FNN專家系統(tǒng)在作物最佳生長環(huán)境決策中的應(yīng)用

劉硯菊，蔣兵兵，杜　靈，陳　亮

(1.沈陽理工大學(xué) 信息科學(xué)與工程學(xué)院， 沈陽 110159; 2.鐵嶺縣高級中學(xué)，遼寧 鐵嶺 112000)

?

FNN專家系統(tǒng)在作物最佳生長環(huán)境決策中的應(yīng)用

劉硯菊1，蔣兵兵1，杜靈2，陳亮1

(1.沈陽理工大學(xué) 信息科學(xué)與工程學(xué)院， 沈陽 110159; 2.鐵嶺縣高級中學(xué)，遼寧 鐵嶺 112000)

基于大棚植物生長數(shù)據(jù)和環(huán)境信息，采用模糊神經(jīng)網(wǎng)絡(luò)方法，對植物生長數(shù)據(jù)進(jìn)行模糊化處理，通過誤差反向傳播神經(jīng)網(wǎng)絡(luò)方法，建立模糊神經(jīng)網(wǎng)絡(luò)推理結(jié)構(gòu)，獲得了植物最佳生長狀態(tài)下的不同生長階段的環(huán)境數(shù)據(jù)。為后續(xù)的大棚溫濕度等環(huán)境參數(shù)控制提供依據(jù)。

模糊神經(jīng)網(wǎng)絡(luò)；專家系統(tǒng)；環(huán)境信息

在大棚環(huán)境參數(shù)控制中，由于決策者一般只具有溫室作物生長環(huán)境參數(shù)的經(jīng)驗(yàn)值，在溫室作物生長管理方面的最優(yōu)化決策運(yùn)用范圍很小，而且這種僅依靠經(jīng)驗(yàn)值進(jìn)行決策往往會導(dǎo)致作物產(chǎn)量達(dá)不到預(yù)期值，究其原因主要是環(huán)境調(diào)控參數(shù)的選擇常常根據(jù)經(jīng)驗(yàn)進(jìn)行人為設(shè)定，造成很難達(dá)到優(yōu)化的目標(biāo)。因此得到植物生長的最佳環(huán)境參數(shù)，對于之后的控制決策有重要的意義。

專家系統(tǒng)能運(yùn)用領(lǐng)域?qū)＜叶嗄攴e累的經(jīng)驗(yàn)與專門知識，模擬人類專家的思維過程，求解需要專家才能解決的問題。專家系統(tǒng)先由系統(tǒng)開發(fā)者將所要解決的問題的專門技術(shù)生成知識庫，然后系統(tǒng)推理機(jī)可根據(jù)知識庫中提供的信息導(dǎo)出結(jié)果[1]。

本文通過專家系統(tǒng)來得到作物的最佳生長狀態(tài)。作物的生長好壞是一個模糊的判斷標(biāo)準(zhǔn)，因此先將數(shù)據(jù)模糊化處理，建立模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[2]。將訓(xùn)練獲得的神經(jīng)網(wǎng)絡(luò)的權(quán)值，閾值存入數(shù)據(jù)庫。以模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為專家系統(tǒng)的推理結(jié)構(gòu)。通過現(xiàn)場數(shù)據(jù)仿真分析表明，神經(jīng)網(wǎng)絡(luò)推理結(jié)構(gòu)具備的自適應(yīng)推理功能，提高了系統(tǒng)的智能化水平和推理正確性。

1　基于模糊神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)

1.1專家系統(tǒng)結(jié)構(gòu)

