基于GA-RBF融合算法的玉米病蟲害產(chǎn)量損失預(yù)測研究

王冬雪　陳桂芬　李英倫　史樹森

摘要：鑒于玉米病蟲害等影響因素在預(yù)測玉米產(chǎn)量損失時所具有的復(fù)雜及非線性等特點，采用傳統(tǒng)的徑向基函數(shù)（radial basis function，簡稱RBF）神經(jīng)網(wǎng)絡(luò)預(yù)測起來相對較難，且其預(yù)測精度較低。針對上述問題，提出1種基于遺傳算法（genetic algorithm，簡稱GA）和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)相融合的優(yōu)化算法，對病蟲害所造成的玉米產(chǎn)量損失進行預(yù)測。該融合算法利用人工神經(jīng)網(wǎng)絡(luò)的非線性擬合能力強和遺傳算法尋優(yōu)能力強的優(yōu)點，建立最優(yōu)產(chǎn)量損失預(yù)測模型，將該模型的估算值與玉米產(chǎn)量的實際值進行擬合，得到較好的擬合效果圖。為了驗證算法的可行性，以國家863計劃示范基地榆樹市弓棚鎮(zhèn)13號村的試驗數(shù)據(jù)為樣本數(shù)據(jù)進行仿真預(yù)測。結(jié)果表明，經(jīng)過GA-RBF融合算法的預(yù)測誤差為0.207，較優(yōu)化前誤差降低了0.151，預(yù)測精度得到提高，實現(xiàn)對玉米病蟲害產(chǎn)量損失的有效預(yù)測。預(yù)測結(jié)果可為農(nóng)民進行科學(xué)有效的病蟲害防控提供科學(xué)依據(jù)，經(jīng)濟有效地降低受災(zāi)程度，提高玉米產(chǎn)量。

關(guān)鍵詞：遺傳算法;RBF神經(jīng)網(wǎng)絡(luò);融合算法;玉米病蟲害;產(chǎn)量損失預(yù)測模型

中圖分類號： TP312;S126文獻標(biāo)志碼： A

文章編號：1002-1302（2019）09-0263-04

玉米不僅作為東北地區(qū)的主要糧食種植作物，而且在整個糧食生產(chǎn)中也具有重要的地位。病蟲害是影響玉米產(chǎn)量的重要因素之一，現(xiàn)階段病蟲害頻發(fā)對玉米的產(chǎn)量及質(zhì)量造成了極大的威脅[1-3]。病蟲害農(nóng)業(yè)產(chǎn)量損失預(yù)測與防治已成為農(nóng)業(yè)經(jīng)濟發(fā)展中一個不可或缺的環(huán)節(jié)。因此，對其進行研究和分析預(yù)測具有較強的實際指導(dǎo)意義。

鑒于玉米病蟲害等影響因素在預(yù)測玉米產(chǎn)量損失時所具有的復(fù)雜及非線性等特點[4]，采用傳統(tǒng)單一的人工神經(jīng)網(wǎng)絡(luò)對其進行預(yù)測不僅相對困難，且預(yù)測精度不達標(biāo)，在解決樣本量少、噪聲多的問題時整體效果達不到預(yù)期。神經(jīng)網(wǎng)絡(luò)技術(shù)雖在各個領(lǐng)域均有不同的應(yīng)用，但仍然存在一些難以解決的問題[5]，因此須對其進行相應(yīng)的改進，使其發(fā)揮良好的預(yù)測作用。

針對以上問題，本研究提出一種基于遺傳算法（genetic algorithm，簡稱GA）與徑向基函數(shù)（radial basis function，簡稱RBF）神經(jīng)網(wǎng)絡(luò)融合的優(yōu)化算法，這種基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的GA-RBF融合算法不僅可以充分發(fā)揮神經(jīng)網(wǎng)絡(luò)良好的映射能力，而且可以提高RBF神經(jīng)網(wǎng)絡(luò)的收斂及自適應(yīng)學(xué)習(xí)能力，在處理產(chǎn)量損失預(yù)測時具有獨特的優(yōu)勢。通過融合后的優(yōu)化算法建立GA-RBF預(yù)測模型，對玉米病蟲害的產(chǎn)量損失進行預(yù)測。根據(jù)預(yù)測結(jié)果分析病蟲害的發(fā)生動態(tài)對玉米產(chǎn)量的影響程度，可使種植者及時防治災(zāi)害，經(jīng)濟有效地降低受災(zāi)程度，提高玉米產(chǎn)量。

