謝軒 謝完成

摘要：本文針對PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型評估效率不高的問題進(jìn)行優(yōu)化。使用余弦函數(shù)對慣性權(quán)重ω進(jìn)行動態(tài)控制調(diào)節(jié)，來保持PSO算法在前期對整個搜索空間內(nèi)的尋找最優(yōu)位置的能力。使用群體最優(yōu)解的平均值代替?zhèn)€體最優(yōu)解，來提高自身容錯能力及魯棒性。實驗驗證改進(jìn)后的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害評估模型能夠更好的應(yīng)用于水稻蟲害預(yù)測的實際生產(chǎn)中。

Abstract： In this paper， the evaluation efficiency of PSO-BP neural network model for rice pest prediction is not high. The cosine function is used to dynamically control and adjust the inertia weight to maintain the PSO algorithm's ability to find the optimal position in the entire search space in the early stage. The average value of the group optimal solution is used to replace the individual optimal solution to improve the fault tolerance and robustness. The experiment verified that the improved PSO-BP neural network rice pest evaluation model could be better applied to the actual production of rice pest prediction.

關(guān)鍵詞：PSO-BP;水稻;蟲害預(yù)測;模型

Key words： PSO-BP;rice;pest prediction;model

中圖分類號：S435.11???????????????????????????????????? 文獻(xiàn)標(biāo)識碼：A????????????????????????????????? 文章編號：1006-4311（2020）28-0167-02

1? 改進(jìn)策略

1.1 PSO算法缺陷? ①PSO算法參數(shù)的設(shè)置具有不確定性。在使用PSO算法對BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型進(jìn)行參數(shù)優(yōu)化的過程中，需要對算法公式中的慣性權(quán)重、加速因子等參數(shù)分別進(jìn)行初始設(shè)置操作。然而到目前為止，對這些參數(shù)的設(shè)置尚沒有確定的理論依據(jù)進(jìn)行證明，主要依靠實驗人員的經(jīng)驗對其進(jìn)行設(shè)定。②慣性權(quán)重通常采用慣性遞減策略對粒子的個體飛行速度進(jìn)行調(diào)節(jié)，使得PSO算法在尋優(yōu)過程的前期過早收斂，種群多樣性消失、尋優(yōu)過程后期收斂速度慢、尋優(yōu)能力減弱，容易陷入局部最優(yōu)解。

1.2 改進(jìn)方案? 本文分別從兩個方面對PSO算法進(jìn)行改進(jìn)。

1.2.1 使用余弦函數(shù)動態(tài)調(diào)整慣性權(quán)重? 慣性權(quán)重ω對PSO算法的收斂能力（收斂速度）有著比較大的影響，控制著粒子對全局、局部的搜索能力。本文提出采用余弦函數(shù)來對慣性權(quán)重進(jìn)行動態(tài)控制處理。計算公式如式（1）所示。

（1）

其中，T表示當(dāng)前迭代次數(shù)，Tmax表示最大迭代次數(shù);ωmax和ωmin分別表示設(shè)置的最大慣性權(quán)重值和最小慣性權(quán)重值。

1.2.2 使用種群中個體平均最優(yōu)位置Pbest代替?zhèn)€體最優(yōu)位置Pbest 考慮到使用余弦函數(shù)對慣性權(quán)重ω進(jìn)行動態(tài)控制可能會產(chǎn)生對尋優(yōu)結(jié)果的影響，通過使用種群的全局最優(yōu)平均位置Pbest來控制粒子的尋優(yōu)操作，使得粒子個體在“飛行”尋優(yōu)的過程中，能夠?qū)ζ渌Ｗ訉?yōu)的經(jīng)驗進(jìn)行學(xué)習(xí)之后，對自身的尋優(yōu)方向、速度等進(jìn)行調(diào)整。改進(jìn)后的速度更新公式如式（2）所示。

（2）

2? 預(yù)測流程

Step1.載入水稻蟲害樣本數(shù)據(jù)，并對其進(jìn)行預(yù)處理操作。

Step2.BP神經(jīng)網(wǎng)絡(luò)水稻蟲害模型進(jìn)行初始化。

Step3.初始化改進(jìn)的PSO算法。利用改進(jìn)的PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型各層權(quán)、閾值。

Step4.將改進(jìn)的PSO算法計算后得到的權(quán)、閾值賦值給BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型中對應(yīng)的各層節(jié)點，并對其是否滿足輸出評估結(jié)果條件進(jìn)行判定。如果達(dá)到預(yù)設(shè)精度要求或設(shè)定的最大迭代次數(shù)，則進(jìn)入Step5;如果未達(dá)到預(yù)設(shè)精度或最大的迭代次數(shù)，則返回Step2繼續(xù)對其進(jìn)行訓(xùn)練。

