基于極端學(xué)習(xí)機(jī)算法的蟲情預(yù)測(cè)研究

趙 健

（中國(guó)電子科技集團(tuán)公司電子科學(xué)研究院，北京100041）

1 引言

近些年，社會(huì)經(jīng)濟(jì)的快速發(fā)展給環(huán)境造成了不可忽視的負(fù)面影響，使得環(huán)境日益惡化，也給農(nóng)業(yè)生產(chǎn)帶來(lái)了一些嚴(yán)重問(wèn)題。農(nóng)業(yè)方面比較突出的問(wèn)題就是病蟲害，所以根據(jù)農(nóng)作物的生長(zhǎng)環(huán)境、氣候的變化規(guī)律、病蟲害發(fā)生的條件等方面的相關(guān)資料[1]，對(duì)病蟲害的產(chǎn)生進(jìn)行全面的研究，做出相應(yīng)的蟲害預(yù)測(cè)并對(duì)農(nóng)戶作出指引，有很重要的社會(huì)意義[2-3]。蟲害與地震、海嘯一類的天災(zāi)不同，對(duì)于農(nóng)作物蟲害的研究和預(yù)測(cè)是以先期獲得的數(shù)據(jù)資料為基礎(chǔ)進(jìn)行的，具有一定的可預(yù)測(cè)性。高準(zhǔn)確地預(yù)測(cè)出蟲害的發(fā)生，能為綜合治理工作打下堅(jiān)實(shí)的基礎(chǔ)。

由于蟲情問(wèn)題對(duì)社會(huì)生產(chǎn)生活的重要影響力，對(duì)蟲情預(yù)測(cè)的研究由來(lái)已久。先期提出的蟲情預(yù)測(cè)方法有：觀察法、統(tǒng)計(jì)法、數(shù)學(xué)生態(tài)模型法。這些方法在具體應(yīng)用情況下有極大的局限性，包括：訓(xùn)練過(guò)程的收斂速度較慢，降低實(shí)時(shí)信息的獲取效率；對(duì)于測(cè)試蟲情樣本的預(yù)測(cè)正確率不高等。專家系統(tǒng)的使用具有一定的局限性，適用性不佳?，F(xiàn)有的蟲情預(yù)測(cè)研究并不能滿足農(nóng)業(yè)經(jīng)濟(jì)生產(chǎn)工作的實(shí)際需要。對(duì)蟲情預(yù)測(cè)需要進(jìn)行更深入的探討，來(lái)提高蟲情預(yù)測(cè)的科學(xué)性、準(zhǔn)確性，更好地為農(nóng)業(yè)經(jīng)濟(jì)的發(fā)展提供保障。蟲情預(yù)測(cè)的樣本具有不確定性，在使用預(yù)測(cè)方法對(duì)其蟲害級(jí)別作出評(píng)估時(shí)，結(jié)果容易陷入局部最小而發(fā)生不收斂，最終得出的結(jié)果精度相對(duì)較低；相比之下，極端學(xué)習(xí)機(jī)（Extreme Learning Machine,ELM）算法沒有前者的局限性，可以從本質(zhì)上解決蟲情預(yù)測(cè)準(zhǔn)確率低的問(wèn)題。本研究即引入極端學(xué)習(xí)機(jī)算法進(jìn)行蟲情預(yù)測(cè)研究工作。

2 極端學(xué)習(xí)機(jī)算法研究

如圖1所示即為ELM算法的結(jié)構(gòu)原理圖。圖中包括了三個(gè)層次：輸入層、輸出層、隱含層[4]。

圖1 ELM算法的結(jié)構(gòu)

假設(shè)激活函數(shù)g無(wú)限可微，則可得到ELM訓(xùn)練設(shè)定的隱層數(shù)遠(yuǎn)小于樣本的觀測(cè)數(shù)，即L≤N，以此為基礎(chǔ)，可得到以下兩個(gè)與ELM算法密切相關(guān)的定理:

(1)定理1

對(duì)這一定理的證明過(guò)程如下：

式中，g(l)為函數(shù)g對(duì)bi的l階導(dǎo)。但是，在N-1個(gè)自由系數(shù)r1,...,rn-1的情況下，其線性方程卻多余N-1個(gè)，他們之間有矛盾沖突了。所以可得c不屬于維度比N小的子空間。

因此，在(a,b)有一定概率能夠隨機(jī)選N個(gè)隱含節(jié)點(diǎn)對(duì)應(yīng)的N個(gè)偏置值b1,...,bn-1，滿足其對(duì)應(yīng)的c(b1),c(b2),...,c(bn)能夠跨度表明對(duì)于所有的可以按照所有連續(xù)概率從的所有區(qū)間進(jìn)行選擇，滿足H是滿秩的列向量。

其中，激活函數(shù)有：Sigmoid、徑向基函數(shù)、正弦函數(shù)、余弦函數(shù)、指數(shù)函數(shù)還有別的非正則函數(shù)[6]。