1 研究方法

1.1 GA-RBF優(yōu)化算法模型的構(gòu)建

本研究主要采用MATLAB軟件，采用的技術(shù)路線分為3個部分：首先，利用遺傳算法工具箱優(yōu)化RBF神經(jīng)網(wǎng)絡(luò);然后，將優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)與遺傳算法融合，建立新的 GA-RBF 工具箱;最后，構(gòu)建產(chǎn)量損失預(yù)測模型。

1.1.1 優(yōu)化指標(biāo)的選取

通常在通過遺傳算法優(yōu)化設(shè)計神經(jīng)網(wǎng)絡(luò)時[6-8]，最關(guān)鍵的步驟是對神經(jīng)網(wǎng)絡(luò)各參數(shù)的選擇，即數(shù)據(jù)中心ci、擴展常數(shù)（寬度）σi以及權(quán)值wi大小的選擇。本研究主要是通過遺傳算法對神經(jīng)網(wǎng)絡(luò)的寬度及中心值進行精確的選擇以及優(yōu)化，只有選擇了精確的參數(shù)值，才能更好地發(fā)揮RBF神經(jīng)網(wǎng)絡(luò)的逼近效果，提高預(yù)測精度。

首先需要對徑向基神經(jīng)網(wǎng)絡(luò)隱含層的基函數(shù)g（x）進行選擇，不失一般性，選擇的隱含層基函數(shù)為徑向基神經(jīng)網(wǎng)絡(luò)中常被選用的高斯函數(shù)[9]。并最終確定其在徑向基神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)為：

式中：x=（x1，x2，…，xn），為網(wǎng)絡(luò)輸入矢量;ci=（ci1，ci2，…，cin）為隱含層中心矢量（所屬第i個神經(jīng)元），與x具有同樣的維數(shù);σi是第i個基函數(shù)的寬度;m是隱含層神經(jīng)元的數(shù)量;‖x-ci‖ 表示矢量x、ci之間的歐式范數(shù)[10]。其完成的非線性映射方程如下：

式中：X∈Rn是輸入矢量;φ是1個R+→R的非線性函數(shù)[11]。

在確定RBF神經(jīng)網(wǎng)絡(luò)對應(yīng)的函數(shù)以及相應(yīng)參數(shù)后，將通過遺傳算法對其進一步優(yōu)化及修正。

1.1.2 優(yōu)化流程

1.1.2.1 訓(xùn)練樣本的預(yù)處理

采取歸一化方法[12]對數(shù)據(jù)樣本進行處理：

式中：xpi為第p個樣本的第i個變量的原始數(shù)據(jù);x′pi為第p個樣本的第i個變量的歸一化處理數(shù)據(jù)。預(yù)處理后的樣本數(shù)據(jù)范圍為（0，1）。

1.1.2.2 對應(yīng)于RBF的遺傳編碼

在本研究提出的算法中，主要思想是讓RBF神經(jīng)網(wǎng)絡(luò)的寬度同中心一起，通過遺傳算法對其進行優(yōu)化和修改。常用的編碼包括二進制法和實數(shù)編碼法[13]。由于本研究中是對網(wǎng)絡(luò)結(jié)構(gòu)的中心及寬度進行優(yōu)化，選擇的中心值較大，若采取二進制編碼法，會造成計算量大的缺點。因此，最終決定采用實數(shù)編碼法進行編碼，這種方法比較直觀簡單，減少了編碼過程及計算量，方便神經(jīng)網(wǎng)絡(luò)隱含層的設(shè)計，提高了網(wǎng)絡(luò)的訓(xùn)練速度、運行效率及識別精度。

1.1.2.3 創(chuàng)建初始種群

試驗時，設(shè)定遺傳算法的初始種群數(shù)為20個，最大進化代數(shù)為1 000。初始種群，即初始基函數(shù)g（x）的中心值。

1.1.2.4 構(gòu)造適應(yīng)度函數(shù)