專家系統(tǒng)的核心是知識庫和推理機(jī)。知識獲取是完成把專家的知識按一定的知識表示形式輸入到專家系統(tǒng)的知識庫中，將神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為專家系統(tǒng)的推理結(jié)構(gòu)。本文的專家系統(tǒng)總體結(jié)構(gòu)如圖1所示，作物生長狀態(tài)指農(nóng)作物生長的特征參數(shù)；作物生長時段指作物的各個生長期，包括發(fā)芽期、幼苗期、營養(yǎng)生長期、果實(shí)生長期、果實(shí)成熟期。上述作物生長信息作為專家知識存入知識庫中。模糊處理模塊根據(jù)模糊隸屬度函數(shù)，將作物生長數(shù)據(jù)和生長狀態(tài)作為訓(xùn)練數(shù)據(jù)，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，把專家知識變?yōu)樯窠?jīng)網(wǎng)絡(luò)內(nèi)部的表達(dá)形式，可得到網(wǎng)絡(luò)權(quán)值，閾值等神經(jīng)網(wǎng)絡(luò)參數(shù)，并存入知識庫。本文的專家系統(tǒng)的推理過程是個數(shù)值計(jì)算過程，首先將用戶提供的事實(shí)輸入神經(jīng)網(wǎng)絡(luò)的輸入層，結(jié)合專家系統(tǒng)的知識庫，進(jìn)行推理計(jì)算，得到結(jié)果。

圖1　專家系統(tǒng)總體結(jié)構(gòu)圖

1.2知識庫和推理求解

產(chǎn)生式規(guī)則表示法適合表達(dá)具有因果關(guān)系的過程性知識，且求解過程可被表示為一系列相互獨(dú)立的操作。將一組產(chǎn)生式放在一起，使之互相配合，一個產(chǎn)生式生成的結(jié)論可以供另一個產(chǎn)生式作為已知事實(shí)使用，最終得到問題的解。這樣的系統(tǒng)稱為產(chǎn)生式系統(tǒng)。一個產(chǎn)生式系統(tǒng)由三部分構(gòu)成：規(guī)則庫，綜合數(shù)據(jù)庫，控制系統(tǒng)[3]。本文的知識表示方法采用產(chǎn)生式規(guī)則表示法。

正向推理的基本思想是從用戶提供的初始已知事實(shí)出發(fā)，逐步推導(dǎo)出最后結(jié)論的過程。反向推理是從假定的目標(biāo)出發(fā)，它是為了驗(yàn)證指標(biāo)而去尋找支持它的事實(shí)。本文的專家系統(tǒng)采用正向推理機(jī)制，根據(jù)得到的原始信息，在數(shù)據(jù)庫中尋找與之匹配的規(guī)則。正向推理過程即為神經(jīng)網(wǎng)絡(luò)的計(jì)算過程。本文研究的獲得作物最佳生長狀態(tài)是個模糊的過程，因此引入各個指標(biāo)的隸屬度函數(shù)將其模糊化。一般將作物的生長狀態(tài)分為三個等級：優(yōu)秀、中等、較差。隸屬度函數(shù)采用如圖2所示三角形隸屬度函數(shù)[4]。靠近每個集合中心位置的數(shù)值具有較大的隸屬度，在集合中心處數(shù)值的隸屬度值為1。

(1)

圖2　三角形隸屬度函數(shù)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，該網(wǎng)絡(luò)主要由正向傳播和反向傳播構(gòu)成。正向傳播為輸入信號從輸入端進(jìn)入網(wǎng)絡(luò)經(jīng)加權(quán)和函數(shù)運(yùn)算處理從輸出端輸出，當(dāng)輸出與期望值大于設(shè)定的誤差值時，誤差信號將反饋回到網(wǎng)絡(luò)，根據(jù)算法修改各層的權(quán)值和閾值從而使誤差減小[5]。本文將BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法與模糊邏輯結(jié)合構(gòu)造模糊神經(jīng)網(wǎng)絡(luò)。根據(jù)專家經(jīng)驗(yàn)建立產(chǎn)生式模糊規(guī)則，將輸入變量進(jìn)行模糊化，采用BP網(wǎng)絡(luò)建立模糊化后的變量與輸出之間的網(wǎng)絡(luò)結(jié)構(gòu)，可得自變量與因變量之間的關(guān)系，然后將其應(yīng)用到獲得作物最佳生長狀態(tài)的應(yīng)用中。模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3　模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