普通的單層神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)需要進(jìn)行調(diào)整，相比之下定理1有所不同，它證明了從經(jīng)驗(yàn)上來(lái)說(shuō)是不需要經(jīng)過(guò)調(diào)整的，通過(guò)剛開始的參數(shù)設(shè)定后，ELM的系數(shù)矩陣H在算法運(yùn)行過(guò)程中是保持不變的。所以說(shuō)，對(duì)于一定的，根據(jù)式(2)可知，單隱層神經(jīng)網(wǎng)絡(luò)算法的求解過(guò)程，都可轉(zhuǎn)化為的求解過(guò)程：

式中H+為H的MP偽逆。

(2)定理2

如果有矩陣G滿足：Gy為線性方程Ax=y的一個(gè)最小二乘解。則有G=A+。A+即A的MP偽逆[7-10]。

根據(jù)定理2，可以將極端學(xué)習(xí)機(jī)算法的重要屬性歸納如下:

(a)特別地，x0=A+y與Ax=y的最小二乘解為:

(b)接下來(lái)，x0=A+y在Ax=y的所有最小二乘解里具有最小的模:

(c)Ax=y的具有僅有的最小模最小二乘解 x=A+y。

基于以上的定理，可歸納出ELM的學(xué)習(xí)規(guī)則如下:

(b)隱層輸出矩陣H的獲得;

其中H+為H的MP偽逆，

農(nóng)村生態(tài)建設(shè)工作是我國(guó)現(xiàn)代化建設(shè)的重要內(nèi)容之一。農(nóng)村生態(tài)建設(shè)工作的目的，在于提高農(nóng)村居民生活環(huán)境，推動(dòng)農(nóng)村地域經(jīng)濟(jì)發(fā)展，助力我國(guó)經(jīng)濟(jì)的可持續(xù)發(fā)展。不過(guò)就實(shí)際而言，目前我國(guó)村鎮(zhèn)規(guī)劃與建設(shè)工作尚有許多問(wèn)題未能有效解決。

計(jì)算H的MP偽逆的方法有很多，包括：正交投影法，正交法，迭代法，奇異值分解法(SVD)等。為了在極端學(xué)習(xí)機(jī)算法中減少搜索與迭代的次數(shù)。正交投影方法在HTH是非奇異時(shí)使用但是，HTH不可能一定已知非奇異，某些情況下是奇異的，所以正交投影方法沒有獲得理想的效果。SVD是用來(lái)獲取H的MP偽逆的一種常用方法。

3 基于極端學(xué)習(xí)機(jī)算法的蟲情預(yù)測(cè)研究

對(duì)采用極端學(xué)習(xí)算法實(shí)現(xiàn)蟲情的預(yù)測(cè)，具體可分為以下幾步：

(1)獲取蟲情數(shù)據(jù)，預(yù)處理

蟲害的發(fā)生與自然因素有一定的相關(guān)性，會(huì)受到氣溫、日照、降雨等因素的影響。在研究過(guò)程中主要應(yīng)考慮這樣的因素變量。本研究訓(xùn)練樣本使用的數(shù)據(jù)為某林區(qū)從1996年到2013年的總計(jì)18年間的蟲情樣本數(shù)據(jù)。為了使得預(yù)測(cè)算法對(duì)于蟲情樣本有更好的擬合度，對(duì)訓(xùn)練樣本加入高斯白噪聲后產(chǎn)生測(cè)試樣本數(shù)據(jù)，對(duì)18年時(shí)間里的總共108組數(shù)據(jù)進(jìn)行測(cè)試。

(2)極端學(xué)習(xí)機(jī)預(yù)測(cè)模型構(gòu)建

由于蟲情預(yù)測(cè)樣本的數(shù)量是一定的，所以測(cè)試樣本只能通過(guò)加入高斯白噪聲獲得，試用語(yǔ)句

其中的TestData即為測(cè)試數(shù)據(jù)。

其中“radbas”為激活函數(shù)，1表示使用ELM算法進(jìn)行分類（包括二分類和多分類）。仿真結(jié)果如圖2。

圖2 隱層數(shù)=5時(shí)的蟲情樣本預(yù)測(cè)情況

(3)蟲情預(yù)測(cè)算法效果對(duì)比

作為對(duì)比，在極端學(xué)習(xí)機(jī)算法之外，再采用常用的BP神經(jīng)網(wǎng)絡(luò)、SVM支持向量機(jī)、決策樹算法來(lái)執(zhí)行同一項(xiàng)蟲情預(yù)測(cè)。這四者的對(duì)比結(jié)果如表1所示。

表1 蟲情預(yù)測(cè)算法的結(jié)果對(duì)比

從表中的結(jié)果對(duì)比來(lái)看，基于ELM的蟲情預(yù)測(cè)算法實(shí)現(xiàn)了對(duì)四類蟲情級(jí)別精準(zhǔn)與快速預(yù)測(cè)，其效果明顯優(yōu)于經(jīng)典的分類算法神經(jīng)網(wǎng)絡(luò)、SVM和決策樹算法；分類正確率均勻分布，每類蟲情級(jí)別都獲得了較高的正確率，預(yù)測(cè)能力較強(qiáng)。