在進行網(wǎng)絡(luò)訓(xùn)練時，原始數(shù)據(jù)樣本分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。通過訓(xùn)練誤差和網(wǎng)絡(luò)規(guī)模來確定相應(yīng)網(wǎng)絡(luò)的適應(yīng)度。適應(yīng)度函數(shù)在選取時需要依據(jù)具體問題的情況來確定，且該函數(shù)須保證為非負[14]。通過遺傳算法對RBF網(wǎng)絡(luò)進行編碼后，網(wǎng)絡(luò)以輸入、輸出數(shù)據(jù)作為樣本訓(xùn)練數(shù)據(jù)集，運行后以所有訓(xùn)練數(shù)據(jù)集的輸出與期望值的誤差平方和的倒數(shù)作為適應(yīng)度函數(shù)，得到的適應(yīng)度函數(shù)能夠較好地反映個體性能的差異。適應(yīng)性函數(shù)的取值是衡量算法的一個關(guān)鍵信息，也是能否找到最優(yōu)解的關(guān)鍵[13]。

采用的適應(yīng)度函數(shù)如下：

式中：L、p為樣本數(shù);d為實際輸出;y為預(yù)測輸出。

1.2 仿真參數(shù)的設(shè)置

遺傳算子的賦值[15-16]：通過選擇、交叉、變異等遺傳操作，可以產(chǎn)生新一代種群，并逐漸演變?yōu)榻谱顑?yōu)解的最優(yōu)狀態(tài)。遺傳算法是一個迭代過程，每次迭代都會保留一些候選的解決方案以及排序的利弊，這些解決方案是根據(jù)遺傳算子的指標(biāo)選擇和計算，產(chǎn)生的新一代候選解決方案，最終使目標(biāo)達到收斂。

（1）選擇率（代溝）：經(jīng)多次計算試驗認為，比值為0.8時，進行選擇方法的轉(zhuǎn)換是比較合適的。通過比例選擇法確定比值[17]，計算公式如下所示：

pi=Fi∑F;i=1，2，3，…，m。（6）

（2）交叉率：通常來說，交叉概率的取值在0.5～1.0之間，不宜過小。因為交叉概率太小會使搜索停滯[18]。本研究中交叉概率的取值經(jīng)計算選擇0.7。所采用的“實數(shù)交叉法”操作如下：

akj=akj（1-b）-akjbalj=alj（1-b）+aljb。（7）

式中：akj、alj分別為第k、l個染色體在j位進行的交叉操作;b為[0，1]間的隨機數(shù)。

（3）變異操作：變異概率取值通常在（0.01，0.1）之間，不宜過大。變異率過大會使算法變?yōu)殡S機搜索模式[19]。本研究先后取變異率為0.02、0.05進行試驗后的對比分析。

2 結(jié)果與分析

2.1 試驗數(shù)據(jù)的獲取

研究區(qū)為吉林省榆樹市弓棚鎮(zhèn)十三號村的農(nóng)用田，榆樹市屬長白山前臺地平原區(qū)，屬于黑鈣土質(zhì)，主產(chǎn)作物是玉米和大豆等，它是吉林省重要的商品糧基地之一。所選數(shù)據(jù)是通過全球定位系統(tǒng)（global positioning system，簡稱GPS）獲取采樣點空間信息，然后利用地理信息系統(tǒng)（geographic information systems，簡稱GIS）技術(shù)將地塊劃分成40 m×40 m的網(wǎng)格單元，A1～L10為采樣點，地塊位置網(wǎng)格如圖1所示。在此網(wǎng)格單元內(nèi)取樣，采集2008—2010年連續(xù)3年的玉米病蟲害數(shù)據(jù)，經(jīng)過聚類處理后，獲得地塊的病株率、蟲害率及產(chǎn)量等屬性值，選取其中130個采樣點數(shù)據(jù)作為樣本數(shù)據(jù)。研究區(qū)域部分數(shù)據(jù)如表1所示。

2.2 部分MATLAB代碼

通過遺傳算法對RBF神經(jīng)網(wǎng)絡(luò)進行優(yōu)化的部分MATLAB代碼如下：

net=newrb（train_x，train_y，0.01，1，5，1）;

