)字化編碼方式，1、2、3、4、5、6、7分別代表7種蟲(chóng)害，從表2中可以看出：經(jīng)訓(xùn)練后，46個(gè)預(yù)測(cè)樣本有44個(gè)預(yù)測(cè)正確，預(yù)測(cè)準(zhǔn)確率達(dá)到了95%。

經(jīng)過(guò)預(yù)測(cè)，給出BP和模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)集原始值和最終兩種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值結(jié)果，如表2所示。經(jīng)過(guò)比較兩種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)準(zhǔn)確率，最終筆者選擇用AHP層次分析法對(duì)輸入向量進(jìn)行處理，并選用模糊神經(jīng)網(wǎng)絡(luò)模型來(lái)診斷大豆的蟲(chóng)害。

4 結(jié)論

利用神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行大豆蟲(chóng)害的識(shí)別和診斷，對(duì)蟲(chóng)害的訓(xùn)練結(jié)果進(jìn)行數(shù)字歸納和分類(lèi)，通過(guò)建立非線(xiàn)性模型的方式來(lái)進(jìn)行蟲(chóng)害快速診斷，對(duì)182個(gè)大豆蟲(chóng)害樣品進(jìn)行神經(jīng)網(wǎng)絡(luò)模型建立，選擇136個(gè)作為訓(xùn)練集，46個(gè)做為預(yù)測(cè)集。實(shí)驗(yàn)結(jié)果表明：采用BP神經(jīng)網(wǎng)絡(luò)對(duì)未知蟲(chóng)害樣品判別率達(dá)90%，模糊神經(jīng)網(wǎng)絡(luò)判定識(shí)別率為95%。該方法的引進(jìn)可有效解決常規(guī)病蟲(chóng)害檢測(cè)專(zhuān)家系統(tǒng)中主觀(guān)判斷不一致等問(wèn)題，減少人為判定推理而引起的判別錯(cuò)誤，為今后開(kāi)發(fā)具有自動(dòng)判定病蟲(chóng)害專(zhuān)家系統(tǒng)提供一種行之有效的新方法和新思路。

[1] 李廣治，柴毅，郭茂耘.基于模糊BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)化病害診斷系統(tǒng)[J].重慶大學(xué)學(xué)報(bào)，2007，10(30): 55-56.

[2] 史峰，王小川，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京:航空航天大學(xué)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，李書(shū)琴.基于模糊神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病害診斷通用平臺(tái)構(gòu)建[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)，2009，37(6)：166-172.

[5] 段力剛，段麗凌.基于A(yíng)HP層次分析法和群決策法的人口素質(zhì)測(cè)評(píng)研究[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí)，2011，41(23):247-256.

[6] 傅薈璇，趙紅.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2010：83-96.

[7] 孔慶明.神經(jīng)網(wǎng)絡(luò)在食用油質(zhì)量近紅外光譜分析中的應(yīng)用研究[D].哈爾濱：哈爾濱商業(yè)大學(xué)，2012：29-32.

[8] 田景文，高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[M].北京：北京理工大學(xué)出版社，2006：132-162.

Soybean Pest Diagnosis Based on Optimized Weights of Fuzzy Neural Network

Han Xiao, Yang Yushu，F(xiàn)eng 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

黑龍江省自然科學(xué)基金項(xiàng)目(F201401)

韓 霄(1991-)，女，哈爾濱人，碩士研究生，(E-mail)hanxiao674@163.com。

楊宇姝(1973-)，女，哈爾濱人，副教授，碩士生導(dǎo)師，(E-mail)ysyang731203@sina.com。

S431.12;S431.9

A

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