第一層為輸入層，其輸出為精確值。該層節(jié)點(diǎn)個數(shù)為衡量作物生長好壞的指標(biāo)數(shù)，將輸入值直接傳遞到第二層。

第二層為隸屬度函數(shù)層，該層的作用是根據(jù)上邊的三角隸屬度函數(shù)將輸入數(shù)據(jù)模糊化。每個節(jié)點(diǎn)的激活函數(shù)分別為各個輸入變量對每個模糊集的隸屬度函數(shù)，輸出為各個輸入變量對每個模糊集的隸屬度值。該層節(jié)點(diǎn)的個數(shù)為各個輸入變量模糊集合數(shù)之和。

第三層為神經(jīng)網(wǎng)絡(luò)隱含層，該層的每一個節(jié)點(diǎn)代表一個可能的模糊規(guī)則的規(guī)則前件。每個節(jié)點(diǎn)只與第二層中每個生長指標(biāo)對應(yīng)的模糊集中的一個相連。每個連接的權(quán)值都為固定值1，每個節(jié)點(diǎn)的閾值都為0。每個節(jié)點(diǎn)內(nèi)實(shí)現(xiàn)最小化，將一條規(guī)則中所有輸入變量的隸屬度的最小值作為前件的隸屬度，得到每條規(guī)則的適用度。

第四層為神經(jīng)網(wǎng)絡(luò)輸出層，每個節(jié)點(diǎn)代表一個可能的模糊規(guī)則的規(guī)則后件，三、四層之間的連接為全互連，連接權(quán)值矩陣為W，其中的每個連接權(quán)值代表對應(yīng)的模糊規(guī)則的置信度。將規(guī)則后件是輸出變量的同一個模糊集合的各個規(guī)則前件與其連接權(quán)值乘積的最大值作為輸出變量對該模糊集合的隸屬度值。該層節(jié)點(diǎn)數(shù)為輸出量模糊劃分的個數(shù)。輸出為輸出量對各個模糊集的隸屬度值。

第五層為輸出去模糊化層，根據(jù)最大隸屬度原則，實(shí)現(xiàn)輸出的清晰化。該層與第四層的連接為全互連，連接權(quán)值都為1，閾值都為0。

模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練的誤差代價函數(shù)為

(2)

式中：vdi表示期望輸出；vi表示實(shí)際輸出；r表示樣本個數(shù)。

通過以上模糊神經(jīng)網(wǎng)絡(luò)的推理得到作物最佳的生長狀態(tài)，可從后臺數(shù)據(jù)中心提取最佳生長狀態(tài)對應(yīng)的環(huán)境信息，即得到了植物現(xiàn)階段生長的最佳環(huán)境參數(shù)。因此得到作物的最佳生長狀態(tài)也相當(dāng)于得到了作物生長的最佳環(huán)境參數(shù)。

2　專家系統(tǒng)在獲得作物最佳生長狀態(tài)中的應(yīng)用

作物生長狀態(tài)的描述是模糊的，通常分為“優(yōu)秀”、“中等”、“較差”三種類型。采用隸屬度函數(shù)將各個生長指標(biāo)模糊化，求各個指標(biāo)對三種生長類型的隸屬度。以開花坐果期番茄生長為例對該系統(tǒng)進(jìn)行分析說明。番茄的生長指標(biāo)為：番茄的株高(H)、葉數(shù)(L)、花數(shù)(Fl)、坐果數(shù)(Fr)、葉寬(wf)、葉長(lf)。葉數(shù)為記錄長在植株上的長≥5cm的葉片數(shù)目，花數(shù)則計(jì)算能看到花蕾的花的數(shù)目，坐果數(shù)計(jì)算果徑≥5mm的果實(shí)數(shù)目[6]。分類界限如表1所示。

表1　番茄生長指標(biāo)及分類界限

每個生長指標(biāo)劃分成三個模糊集，六個生長指標(biāo)可以組成729條模糊規(guī)則。通過一些規(guī)則樣本，訓(xùn)練三、四層之間的權(quán)值W，即可得到整個模糊神經(jīng)網(wǎng)絡(luò)的參數(shù)，規(guī)則的權(quán)值也可改變。每個時間段用一些新規(guī)則訓(xùn)練一次，實(shí)現(xiàn)系統(tǒng)的自學(xué)習(xí)和自適應(yīng)功能[7]。預(yù)測結(jié)果如圖4所示，分別表示訓(xùn)練步長為200、500、800時的預(yù)測結(jié)果。本系統(tǒng)為保證精確度和泛化能力，選擇訓(xùn)練步長為500。從表2中檢測樣本的測試結(jié)果可以看出，本系統(tǒng)的可靠性較高。