%構(gòu)建神經(jīng)網(wǎng)絡(luò)

Test_y=sim（net，test_x）;

FieldDD=rep（RANGE，[1，NVAR]）;

Chrom=crtrp（NIND，F(xiàn)ieldDD）;

%創(chuàng)建初始種群

gen=0;

ObjV=objfuns（net，Chrom，train_x，train_y）;

%計算初始目標(biāo)函數(shù)值

tic

while gen

FitnV=ranking（ObjV）;

%分配適應(yīng)度值（Assign fitness values）

SelCh=select（‘sus，Chrom，F(xiàn)itnV，GGAP）; %選擇

SelCh=recombin（‘xovsp，SelCh，0.7）;%重組SelCh=mutbga（SelCh，F(xiàn)ieldDD，[0.05，1]）;%變異

ObjVSel=objfuns（net，SelCh，train_x，train_y）;

%計算子代目標(biāo)函數(shù)值

[Chrom ObjV]=reins（Chrom，SelCh，1，1，ObjV，ObjVSel）;

gen=gen+1;

trace（gen，1）=min（ObjV）;

trace（gen，2）=sum（ObjV）/length（ObjV）;

2.3 仿真結(jié)果分析

2.3.1 確定變異算子

變異算子的確定是本研究中衡量預(yù)測是否合理化的一個關(guān)鍵。在遺傳算法中，變異操作是不可或缺的，變異率的選擇是產(chǎn)生新基因必不可少的輔助方法[20-22]。因此，選擇適當(dāng)?shù)淖儺惵适钦麄€尋優(yōu)過程中的一個重要步驟，若變異率過大，會造成算法變?yōu)殡S機搜索方法。

根據(jù)試驗樣本數(shù)據(jù)集，最終設(shè)定RBF神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元為2個，即玉米病株率與玉米蟲害率;輸出層神經(jīng)元為1個，即玉米產(chǎn)量;利用迭代方法來設(shè)計訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練，逐漸增加迭代次數(shù)，每迭代1次網(wǎng)絡(luò)結(jié)構(gòu)就增加1個神經(jīng)元，直到誤差平方和低于目標(biāo)誤差，或網(wǎng)絡(luò)神經(jīng)元的數(shù)目達到最大值時，迭代停止。本試驗最終得到1個含有5個隱層神經(jīng)元的網(wǎng)絡(luò)模型。

為選出適當(dāng)?shù)淖儺惵蔬M行操作，先后分別采用變異率為0.02、0.05進行仿真試驗。試驗結(jié)果如圖2、圖3所示。

通過仿真試驗，對部分數(shù)據(jù)進行歸一化處理后，得到2種不同變異率情況下的預(yù)測結(jié)果，對預(yù)測結(jié)果進一步計算后得出：變異率為0.05時的預(yù)測精度高于變異率為0.02時的預(yù)測精度。因此，在對比后采用了0.05的變異率進行最終預(yù)測。通過對比2種預(yù)測結(jié)果，可以看到變異率為0.05時，產(chǎn)量預(yù)測整體歸一化趨勢較好，且采用GA-RBF融合算法進行玉米病蟲害產(chǎn)量預(yù)測的相對誤差要小，預(yù)測精度較傳統(tǒng)單一的RBF神經(jīng)網(wǎng)絡(luò)得到了提高。

由此可見，對遺傳算法變異率的選擇是一個十分重要的

過程[23-25]，選擇合適的變異率才會使算法達到最優(yōu)。

2.3.2 預(yù)測誤差的比較

為將誤差進行對比，在經(jīng)過多次仿真試驗后，得到如下結(jié)論：隨著網(wǎng)絡(luò)訓(xùn)練集樣本的數(shù)量逐漸增加，本研究所提出的GA-RBF融合算法相較于傳統(tǒng)的RBF網(wǎng)絡(luò)而言，無論是在收斂速度或是在網(wǎng)絡(luò)逼近的準(zhǔn)確性上均有所提高且網(wǎng)絡(luò)的全局搜索能力較好。本研究依次采用3種不同算法來分別測試樣本數(shù)據(jù)。

