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)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)而建立的非線形動力學(xué)系統(tǒng),與傳統(tǒng)的計算方法相比,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)過兩個階段。

訓(xùn)練或?qū)W習(xí)階段。訓(xùn)練時，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，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,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.等通過計算機(jī)獲取的圖象特征,利用兩個神經(jīng)網(wǎng)絡(luò)來進(jìn)行分類,一個將甘薯胚芽的表面積、長度和對稱度作為輸入,另一個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,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。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