為體現(xiàn)FNN方法的優(yōu)越性，將該方法與不考慮輸入數(shù)據(jù)模糊性的BP法進(jìn)行了對比。BP法仿真預(yù)測結(jié)果如圖5所示，其中+為目標(biāo)值，*為預(yù)測值。

從圖4、圖5中可以看出兩種方法在訓(xùn)練步長為500時，預(yù)測結(jié)果最好。兩種方法在訓(xùn)練步長為500時的均方根誤差對比如表3所示。從表3可以看出，F(xiàn)NN方法的誤差較小，預(yù)測效果較好。

圖4　FNN系統(tǒng)數(shù)據(jù)仿真圖

圖5　BP系統(tǒng)數(shù)據(jù)仿真圖

表2　檢測樣本預(yù)測結(jié)果

表3　預(yù)測結(jié)果誤差對比

3　結(jié)束語

根據(jù)作物生長的特點(diǎn)，采用基于模糊神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)判斷作物生長的優(yōu)劣。該系統(tǒng)不僅具有專家系統(tǒng)模仿人類專家解決實(shí)際問題的能力，而且具有神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)、自適應(yīng)能力強(qiáng)和推理速度快的特點(diǎn)，而且采用模糊推理，提高了推理的準(zhǔn)確度。

通過判斷植物生長好壞的樣本規(guī)則訓(xùn)練模糊神經(jīng)網(wǎng)絡(luò)，作為專家系統(tǒng)的推理機(jī)構(gòu)，可根據(jù)植物的生長指標(biāo)，較快速、準(zhǔn)確地判斷植物生長的好壞。能為后續(xù)植物環(huán)境參數(shù)控制提供可靠的依據(jù)。

[1]趙利，池清華，劉康玲，等.基于GA-FNN的專家系統(tǒng)在鍋爐結(jié)渣中的應(yīng)用[J].電站系統(tǒng)工程，2012,28(6):1-3.

[2]鞠初旭.模糊神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D].成都：電子科技大學(xué)，2012.

[3] 熊范綸.面向農(nóng)業(yè)領(lǐng)域的智能系統(tǒng)技術(shù)體系架構(gòu)及其實(shí)現(xiàn)[J].模式識別與人工智能，2012,25(5):2-3.

[4]趙利. 基于模糊模型的專家系統(tǒng)推理方法[D].杭州：浙江大學(xué)，2013.

[5]艾芳菊. 模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化研究[D].成都：中國科學(xué)院成都計(jì)算機(jī)應(yīng)用研究所，2006.

[6]賴琳玲.番茄生長發(fā)育動態(tài)模擬和預(yù)警系統(tǒng)建立[D].楊凌：西北農(nóng)林科技大學(xué)，2010.

[7] 魯宏偉，羅鋼.專家系統(tǒng)自適應(yīng)性應(yīng)用研究[J].武漢理工大學(xué)學(xué)報，2003,27(4):3-4.

(責(zé)任編輯：馬金發(fā))

The Application of Expert System Based on FNN in Decision on the Optimum Crop Growth Environment

LIU Yanju1,JIANG Bingbing1,DU Ling2,CHEN Liang1

(1.Shenyang Ligong University,Shenyang 110159,China; 2.Tieling County High School,Tieling 112000,China)

A method of fuzzy neural network is used to blur these growth data based on the growth data and environmental information about greenhouse plants.Back propagation (BP) is used to establish a fuzzy neural network inference structure.The optimal environmental data in different growth phase was obtained while the best growing status of plants was acquired.It can provide the basis for the control on the following greenhouse environmental parameters such as temperature and humidity.

fuzzy neural network；expert system；environmental information

2015-05-29

遼寧省農(nóng)村與農(nóng)業(yè)信息技術(shù)服務(wù)示范平臺建設(shè)資助項(xiàng)目(2013301008)

劉硯菊(1965—),女，教授，博士，研究方向：智能檢測技術(shù)。

TP23

A