由表2可以看出，對于預(yù)測精度來說，本研究構(gòu)建的 GA-RBF 模型，預(yù)測誤差為0.207，明顯優(yōu)于RBF網(wǎng)絡(luò)和BP網(wǎng)絡(luò);在處理速度方面，在預(yù)測10個樣本的情況下，GA-RBF網(wǎng)絡(luò)較單一的RBF網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)速度均有提高。

同時，為了驗證算法的準(zhǔn)確性，并將預(yù)測值與實際值的誤差更明顯地反映出來，通過優(yōu)化后的算法工具箱來輸出誤差曲線，截取部分數(shù)據(jù)作誤差曲線分析，誤差結(jié)果對比如圖4所示。

分析誤差曲線可以得出，預(yù)測值和實測值偏差較小，表現(xiàn)出較高的預(yù)測精度。進一步證明改進算法后的RBF網(wǎng)絡(luò)比單一的RBF網(wǎng)絡(luò)和傳統(tǒng)的BP網(wǎng)絡(luò)具有更高的精度和更快的速度，實用性得到了加強。

3 結(jié)論

玉米病害、蟲害等影響因素是影響玉米產(chǎn)量損失的重要因素之一，其所具有的復(fù)雜特性導(dǎo)致在使用傳統(tǒng)單一的神經(jīng)網(wǎng)絡(luò)進行預(yù)測時相對困難，且預(yù)測精度不夠理想。因此，針對以上問題，本研究提出1種基于遺傳算法和徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)相融合的優(yōu)化算法，對玉米病蟲害所造成的玉米產(chǎn)量損失進行預(yù)測。研究結(jié)果表明，基于遺傳算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)模型，可實現(xiàn)對玉米病蟲害產(chǎn)量損失的有效預(yù)測。該模型能夠較好地處理病蟲害影響因素與玉米產(chǎn)量損失之間的非線性關(guān)系，效果優(yōu)于傳統(tǒng)的預(yù)測模型，作為一種定量模型可有效用于病蟲害的適時防控工作。通過計算分析后得出，采用單一RBF神經(jīng)網(wǎng)絡(luò)模型對樣本數(shù)據(jù)集進行訓(xùn)練時，所得到的預(yù)測誤差為0.358 01;而經(jīng)過GA-RBF融合算法的預(yù)測誤差為0.207，較優(yōu)化前的誤差降低了0.151。由此可見，經(jīng) GA-RBF 融合算法優(yōu)化參數(shù)后，玉米產(chǎn)量損失預(yù)測精確度得到了提高。經(jīng)過多次仿真試驗驗證，當(dāng)網(wǎng)絡(luò)的訓(xùn)練樣本數(shù)增加時，本研究提出的GA-RBF融合優(yōu)化算法較傳統(tǒng)RBF網(wǎng)絡(luò)在收斂速度和網(wǎng)絡(luò)逼近的準(zhǔn)確性上相對提高，其網(wǎng)絡(luò)的全局搜索能力較好。從整體上而言，預(yù)測結(jié)果與實際影響產(chǎn)量損失相對吻合，取得了良好的預(yù)測效果，對玉米農(nóng)作物在防蟲工作中起到了有效的參考作用。

本研究主要從影響玉米產(chǎn)量的空間區(qū)域來研究玉米產(chǎn)量損失的預(yù)測，沒有考慮時間特性和其他因素。今后，隨著實踐的不斷深入，數(shù)據(jù)的積累不斷豐富，將繼續(xù)進行深層次多方面的研究。

參考文獻：

[1]姜玉英，曾 娟，陸明紅. 2015年全國農(nóng)作物重大病蟲害發(fā)生趨勢預(yù)報[J]. 中國植保導(dǎo)刊，2015（2）：10-12.

[2]劉 杰，姜玉英. 2012年玉米病蟲害發(fā)生概況特點和原因分析[J]. 中國農(nóng)學(xué)通報，2014，30（7）：270-279.

[3]孫甜田，范作偉，劉淑霞，等. 吉林省不同熟期玉米病蟲害發(fā)生情況[J]. 中國農(nóng)學(xué)通報，2014，30（30）：222-227.

[4]符保龍. RBF網(wǎng)絡(luò)在農(nóng)業(yè)病蟲害預(yù)測中的應(yīng)用研究[J]. 安徽農(nóng)業(yè)科學(xué)，2008，36（1）：388-389.