從對(duì)比的結(jié)果中可以歸納出以下結(jié)論：

(1)極端學(xué)習(xí)機(jī)算法對(duì)蟲情樣本的預(yù)測(cè)效果最好，其次是SVM支持向量機(jī)和決策樹，BP神經(jīng)網(wǎng)絡(luò)的效果最差。極端學(xué)習(xí)算法在蟲情樣本預(yù)測(cè)的有效性方面較為優(yōu)越。

(2)基于極端學(xué)習(xí)的蟲情預(yù)測(cè)模型有較強(qiáng)的適用性，蟲情樣本具有復(fù)雜性與不確定性，如上構(gòu)建的模型也適用于其他農(nóng)作物蟲害等級(jí)的預(yù)測(cè)。

4 結(jié)束語(yǔ)

本文詳細(xì)分析極端學(xué)習(xí)機(jī)算法的原理機(jī)制，這些都是研究蟲情預(yù)測(cè)技術(shù)的基礎(chǔ)理論。之后介紹了農(nóng)作物蟲害相關(guān)因素，主要包括：溫度、日照、降雨，對(duì)這幾個(gè)因素進(jìn)行綜合考慮構(gòu)建蟲情樣本特征矩陣后，使用極端學(xué)習(xí)機(jī)算法、高斯混合模型算法進(jìn)行蟲害等級(jí)的預(yù)測(cè)，通過(guò)實(shí)驗(yàn)仿真結(jié)果，對(duì)比了與常用算法的實(shí)驗(yàn)效果，驗(yàn)證了這種算法對(duì)于蟲情樣本的預(yù)測(cè)具有可行性，預(yù)測(cè)的正確率較高，對(duì)農(nóng)作物所遭受的蟲害程度做出了高精度的判定，能夠?yàn)橄x害的防治工作提供依據(jù)，減少蟲害，該方法優(yōu)于傳統(tǒng)的蟲情預(yù)測(cè)研究方法，具有很高的實(shí)用價(jià)值。

[1]QIN J L,YANG X H,YANG Z W,et al.New technology of using meteorological information in forest insect pest forecast and warning systems[J].Pest Management Science,2017.

[2]QIN J,FU H,YANG X,et al.Innovative design and its application on the meteorology serving system for pest forecast and warning[J].Journal of Meteorological Research&Application,2017.

[3]LIU W.Research progress on modern tools for crop pests forecasting in China[J].China Plant Protection,2017.

[4]張博洋,李素梅.應(yīng)用深度極限學(xué)習(xí)機(jī)的立體圖像質(zhì)量評(píng)價(jià)方法[J].小型微型計(jì)算機(jī)系統(tǒng),2017,38(11):2586-2590.ZHANG Boyang,LI Sumei.Stereoscopic image quality assessment method using deep extreme learning machine[J].Journal of Chinese Computer Systems,2017,38(11):2586-2590.

[5]高鑫,歐陽(yáng)寧,袁華.基于快速去噪和深度信念網(wǎng)絡(luò)的高光譜圖像分類方法[J].桂林電子科技大學(xué)學(xué)報(bào),2016,36(6):469-476.GAO Xin,OUYANG Ning,YUAN Hua.A hyperspectral image classification method based on fast denoising and deep belief network[J].Journal of Guilin University of Electronic Technology,2016,36(6):469-476.

[6]臧維明,華驊,賴炳宇,等.一種跨平臺(tái)敏捷式動(dòng)態(tài)可重構(gòu)系統(tǒng)架構(gòu)研究[J].中國(guó)電子科學(xué)研究院學(xué)報(bào),2017,12(3):225-231.ZANG Weiming,HUA Hua,LAI Bingyu,et al.Research on c oss-platform agile dynamic reconfigurable system architecture[J].Journal of China Academy of Electronics and Information Technology,2017,12(3):225-231.

[7]BARNICH O,DROOGENBROECK M V.ViBe:A universal back-ground subtraction algorithm for video sequences[J].IEEE Transactions on Image Processing,2011,20(6):1709-1724.

[8]DANG U J,Punzo A,McNicholas P D,et al.Multivariate response and Parsimony for Gaussian Cluster-weighted models[J].Journal of Classification,2017,34(1):1-31.

[9]BRIF C,MANN A.A hybrid intelligent approach for the prediction of electricity consumption[J].International Journal of Electrical Power&Energy Systems,2012,43(1):99-108.

[10]DING S,ZHAO H,ZHANG Y,et al.Extreme learning machine:algorithm,theory and applications[J].Artificia Intelligence Review,2015,44(1):103-115.

[11]任露,黃穎為.基于牛頓迭代法的分形圖像研究[J].西安理工大學(xué)學(xué)報(bào),2016,32(2):247-252.REN Lu,HUANG Yingwei.Fractal image research based on Newton iteration[J].Journal of Xi'an University of Technology,2016,32(2):247-252.

[12]明艷.基于3D相鄰區(qū)域宏塊相關(guān)性的多視點(diǎn)視頻快速編碼算法[J].重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版),2016,28(6):783-788.MING Yan.Fast multi-viewpoint video coding algorithm based on 3D adjacent area macroblock correlation[J].Journal of Chongqing University of Posts and Telecommunications(NaturalScience),2016,28(6):783-788.