Step5.改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型訓(xùn)練結(jié)束，輸入測試數(shù)據(jù)，并輸出評估結(jié)果。

3? 預(yù)測模型

通過對基于PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型的實驗結(jié)果進(jìn)行分析，針對PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型在對水稻蟲害預(yù)測過程中效率較低的問題，提出使用改進(jìn)的PSO算法來改善PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害發(fā)生可能性判斷模型的評估效率。并將改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)算法應(yīng)用于水稻蟲害評估模型中，該評估模型如圖2所示。

4? 預(yù)測實驗及分析

根據(jù)對PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型的實驗經(jīng)驗，將改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型的隱含層節(jié)點個數(shù)確定為10。為確定改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型的最優(yōu)最大慣性權(quán)重ωmax和最小慣性權(quán)重ωmin，采用試湊法進(jìn)行實驗，通過實驗，將改進(jìn)的PSO-BP水稻蟲害預(yù)測模型的最大慣性權(quán)重設(shè)值為0.8，最小慣性權(quán)重ωmin設(shè)值為0.3。迭代次數(shù)設(shè)為200，學(xué)習(xí)因子c1，c2都設(shè)為2.05，飛行速度v設(shè)為0.8，最小誤差精度設(shè)為0.0001。得到其適應(yīng)度如圖3所示。

通過對改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害評估的實驗發(fā)現(xiàn)，改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型在尋找最優(yōu)解的過程中，只需迭代123次便達(dá)到自身最小誤差精度。將改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型的預(yù)測評分與實際評分結(jié)果的擬合圖，如圖4所示。

將改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害評估模型的評估結(jié)果得分及對應(yīng)等級與實際評分結(jié)果及對應(yīng)等級進(jìn)行制表操作，如表1所示。

為了驗證改進(jìn)的PSO-BP水稻蟲害評估模型在PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型的基礎(chǔ)上提高了評估效率。在對改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型進(jìn)行實驗的過程中，仍使用與之前實驗相同的數(shù)據(jù)進(jìn)行訓(xùn)練和測試。將改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型的實驗結(jié)果與BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型的實驗結(jié)果以及PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型的實驗結(jié)果進(jìn)行對比分析，其結(jié)果如表2所示。

改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型正確分類的個數(shù)有28個，占全部水稻蟲害預(yù)測測試樣本的93.3%。相較于BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型在水稻蟲害預(yù)測的準(zhǔn)確率上有較大提升，相較于PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型在評估的準(zhǔn)確率方面略有提升。

5? 結(jié)論

改進(jìn)的PSO-BP水稻蟲害評估模型與PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型相比，在未降低評估準(zhǔn)確率的情況下，有著更短的運行時間。其原因在于，在其對水稻蟲害進(jìn)行評估的過程中，慣性權(quán)重ω采用的是余弦函數(shù)來動態(tài)控制其變化的策略。該策略能夠在前期保持較好的在整個搜索范圍內(nèi)進(jìn)行搜索的能力，在后期也保有一定的在一定范圍內(nèi)進(jìn)行尋優(yōu)搜索的能力，其收斂速度較PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型的收斂速度要快。并通過使用種群中各個粒子的最優(yōu)解的平均值代替粒子個體的最優(yōu)解，增強(qiáng)了自身的魯棒性及容錯能力，在一定程度上改善其容易陷入局部最優(yōu)解的情況。因此，改進(jìn)的PSO-BP神經(jīng)網(wǎng)絡(luò)水稻蟲害預(yù)測模型更適合應(yīng)用于實際生產(chǎn)中。

參考文獻(xiàn)：

[1]姜敏，沈一鳴，張敬堯，等.基于深度學(xué)習(xí)的水稻病蟲害診斷方法研究[J].洛陽理工學(xué)院學(xué)報（自然科學(xué)版），2019，29（4）：78-83.

[2]謝軒，羊四清，謝完成.基于WebGIS的水稻病蟲害預(yù)警信息系統(tǒng)設(shè)計與實現(xiàn)[J].價值工程，2017（12）：183-185.

[3]馬聰，張建華，陳學(xué)東，等.深度學(xué)習(xí)方法在農(nóng)業(yè)領(lǐng)域的研究及應(yīng)用[J].寧夏農(nóng)林科技，2020，61（01）：35-37.

課題項目：婁底職業(yè)技術(shù)學(xué)院科研項目（2019ZK010）。

作者簡介：謝軒（1991-），男，湖南雙峰人，助講，研究方向為智能農(nóng)業(yè)信息化技術(shù)。