[5]劉 璇，唐慧強，許遐禎，等. 基于神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)病蟲害損失預(yù)測[J]. 農(nóng)機化研究，2009，31（4）：13-16.

[6]劉鯖潔，陳桂明，劉小方. 基于遺傳算法SVM參數(shù)組合優(yōu)化[J]. 計算機應(yīng)用與軟件，2012，29（4）：94-100.

[7]Chen G F，Dong W，Jiang J，et al. Variable-rate fertilization decision-making system based on visualization toolkit and spatial fuzzy clustering[J]. Sensor Letters，2012，10（1）：230-235.

[8]曹麗英. 玉米主產(chǎn)區(qū)土壤養(yǎng)分與玉米產(chǎn)量的時空變異及其相關(guān)性研究[D]. 合肥：安徽農(nóng)業(yè)大學(xué)，2013.

[9]曠 嶺. RBF神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量預(yù)測[J]. 計算機仿真，2011，28（11）：189-191，200.

[10]張方舟，郝慶輝，周 勃，等. 遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)在線損計算中的應(yīng)用[J]. 計算機技術(shù)與發(fā)展，2014，24（6）：192-195，199.

[1]莊 健，楊清宇，杜海峰，等. 一種高效的復(fù)雜系統(tǒng)遺傳算法[J]. 軟件學(xué)報，2010，21（11）：2790-2801.

[12]王銘澤，關(guān)新紅，閆吉府，等. 股票的GA-RBF預(yù)測模型[J]. 遼寧工程技術(shù)大學(xué)學(xué)報（自然科學(xué)版），2014，33（7）：970-973.

[13]張 紀(jì). 基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的糧食產(chǎn)量組合預(yù)測研究[D]. 新鄉(xiāng)：河南師范大學(xué)，2015.

[14]Ahmadi M A，Zendehboudi S，Lohi A，et al. Reservoir permeability prediction by neural networks combined with hybrid genetic algorithm and particle swarm optimization[J]. Geophysical Prospecting，2013，61（3）：582-598.

[15]曾 鈺. 基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)在光伏發(fā)電MPPT中的應(yīng)用[D]. 株洲：湖南工業(yè)大學(xué)，2015.

[16]Jaddi N S，Abdullah S，Hamdan A R. A solution representation of genetic algorithm for neural network weights and structure[J]. Information Processing Letters，2016，116（1）：22-25.

[17]周維華. RBF神經(jīng)網(wǎng)絡(luò)隱層結(jié)構(gòu)與參數(shù)優(yōu)化研究[D]. 上海：華東理工大學(xué)，2014.

[18]紀(jì)思琪，吳 芳. 基于神經(jīng)網(wǎng)絡(luò)的蔬菜病害靜態(tài)預(yù)警模型[J]. 電腦知識與技術(shù)，2016，12（10）：189-196.

[19]Hu J，Li D L，Duan Q L，et al. A fuzzy C-Means clustering based algorithm to automatically segment fish disease visual symptoms[J]. Sensor Letters，2012，10（1/2）：190-197.

[20]任艷娜，席 磊，汪 強，等. 糧食產(chǎn)量預(yù)測模型的應(yīng)用與仿真研究[J]. 計算機仿真，2011，28（4）：208-211.

[21]唐 忠，謝 濤. Matlab神經(jīng)網(wǎng)絡(luò)工具NNTool的應(yīng)用與仿真[J]. 計算機與現(xiàn)代化，2012（12）：44-47，54.

[22]龔 純，王正林. 精通MATLAB最優(yōu)化計算[M]. 北京：電子工業(yè)出版社，2009：2-4.

[23]齊靈子. 大豆食葉害蟲危害損失預(yù)測模型的研究[D]. 長春：吉林農(nóng)業(yè)大學(xué)，2013.

[24]王曉娟. 基于模糊控制與RBF神經(jīng)網(wǎng)絡(luò)的桃病蟲害發(fā)生預(yù)測研究[D]. 保定：河北農(nóng)業(yè)大學(xué)，2011.

[25]王志敏，方保停. 論作物生產(chǎn)系統(tǒng)產(chǎn)量分析的理論模式及其發(fā)展[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報，2009，14（1）：1-7.